Rappresentare il modello di regressione di Poisson
Ricorda la struttura di verosimiglianza per il tuo modello bayesiano di regressione di Poisson del volume \(Y\)i in funzione dello stato di giorno feriale \(X\)i e della temperatura \(Z\)i: \(Y\)i \(\sim Pois(l\)i) dove
- \(log(l\)i\() \; = a + b \; X\)i \(+ c \; Z\)i; quindi
- \(l\)i\( \; = exp(a + b \; X\)i \(+ c \; Z\)i\()\)
La tua simulazione RJAGS di 10.000 iterazioni della posteriore del modello, poisson_sim, è nel tuo workspace insieme a un data frame dell’output della catena di Markov:
> head(poisson_chains, 2)
a b.1. b.2. c
1 5.019807 0 -0.1222143 0.01405269
2 5.018642 0 -0.1217608 0.01407691
Userai questi risultati per tracciare i trend posteriori della regressione di Poisson. Questi trend non lineari possono essere aggiunti a ggplot() usando stat_function(). Per esempio, specificare fun = function(x){x^2} restituirebbe una linea di tendenza quadratica.
Questo esercizio fa parte del corso
Modeling bayesiano con RJAGS
Istruzioni dell'esercizio
Costruisci uno scatter plot di volume rispetto a hightemp con le seguenti caratteristiche:
- Usa
colorper distinguere tra giorni feriali e weekend. - Sovrapponi una curva
redche rappresenti il trend della regressione di Poisson della media posteriore \(l\)i della relazione lineare travolumeehightempper i weekend:l = exp(a + c Z) - Sovrapponi una curva
turquoise3che rappresenti il trend della regressione di Poisson della media posteriore \(l\)i della relazione lineare travolumeehightempper i giorni feriali:l = exp((a + b.2.) + c Z)
Esercizio pratico interattivo
Prova a risolvere questo esercizio completando il codice di esempio.
# Plot the posterior mean regression models
ggplot(___, aes(x = ___, y = ___, color = ___)) +
geom_point() +
stat_function(fun = function(x){___(mean(___) + mean(___) * x)}, color = "red") +
stat_function(fun = function(x){___(mean(___) + mean(___) + mean(___) * x)}, color = "turquoise3")