Згадайте структуру правдоподібності для вашої баєсівської Пуассонівської регресійної моделі обсягу \(Y\)_i за статусом дня тижня \(X\)_i і температурою \(Z\)_i: \(Y\)_i \(\sim Pois(l\)_i) де

\(log(l\)_i\() \; = a + b \; X\)_i \(+ c \; Z\)_i; отже
\(l\)_i\( \; = exp(a + b \; X\)_i \(+ c \; Z\)_i\()\)

Вашу симуляцію RJAGS на 10 000 ітерацій для апріорного розподілу моделі, poisson_sim, додано до вашого робочого середовища разом із датафреймом виходу ланцюгів Маркова:

> head(poisson_chains, 2)
         a b.1.       b.2.          c
1 5.019807    0 -0.1222143 0.01405269
2 5.018642    0 -0.1217608 0.01407691

Ви використаєте ці результати, щоб побудувати апостеріорні тренди Пуассонівської регресії. Ці нелінійні тренди можна додати до ggplot() за допомогою stat_function(). Наприклад, указання fun = function(x){x^2} поверне квадратичну лінію тренду.

Висновки

Create Your Free Account