Апостеріорний прогностичний розподіл

Датафрейм weight_chains (у вашому робочому середовищі) містить 100 000 ваших апостеріорних прогнозів Y_180 для ваги дорослої людини з 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

Ви використаєте ці 100 000 прогнозів, щоб наблизити апостеріорний прогностичний розподіл ваги дорослої людини з ростом 180 см. Дані bdims є у вашому робочому середовищі.

Ця вправа є частиною курсу

Баєсівське моделювання з RJAGS

Переглянути курс

Інструкції до вправи

Використайте 10 000 значень Y_180, щоб побудувати 95% апостеріорний довірчий інтервал для ваги дорослої людини з ростом 180 см.
Побудуйте графік щільності ваших 100 000 апостеріорних правдоподібних прогнозів.
Побудуйте точкову діаграму даних wgt проти hgt у bdims.
- Використайте geom_abline(), щоб накласти апостеріорний тренд регресії.
- Використайте geom_segment(), щоб накласти вертикальну лінію при hgt 180, яка відображає нижню та верхню межі (y і yend) ci_180.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# 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")

Редагувати та запускати код