1. Learn
    2. /
  2. 课程
    3. /
  3. Modelowanie bayesowskie z RJAGS
Connected

道练习

Posteriori przedziały wiarygodności

Skupmy się na parametrze nachylenia \(b\), czyli tempie zmiany wagi wraz z wysokością. Posteriori średnia \(b\) odzwierciedla trend w posteriori modelu nachylenia. Z kolei posteriori przedział wiarygodności wyznacza zakres wiarygodnych posteriori wartości nachylenia, oddając tym samym posteriori niepewność co do \(b\). Na przykład 95% przedział wiarygodności dla \(b\) rozciąga się od kwantyla 2,5 do kwantyla 97,5 posteriori rozkładu \(b\). Oznacza to, że istnieje 95% szansa (posteriori), iż \(b\) należy do tego zakresu.

Do przybliżenia przedziałów wiarygodności dla \(b\) wykorzystasz wyniki symulacji RJAGS. W twoim środowisku dostępna jest symulacja posteriori złożona ze 100 000 iteracji, zapisana jako weight_sim_big, wraz z ramką danych zawierającą wyniki łańcucha Markowa – weight_chains.

说明

100 XP
  • Uzyskaj statystyki summary() dla łańcuchów weight_sim_big.
  • Kwantyle posteriori 2.5% i 97.5% dla \(b\) są podane w Tabeli 2 wyników summary(). Zastosuj quantile() do surowych danych weight_chains, aby zweryfikować te obliczenia. Zapisz wynik jako ci_95 i wyświetl go.
  • Analogicznie, korzystając z danych weight_chains, wyznacz 90% przedział wiarygodności dla \(b\). Zapisz wynik jako ci_90 i wyświetl go.
  • Stwórz wykres gęstości wartości łańcucha Markowa dla \(b\). Nałóż na niego linie pionowe reprezentujące 90% przedział wiarygodności dla \(b\), używając geom_vline() z xintercept = ci_90.