Пуассонівське апостеріорне передбачення

Змінна l_weekday відображає тенденцію обсягу в будні з температурою 80 градусів:

> 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

Тепер, коли ви розумієте цю тенденцію, зробімо кілька передбачень! Зокрема, спрогнозуйте відвідуваність стежки в наступний будній день із температурою 80 градусів. Для цього потрібно врахувати індивідуальні відхилення від тенденції, змодельовані правдоподібністю: \(Y\)_i \(\sim Pois(l\)_i).

Використовуючи rpois(n, lambda) для обсягу вибірки n і параметра інтенсивності lambda, ви змоделюєте пуассонівські передбачення обсягу для кожного значення апостеріорної правдоподібної тенденції в poisson_chains.

Ця вправа є частиною курсу

Баєсівське моделювання з RJAGS

Переглянути курс

Інструкції до вправи

Для кожного з 10 000 значень l_weekday у poisson_chains використайте rpois(), щоб передбачити обсяг у будній з температурою 80 градусів. Збережіть ці значення як Y_weekday у poisson_chains.
Використайте ggplot(), щоб побудувати графік щільності для ваших передбачень Y_weekday.
Оцініть апостеріорну ймовірність того, що обсяг у такий будній буде меншим за 400 користувачів.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# 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(___)

Редагувати та запускати код