Distribuția predictivă posterioară

Data frame-ul weight_chains (disponibil în spațiul tău de lucru) conține 100.000 de predicții posterioare, Y_180, pentru greutatea unui adult cu înălțimea de 180 cm:

> head(weight_chains, 2)
          a        b        s iter    m_180    Y_180
1 -113.9029 1.072505 8.772007    1 79.14803 71.65811
2 -115.0644 1.077914 8.986393    2 78.96014 75.78893

Vei folosi aceste 100.000 de predicții pentru a aproxima distribuția predictivă posterioară a greutății unui adult cu înălțimea de 180 cm. Datele bdims sunt disponibile în spațiul tău de lucru.

Acest exercițiu face parte din cursul

Modelare bayesiană cu RJAGS

Vezi cursul

Instrucțiuni pentru exercițiu

Folosește cele 10.000 de valori Y_180 pentru a construi un interval credibil posterior de 95% pentru greutatea unui adult cu înălțimea de 180 cm.
Construiește un grafic de densitate al celor 100.000 de predicții plauzibile posterioare.
Construiește un scatter plot al datelor wgt vs hgt din bdims.
- Folosește geom_abline() pentru a suprapune tendința de regresie posterioară.
- Folosește geom_segment() pentru a suprapune o linie verticală la valoarea hgt de 180, care să reprezinte limitele inferioară și superioară (y și yend) ale ci_180.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# Construct a posterior credible interval for the prediction
ci_180 <- quantile(___, probs = c(___, ___))
ci_180

# Construct a density plot of the posterior predictions
ggplot(___, aes(x = ___)) + 
    geom_density() + 
    geom_vline(xintercept = ci_180, color = "red")

# Visualize the credible interval on a scatterplot of the data
ggplot(___, aes(x = ___, y = ___)) + 
    geom_point() + 
    geom_abline(intercept = mean(___), slope = mean(___), color = "red") + 
    geom_segment(x = 180, xend = 180, y = ___, yend = ___, color = "red")

Editează și rulează codul