Predicție posterioară Poisson

Variabila l_weekday reflectă tendința volumului în zilele lucrătoare cu 80 de grade:

> head(poisson_chains, 2)
       a b.1.    b.2.      c l_weekend l_weekday
1 5.0198    0 -0.1222 0.0141   465.924   412.324
2 5.0186    0 -0.1218 0.0141   466.284   412.829

Acum că înțelegi tendința, să facem câteva predicții! Mai concret, să prezicem volumul de vizitatori pe traseul următor în ziua lucrătoare cu 80 de grade. Pentru asta, trebuie să iei în calcul variabilitatea individuală față de tendință, modelată prin funcția de verosimilitate \(Y\)_i \(\sim Pois(l\)_i).

Using rpois(n, lambda) for sample size n and rate parameter lambda, you will simulate Poisson predictions of volume under each value of the posterior plausible trend in poisson_chains.

Acest exercițiu face parte din cursul

Modelare bayesiană cu RJAGS

Vezi cursul

Instrucțiuni pentru exercițiu

Din fiecare dintre cele 10.000 de valori l_weekday din poisson_chains, folosește rpois() pentru a prezice volumul dintr-o zi lucrătoare cu 80 de grade. Stochează rezultatele ca Y_weekday în poisson_chains.
Folosește ggplot() pentru a construi un grafic de densitate al predicțiilor Y_weekday.
Aproximează probabilitatea posterioară ca volumul dintr-o zi lucrătoare cu 80 de grade să fie mai mic de 400 de utilizatori.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# Simulate weekday predictions under each parameter set
poisson_chains <- poisson_chains %>% 
    mutate(Y_weekday = rpois(n = ___, lambda = ___))
    
# Construct a density plot of the posterior weekday predictions
ggplot(___, aes(x = ___)) + 
    geom_density()
    
# Posterior probability that weekday volume is less 400
mean(___)

Editează și rulează codul