Herinner je de waarschijnlijkheidsstructuur voor je Bayesiaanse Poisson-regressiemodel van volume \(Y\)_i met doordeweeksstatus \(X\)_i en temperatuur \(Z\)_i: \(Y\)_i \(\sim Pois(l\)_i) waar

\(log(l\)_i\() \; = a + b \; X\)_i \(+ c \; Z\)_i; dus
\(l\)_i\( \; = exp(a + b \; X\)_i \(+ c \; Z\)_i\()\)

Je RJAGS-simulatie met 10.000 iteraties van de modelposterior, poisson_sim, staat in je werkruimte, samen met een data frame met de Markovketen-output:

> head(poisson_chains, 2)
         a b.1.       b.2.          c
1 5.019807    0 -0.1222143 0.01405269
2 5.018642    0 -0.1217608 0.01407691

Je gebruikt deze resultaten om de posterior Poisson-regressietrends te plotten. Deze niet-lineaire trends kun je toevoegen aan een ggplot() met stat_function(). Bijvoorbeeld, fun = function(x){x^2} geeft een kwadratische trendlijn.

Bayesiaanse regressie met een categorische voorspeller

Create Your Free Account