Symulacja RJAGS dla regresji Poissona

W poprzednim filmie zbudowaliśmy model regresji Poissona dla wolumenu \(Y\)_i w zależności od statusu dnia tygodnia \(X\)_i i temperatury \(Z\)_i:

• funkcja wiarygodności: \(Y\)_i \(\sim Pois(l\)_i) gdzie \(log(l\)_i\() = a + b X\)_i \(+ c Z\)_i
• rozkłady a priori: \(a \sim N(0, 200^2)\), \(b \sim N(0, 2^2)\) oraz \(c \sim N(0, 2^2)\)

Łącząc wiedzę płynącą z danych RailTrail z podanymi rozkładami a priori, zdefiniujesz, skompilujesz i zasymullujesz model a posteriori tej zależności za pomocą RJAGS. Aby podjąć wyzwanie podczas ostatniej symulacji RJAGS w tym kursie, otrzymasz mniej gotowego kodu niż zwykle!

Dane RailTrail są dostępne w twoim środowisku pracy.