Inferentie voor de Poisson-snelheidsparameter

Denk nog eens aan de likelihood-structuur voor je Bayesiaanse Poisson-regressiemodel van volume \(Y\)_i naar weekendstatus \(X\)_i en temperatuur \(Z\)_i:

\(Y\)_i \(\sim Pois(l\)_i) where \(l\)_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 van 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

Met deze 10.000 unieke sets posterior-plausibele waarden voor de parameters \(a\), \(b\) en \(c\) ga je inferenties maken over het typische trailvolume op dagen van 80 graden.

Deze oefening maakt deel uit van de cursus

Bayesiaans modelleren met RJAGS

Cursus bekijken

Oefeninstructies

Bereken uit elke set parameterwaarden in poisson_chains het typische trailvolume \(l\) op een weekenddag van 80 graden. Sla deze trends op als een nieuwe variabele, l_weekend, in poisson_chains.
Bereken op dezelfde manier het typische trailvolume op een weekdag van 80 graden. Sla deze op als een nieuwe variabele, l_weekday.
Bereken 95% posterior geloofwaardige intervallen voor het typische volume op een weekenddag van 80 graden en het typische volume op een weekdag van 80 graden.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# Calculate the typical volume on 80 degree weekends & 80 degree weekdays
poisson_chains <- poisson_chains %>% 
    mutate(l_weekend = exp(___ + ___ * 80)) %>% 
    mutate(l_weekday = exp(___ + ___ + ___ * 80))

# Construct a 95% CI for typical volume on 80 degree weekend


# Construct a 95% CI for typical volume on 80 degree weekday

Code bewerken en uitvoeren