1. Nauka
    2. /
  2. Kursy
    3. /
  3. Modelowanie bayesowskie z RJAGS
Connected

ćwiczenie

Symulacja RJAGS dla regresji wielowymiarowej

Rozważ następujący bayesowski model wolumenu \(Y\)i w zależności od statusu dnia tygodnia \(X\)i i temperatury \(Z\)i:

  • wiarygodność: \(Y\)i \(\sim N(m\)i, \(s^2)\), gdzie \(m\)i \(= a + b X\)i \(+ c Z\)i .
  • priors: \(a \sim N(0, 200^2)\), \(b \sim N(0, 200^2)\), \(c \sim N(0, 20^2)\), \(s \sim Unif(0, 200)\)

Wcześniejsza analiza zależności między volume, weekday a hightemp w zbiorze danych RailTrail pozwoliła ci lepiej zrozumieć tę relację. Teraz połączysz tę wiedzę z informacją zawartą w priorach, aby za pomocą RJAGS zbudować model posteriori tej zależności. Zbiór danych RailTrail jest dostępny w twoim środowisku pracy.

Instrukcje 1/3

undefined XP
    1
    2
    3

ZDEFINIUJ swój model bayesowski i zapisz go jako rail_model_2. W tym celu, korzystając z funkcji dnorm() i dunif() z pakietu rjags:

  • Dla każdego z 90 obserwacji \(i\) zdefiniuj \(m\)i oraz model \(Y\)i w zależności od \(m\)i i \(s\), używając notacji RJAGS. Pamiętaj, że b[X[i]] jest odpowiednikiem \(bX\)i w RJAGS.

  • Określ priory dla \(a\), \(b\), \(c\) i \(s\).