Markovketens opslaan

Laat \(m\) de gemiddelde verandering in reactietijd zijn na 3 dagen slaapdeprivatie. In een eerdere oefening heb je een benaderende steekproef van 10.000 trekkingen uit het posterior model van \(m\) verkregen. Je hebt het resulterende mcmc.list-object opgeslagen als sleep_sim, dat in je werkruimte is geladen:

sleep_sim <- coda.samples(model = sleep_jags, variable.names = c("m", "s"), n.iter = 10000)

De steekproef met \(m\)-waarden in sleep_sim is in feite een afhankelijke Markovketen, waarvan de verdeling convergeert naar de posterior. Je gaat de inhoud van sleep_sim bekijken en, om meer controle over je analyse te hebben, de inhoud opslaan in een data frame.

Deze oefening maakt deel uit van de cursus

Bayesiaans modelleren met RJAGS

Cursus bekijken

Oefeninstructies

Bekijk de head() van het lijstobject sleep_sim.
Het eerste lijstitem van sleep_sim bevat de \(m\)- en \(s\)-ketens. Sla deze op in een data frame met de naam sleep_chains. Neem een variabele iter op die het bijbehorende iteratienummer, 1:10000, vastlegt voor elk ketenelement.
Bekijk de eerste 6 rijen van sleep_chains.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# Check out the head of sleep_sim


# Store the chains in a data frame
sleep_chains <- data.frame(___, iter = ___)

# Check out the head of sleep_chains

Code bewerken en uitvoeren