Апостериорное предсказание по модели Пуассона

Переменная l_weekday отражает тренд трафика в будние дни при температуре 80 градусов:

> 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

Теперь, когда вы разобрались с трендом, перейдём к прогнозам! Давайте предскажем объём трафика на следующий будний день с температурой 80 градусов. Для этого необходимо учесть индивидуальную изменчивость относительно тренда, смоделированную функцией правдоподобия \(Y\)_i \(\sim Pois(l\)_i).

С помощью rpois(n, lambda), где n — размер выборки, а lambda — параметр интенсивности, вы смоделируете пуассоновские прогнозы объёма трафика для каждого значения апостериорно правдоподобного тренда из poisson_chains.

Это упражнение является частью курса

Байесовское моделирование с RJAGS

Посмотреть курс

Инструкции к упражнению

Для каждого из 10 000 значений l_weekday в poisson_chains используйте rpois(), чтобы спрогнозировать объём трафика в будний день при температуре 80 градусов. Сохраните результаты как Y_weekday в poisson_chains.
Используйте ggplot(), чтобы построить график плотности для ваших прогнозов Y_weekday.
Приближённо вычислите апостериорную вероятность того, что объём трафика в будний день при температуре 80 градусов окажется меньше 400 пользователей.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# 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(___)

Редактировать и запускать код