Bắt đầu ngayBắt đầu miễn phí

Suy luận cho xu hướng hậu nghiệm

Hãy nhớ lại hàm khả năng của mô hình hồi quy Bayesian cho cân nặng \(Y\) theo chiều cao \(X\): \(Y \sim N(m, s^2)\) trong đó \(m = a + b X\). Ở các bài trước, bạn đã xấp xỉ dạng của xu hướng hậu nghiệm \(m\) (đường liền). Từ đó, lưu ý rằng cân nặng điển hình của người trưởng thành cao 180 cm xấp xỉ 80 kg (các đường gạch):

Bạn sẽ dùng đầu ra mô phỏng RJAGS để xấp xỉ xu hướng hậu nghiệm về cân nặng ở những người cao 180 cm cũng như mức độ bất định hậu nghiệm của xu hướng này. Mô phỏng RJAGS 100.000 vòng lặp của phân bố hậu nghiệm, weight_sim_big, đã có trong workspace cùng với một data frame chứa đầu ra chuỗi Markov, weight_chains.

Bài tập này là một phần của khóa học

Mô hình hóa Bayesian với RJAGS

Xem khóa học

Hướng dẫn bài tập

  • weight_chains chứa 100.000 bộ giá trị tham số hợp lý từ hậu nghiệm của \(a\) và \(b\). Từ mỗi bộ, hãy tính cân nặng trung bình (điển hình) của người trưởng thành cao 180 cm, \(a + b * 180\). Lưu các giá trị xu hướng này vào biến mới m_180 trong weight_chains.

  • Vẽ biểu đồ mật độ hậu nghiệm của 100.000 giá trị m_180.

  • Dùng 100.000 giá trị m_180 để tính khoảng tin cậy hậu nghiệm 95% cho cân nặng trung bình của người trưởng thành cao 180 cm.

Bài tập tương tác thực hành trực tiếp

Hãy thử làm bài tập này bằng cách hoàn thành đoạn mã mẫu này.

# Calculate the trend under each Markov chain parameter set
weight_chains <- weight_chains  %>% 
    mutate(m_180 = ___)

# Construct a posterior density plot of the trend
ggplot(___, aes(x = ___)) + 
    geom_density() 

# Construct a posterior credible interval for the trend
quantile(___, probs = c(___, ___))
Chỉnh sửa và Chạy Mã