Posterieure voorspellingsverdeling

Het weight_chains-dataframe (in je werkruimte) bevat je 100.000 posteriore voorspellingen, Y_180, voor het gewicht van een volwassene van 180 cm lang:

> 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

Je gebruikt deze 100.000 voorspellingen om de posterieure voorspellingsverdeling voor het gewicht van een volwassene van 180 cm te benaderen. De bdims-gegevens staan in je werkruimte.

Deze oefening maakt deel uit van de cursus

Bayesiaans modelleren met RJAGS

Cursus bekijken

Oefeninstructies

Gebruik de 10.000 Y_180-waarden om een 95%-posterieur geloofwaardigheidsinterval te construeren voor het gewicht van een volwassene van 180 cm.
Maak een dichtheidsplot van je 100.000 posteriore plausibele voorspellingen.
Maak een spreidingsdiagram van de wgt- tegen hgt-gegevens in bdims.
- Gebruik geom_abline() om de posteriore regressietrend eroverheen te leggen.
- Gebruik geom_segment() om een verticale lijn toe te voegen bij een hgt van 180 die de onder- en bovengrens (y en yend) van ci_180 weergeeft.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# 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")

Code bewerken en uitvoeren