1. Learn
    2. /
  2. Курси
    3. /
  3. Баєсівське моделювання з RJAGS
Connected

Вправа

Точкові апостеріорні оцінки

Згадайте функцію правдоподібності баєсівської регресійної моделі ваги \(Y\) за зростом \(X\): \(Y \sim N(m, s^2)\), де \(m = a + b X\). 100 000-ітераційна симуляція RJAGS для апостеріорного розподілу, weight_sim_big, є у вашому робочому середовищі разом із датафреймом виходу марковських ланцюгів:

> head(weight_chains, 2)
          a        b        s iter
1 -113.9029 1.072505 8.772007    1
2 -115.0644 1.077914 8.986393    2

Апостеріорні середні для параметрів вільного члена та нахилу, \(a\) і \(b\), відображають апостеріорний середній тренд у зв'язку між вагою та зростом. Натомість повні апостеріорні розподіли \(a\) і \(b\) відображають діапазон правдоподібних параметрів, тобто апостеріорну невизначеність щодо тренду. Нижче ви розглянете сам тренд і невизначеність цього тренду. Дані bdims є у вашому робочому середовищі.

Інструкції

100 XP
  • Отримайте статистики summary() для ланцюгів weight_sim_big.
  • Апостеріорне середнє \(b\) наведено в Таблиці 1 виходу summary(). Використайте сирі дані weight_chains, щоб перевірити це обчислення.
  • Побудуйте діаграму розсіювання wgt проти hgt з даних bdims. Використайте geom_abline(), щоб накласти апостеріорний середній тренд.
  • Побудуйте ще одну діаграму розсіювання wgt проти hgt. Накладіть 20 регресійних прямих, визначених першими 20 наборами значень параметрів \(a\) і \(b\) з weight_chains.