Previsione a posteriori Poisson
La tua variabile l_weekday riflette la tendenza del volume nei giorni feriali con 80 gradi:
> head(poisson_chains, 2)
a b.1. b.2. c l_weekend l_weekday
1 5.0198 0 -0.1222 0.0141 465.924 412.324
2 5.0186 0 -0.1218 0.0141 466.284 412.829
Ora che hai compreso la tendenza, passiamo alle previsioni! In particolare, prevediamo i volumi sul sentiero nel prossimo giorno feriale con 80 gradi. Per farlo, devi tenere conto della variabilità individuale rispetto alla tendenza, modellata dalla verosimiglianza \(Y\)i \(\sim Pois(l\)i).
Usando rpois(n, lambda) con dimensione del campione n e parametro di tasso lambda, simulerai previsioni Poisson del volume per ciascun valore della tendenza plausibile a posteriori in poisson_chains.
Questo esercizio fa parte del corso
Modeling bayesiano con RJAGS
Istruzioni dell'esercizio
- A partire da ciascuno dei 10.000 valori
l_weekdayinpoisson_chains, usarpois()per prevedere il volume in un giorno feriale con 80 gradi. Salvali comeY_weekdayinpoisson_chains. - Usa
ggplot()per costruire un grafico di densità delle tue previsioniY_weekday. - Approssima la probabilità a posteriori che il volume in un giorno feriale con 80 gradi sia inferiore a 400 utenti.
Esercizio pratico interattivo
Prova a risolvere questo esercizio completando il codice di esempio.
# Simulate weekday predictions under each parameter set
poisson_chains <- poisson_chains %>%
mutate(Y_weekday = rpois(n = ___, lambda = ___))
# Construct a density plot of the posterior weekday predictions
ggplot(___, aes(x = ___)) +
geom_density()
# Posterior probability that weekday volume is less 400
mean(___)