RJAGS-simulatie met categorische variabelen

Beschouw het Normal-regressiemodel van volume \(Y\)_i naar weekdagstatus \(X\)_i:

likelihood: \(Y\)_i \(\sim N(m\)_i, \(s^2)\) waarbij \(m\)_i \(= a + b X\)_i
priors: \(a \sim N(400, 100^2)\), \(b \sim N(0, 200^2)\), \(s \sim Unif(0, 200)\)

Je hebt de relatie tussen \(Y\)_i en \(X\)_i onderzocht voor de 90 dagen in RailTrail (in je werkruimte). In het licht van deze data en de bovenstaande priors werk je je posterieure model van deze relatie bij. Dit verschilt van eerdere analyses omdat \(X\)_i categorisch is. In rjags-syntaxis wordt de coëfficiënt \(b\) gedefinieerd door twee elementen, b[1] en b[2], die respectievelijk overeenkomen met de weekend- en weekdagniveaus. Ter referentie: b[1] is ingesteld op 0. Daarentegen wordt b[2] gemodelleerd volgens de prior voor \(b\).

Deze oefening maakt deel uit van de cursus

Bayesiaans modelleren met RJAGS

Cursus bekijken

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# DEFINE the model    
rail_model_1 <- "model{
    # Likelihood model for Y[i]
    for(i in ___){
      Y[i] ~ ___
      m[i] <- ___
    }
    
    # Prior models for a, b, s
    a ~ ___
    b[1] <- ___
    b[2] ~ ___
    s ~ ___
}"

Code bewerken en uitvoeren