Poisson-posteriorvoorspelling

Je variabele l_weekday laat de trend in volume zien op doordeweekse dagen met 80 graden:

> head(poisson_chains, 2)
       a b.1.    b.2.      c l_weekend l_weekday
1 5.0198    0 -0.1222 0.0141   465.924   412.324
2 5.0186    0 -0.1218 0.0141   466.284   412.829

Nu je de trend begrijpt, gaan we voorspellingen maken! We gaan specifiek het aantal gebruikers op het pad voorspellen op de volgende doordeweekse dag met 80 graden. Daarbij moet je rekening houden met individuele variatie rond de trend, gemodelleerd door de kansdichtheid \(Y\)_i \(\sim Pois(l\)_i).

Met rpois(n, lambda) voor steekproefgrootte n en snelheidsparameter lambda simuleer je Poisson-voorspellingen van het volume voor elke waarde van de posterior aannemelijke trend in poisson_chains.

Deze oefening maakt deel uit van de cursus

Bayesiaans modelleren met RJAGS

Cursus bekijken

Oefeninstructies

Gebruik voor elk van de 10.000 l_weekday-waarden in poisson_chains rpois() om het volume op een doordeweekse dag met 80 graden te voorspellen. Sla deze op als Y_weekday in poisson_chains.
Gebruik ggplot() om een dichtheidsplot te maken van je Y_weekday-voorspellingen.
Benader de posterior-kans dat het volume op een doordeweekse dag met 80 graden minder is dan 400 gebruikers.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# Simulate weekday predictions under each parameter set
poisson_chains <- poisson_chains %>% 
    mutate(Y_weekday = rpois(n = ___, lambda = ___))
    
# Construct a density plot of the posterior weekday predictions
ggplot(___, aes(x = ___)) + 
    geom_density()
    
# Posterior probability that weekday volume is less 400
mean(___)

Code bewerken en uitvoeren