Kom igångKom igång gratis

Posteriori prediktiv fördelning

Dataramen weight_chains (i din arbetsyta) innehåller dina 100 000 posteriori-prediktioner, Y_180, för vikten hos en vuxen person som är 180 cm lång:

> 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

Du använder dessa 100 000 prediktioner för att approximera den posteriori prediktiva fördelningen för vikten hos en vuxen person som är 180 cm lång. Datamängden bdims finns i din arbetsyta.

Den här övningen är en del av kursen

Bayesiansk modellering med RJAGS

Visa kurs

Övningsinstruktioner

  • Använd de 10 000 Y_180-värdena för att konstruera ett 95%-igt posteriori kredibilitetsintervall för vikten hos en vuxen person som är 180 cm lång.
  • Konstruera en densitetsplot över dina 100 000 posteriori-prediktioner.
  • Konstruera ett spridningsdiagram över wgt mot hgt från bdims.
    • Använd geom_abline() för att lägga till den posteriori regressionstrenden.
    • Använd geom_segment() för att lägga till ett vertikalt streck vid hgt = 180 som representerar de nedre och övre gränserna (y och yend) för ci_180.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# 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")
Redigera och kör kod