Intervalos credíveis posteriores

Vamos focar no parâmetro de inclinação $b$, a taxa de variação do peso em função da altura. A média posterior de $b$ reflete a tendência no modelo posterior da inclinação. Já um intervalo credível posterior fornece um intervalo de valores plausíveis para a inclinação, refletindo a incerteza posterior sobre $b$. Por exemplo, o intervalo credível de 95% para $b$ vai do quantil de 2,5% ao quantil de 97,5% da posterior de $b$. Assim, há 95% de chance (posterior) de que $b$ esteja nesse intervalo.

Você vai usar a saída da simulação do RJAGS para aproximar intervalos credíveis para $b$. A simulação do RJAGS com 100.000 iterações da posterior, weight_sim_big, está no seu workspace, junto com um data frame da saída da cadeia de Markov, weight_chains.

Este exercicio faz parte do curso

Modelagem Bayesiana com RJAGS

Ver curso

Instruções do exercicio

Obtenha as estatísticas de summary() das cadeias de weight_sim_big.
Os quantis posteriores de 2.5% e 97.5% para $b$ são reportados na Tabela 2 do summary(). Aplique quantile() aos dados brutos de weight_chains para verificar esses cálculos. Salve como ci_95 e imprima.
Da mesma forma, use os dados de weight_chains para construir um intervalo credível de 90% para $b$. Salve como ci_90 e imprima.
Construa um gráfico de densidade dos valores da cadeia de Markov de $b$. Sobreponha linhas verticais representando o intervalo credível de 90% para $busandogeomvline()comxintercept = ci90`.

exercicio interativo prático

Tente este exercicio completando este código de exemplo.

# Summarize the posterior Markov chains


# Calculate the 95% posterior credible interval for b
ci_95 <- quantile(___, probs = c(___, ___))
ci_95

# Calculate the 90% posterior credible interval for b
ci_90 <- ___
ci_90

# Mark the 90% credible interval 
ggplot(___, aes(x = ___)) + 
    geom_density() + 
    geom_vline(xintercept = ___, color = "red")

Editar e Executar Código