始める無料で始める

ポアソン事後予測

変数 l_weekday は、気温80度の平日における利用量のトレンドを表しています。

> 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

トレンドを把握したところで、予測を行いましょう。具体的には、次に気温80度の平日が来たときのトレイル利用量を予測します。そのためには、尤度 \(Y\)i \(\sim Pois(l\)i) によってモデル化された、トレンドからの個体差を考慮する必要があります。

サンプルサイズ n とレートパラメータ lambda を用いた rpois(n, lambda) を使って、poisson_chains 内の事後分布の各トレンド値のもとで利用量のポアソン予測をシミュレートします。

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

コースを見る

演習の手順

  • poisson_chains 内の10,000件の l_weekday 値それぞれに対して、rpois() を使って気温80度の平日における利用量を予測し、poisson_chains の Y_weekday に格納してください。
  • ggplot() を使って、Y_weekday の予測値の密度プロットを作成してください。
  • 気温80度の平日における利用量が400人未満となる事後確率を近似してください。

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。

# 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(___)
コードを編集して実行