1. Learn
    2. /
  2. Cursuri
    3. /
  3. RJAGS로 배우는 Bayesian 모델링
Connected

exercițiu

다변량 회귀를 위한 RJAGS 시뮬레이션

평일 여부 \(X\)i와 기온 \(Z\)i로 체적(Volume) \(Y\)i를 설명하는 다음 베이즈 모델을 살펴보세요:

  • 우도: \(Y\)i \(\sim N(m\)i, $s^2)$이며, \(m\)i \(= a + b X\)i \(+ c Z\)i입니다.
  • 사전분포: \(a \sim N(0, 200^2)\), \(b \sim N(0, 200^2)\), \(c \sim N(0, 20^2)\), \(s \sim Unif(0, 200)\)

이전에 RailTrail 데이터에서 volume, weekday, hightemp 간의 관계를 탐색해 보면서 이 관계에 대한 통찰을 얻으셨습니다. 이제 이를 사전분포에서 얻은 정보와 결합해 RJAGS를 사용하여 이 관계의 사후 모델을 구축해 보겠습니다. RailTrail 데이터는 작업 공간에 준비되어 있습니다.

Instrucțiuni 1/3

undefined XP
    1
    2
    3

dnorm()과 dunif() rjags 함수를 활용해 베이즈 모델을 정의(DEFINE)하고 rail_model_2로 저장하세요. 구체적으로:

  • 90명의 각 대상 $i$에 대해, RJAGS 표기를 사용해 \(m\)i와, \(m\)i 및 $s$가 주어졌을 때 \(Y\)i의 모델을 정의하세요. 이를 위해 b[X[i]]가 \(bX\)i의 rjags 표현이라는 점을 기억하세요.

  • \(a\), \(b\), \(c\), $s$의 사전분포를 지정하세요.