Наївні стандартні похибки
Середнє значення ланцюга Маркова для \(m\) дає оцінку апостеріорного середнього для \(m\). Наївна стандартна похибка показує потенційну похибку цієї оцінки. Її можна використати, щоб визначити потрібну довжину ланцюга. Наприклад, припустімо, що ваша мета — оцінити апостеріорне середнє \(m\) зі стандартною похибкою 0.1 мс. Якщо спостережувана наївна стандартна похибка перевищує ціль, це не проблема. Просто запустіть довший ланцюг — похибка апроксимації апостеріорного розподілу ланцюгом Маркова зазвичай зменшується зі збільшенням довжини ланцюга.
Визначені sleep_model і скомпільований об'єкт sleep_jags — це ваш робочий простір.
Ця вправа є частиною курсу
Баєсівське моделювання з RJAGS
Інструкції до вправи
ПРОВЕДІТЬ СИМУЛЯЦІЮ 1 000 вибірок з апостеріорної моделі для \(m\) та \(s\). Збережіть їх у
sleep_sim_1.Отримайте
summary()для ланцюгівsleep_sim_1.Якщо наївна стандартна похибка ланцюга \(m\) перевищує ціль 0.1, відкоригуйте симуляцію: спробуйте використати або 500, або 10 000 вибірок (замість 1 000). Збережіть результати у
sleep_sim_2.Отримайте
summary()для ланцюгівsleep_sim_2. Переконайтеся, що нова симуляція відповідає критерію. Якщо ні — поверніться до попереднього кроку й повторіть!
Інтерактивна практична вправа
Спробуйте виконати цю вправу, доповнивши цей зразок коду.
# SIMULATE the posterior
sleep_sim_1 <- coda.samples(model = ___, variable.names = c("m", "s"), n.iter = ___)
# Summarize the m and s chains of sleep_sim_1
# RE-SIMULATE the posterior
sleep_sim_2 <- coda.samples(model = ___, variable.names = c("m", "s"), n.iter = ___)
# Summarize the m and s chains of sleep_sim_2