Calculando previsões a posteriori

Você acabou de explorar a tendência a posteriori do peso \(Y\) entre adultos com altura \(X = 180\): \(m\)₁₈₀ \(= a + b * 180\). O data frame weight_chains contém 100.000 valores plausíveis a posteriori de \(m\)₁₈₀ que você calculou a partir dos valores correspondentes de \(a\) e \(b\):

> head(weight_chains, 2)
          a        b        s iter     m_180
1 -113.9029 1.072505 8.772007    1  79.14803
2 -115.0644 1.077914 8.986393    2  78.96014

Esqueça a tendência — e se você quisesse prever o peso de um adulto específico com 180 cm de altura? Dá para fazer! Para isso, você precisa considerar a variabilidade individual em relação à tendência, modelada por

\(Y\)₁₈₀ \(\sim N(m\)₁₈₀\(, s^2)\)

Usando esse modelo, você vai simular previsões de peso sob cada conjunto de parâmetros plausíveis a posteriori em weight_chains.

Este exercicio faz parte do curso

Modelagem Bayesiana com RJAGS

Ver curso

Instruções do exercicio

Use rnorm() para simular uma única previsão de peso sob as configurações de parâmetros da primeira linha de weight_chains.
Repita o passo acima usando as configurações de parâmetros da segunda linha de weight_chains.
Simule uma única previsão de peso sob cada uma das 100.000 configurações de parâmetros em weight_chains. Armazene-as como uma nova variável Y_180 em weight_chains.
Imprima as primeiras 6 linhas dos valores de parâmetros e previsões em weight_chains.

exercicio interativo prático

Tente este exercicio completando este código de exemplo.

# Simulate 1 prediction under the first parameter set
rnorm(n = 1, mean = ___, sd = ___)

# Simulate 1 prediction under the second parameter set
rnorm(n = 1, mean = ___, sd = ___)

# Simulate & store 1 prediction under each parameter set
weight_chains <- weight_chains  %>% 
    mutate(Y_180 = rnorm(n = 100000, mean = ___, sd = ___))

# Print the first 6 parameter sets & predictions

Editar e Executar Código