การจำลองด้วย RJAGS สำหรับการถดถอยแบบหลายตัวแปร

พิจารณาโมเดล Bayesian ต่อไปนี้ของปริมาณ \(Y\)_i โดยใช้สถานะวันธรรมดา \(X\)_i และอุณหภูมิ \(Z\)_i:

• likelihood: \(Y\)_i \(\sim N(m\)_i, \(s^2)\) โดยที่ \(m\)_i \(= a + b X\)_i \(+ c Z\)_i .
• priors: \(a \sim N(0, 200^2)\), \(b \sim N(0, 200^2)\), \(c \sim N(0, 20^2)\), \(s \sim Unif(0, 200)\)

จากการสำรวจความสัมพันธ์ระหว่าง volume, weekday และ hightemp ในชุดข้อมูล RailTrail ก่อนหน้านี้ ทำให้เข้าใจความสัมพันธ์ดังกล่าวได้ในระดับหนึ่ง ขั้นตอนนี้จะนำข้อมูลเชิงลึกนั้นมารวมกับ prior เพื่อสร้างโมเดล posterior ของความสัมพันธ์นี้โดยใช้ RJAGS ชุดข้อมูล RailTrail อยู่ใน workspace ของคุณแล้ว