事後予測分布
weight_chains データフレーム（ワークスペース内）には、身長180cmの成人の体重に対する100,000個の事後予測値 Y_180 が含まれています。
> head(weight_chains, 2)
a b s iter m_180 Y_180
1 -113.9029 1.072505 8.772007 1 79.14803 71.65811
2 -115.0644 1.077914 8.986393 2 78.96014 75.78893
これらの100,000個の予測値を使って、身長180cmの成人の体重に対する事後予測分布を近似します。bdims データはワークスペースに読み込まれています。
この演習はコースの一部です
RJAGS によるベイズモデリング
演習の手順
- 10,000個の
Y_180の値を使って、身長180cmの成人の体重に対する95%事後信用区間を求めましょう。 - 100,000個の事後予測値の密度プロットを作成しましょう。
bdimsのwgtとhgtの散布図を作成しましょう。geom_abline()を使って、事後回帰トレンドを重ねて表示します。geom_segment()を使って、hgtが180の位置に縦線を重ねて表示し、ci_180の下限と上限（yとyend）を示します。
実践的なインタラクティブ演習
このサンプルコードを完成させて、この演習に挑戦してみましょう。
# Construct a posterior credible interval for the prediction
ci_180 <- quantile(___, probs = c(___, ___))
ci_180
# Construct a density plot of the posterior predictions
ggplot(___, aes(x = ___)) +
geom_density() +
geom_vline(xintercept = ci_180, color = "red")
# Visualize the credible interval on a scatterplot of the data
ggplot(___, aes(x = ___, y = ___)) +
geom_point() +
geom_abline(intercept = mean(___), slope = mean(___), color = "red") +
geom_segment(x = 180, xend = 180, y = ___, yend = ___, color = "red")