Апостериорное прогностическое распределение

Датафрейм weight_chains (доступный в вашем рабочем пространстве) содержит 100 000 апостериорных прогнозов, Y_180, для веса взрослого человека ростом 180 см:

> 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

Вы воспользуетесь этими 100 000 прогнозами, чтобы аппроксимировать апостериорное прогностическое распределение для веса взрослого человека ростом 180 см. Данные bdims доступны в вашем рабочем пространстве.

Это упражнение является частью курса

Байесовское моделирование с RJAGS

Посмотреть курс

Инструкции к упражнению

Используйте 10 000 значений Y_180, чтобы построить 95%-й апостериорный доверительный интервал для веса взрослого человека ростом 180 см.
Постройте график плотности на основе 100 000 апостериорных прогнозных значений.
Постройте диаграмму рассеяния зависимости wgt от hgt по данным bdims.
- Используйте geom_abline(), чтобы наложить апостериорный регрессионный тренд.
- Используйте geom_segment(), чтобы наложить вертикальный отрезок при значении hgt равном 180, отображающий нижнюю и верхнюю границы (y и yend) интервала ci_180.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# 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")

Редактировать и запускать код