1. 학습
    2. /
  2. 강의
    3. /
  3. Modelowanie bayesowskie z RJAGS
Connected

연습 문제

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.

지침 1/3

undefined XP
    1
    2
    3

ZDEFINIUJ swój model bayesowski:

  • Użyj dpois(), aby zdefiniować model wiarygodności dla Y[i] przy danym l[i].
  • Zdefiniuj rozkłady a priori dla a, b i c.
  • Zapisz ciąg znaków modelu jako poisson_model.