Naïeve standaardfouten
Het gemiddelde van de Markov-keten voor \(m\) is een schatting van het posteriorgemiddelde van \(m\). De naïeve standaardfout geeft aan hoe groot de mogelijke fout in die schatting is. Met die maat kun je een passende ketenlengte bepalen. Stel bijvoorbeeld dat je doel is om het posteriorgemiddelde van \(m\) te schatten met een standaardfout van 0.1 ms. Als je geobserveerde naïeve standaardfout boven deze doelwaarde ligt, geen probleem! Laat gewoon een langere keten lopen — de fout bij het benaderen van een posterior met een Markov-keten neemt meestal af naarmate de keten langer is.
Het gedefinieerde sleep_model en het gecompileerde sleep_jags-object vormen je werkruimte.
Deze oefening maakt deel uit van de cursus
Bayesiaans modelleren met RJAGS
Oefeninstructies
SIMULEER 1.000 trekkingen uit het posteriormodel van \(m\) en \(s\). Sla deze op in
sleep_sim_1.Verkrijg een
summary()van desleep_sim_1-ketens.Als de naïeve standaardfout van de \(m\)-keten boven de doelwaarde van 0,1 ligt, pas dan je simulatie aan: probeer 500 trekkingen of 10.000 trekkingen (in plaats van 1.000). Sla de resultaten op in
sleep_sim_2.Verkrijg een
summary()van desleep_sim_2-ketens. Bevestig dat je nieuwe simulatie aan het criterium voldoet. Zo niet, ga dan terug naar de vorige stap en herhaal!
Praktische interactieve oefening
Probeer deze oefening eens door deze voorbeeldcode in te vullen.
# SIMULATE the posterior
sleep_sim_1 <- coda.samples(model = ___, variable.names = c("m", "s"), n.iter = ___)
# Summarize the m and s chains of sleep_sim_1
# RE-SIMULATE the posterior
sleep_sim_2 <- coda.samples(model = ___, variable.names = c("m", "s"), n.iter = ___)
# Summarize the m and s chains of sleep_sim_2