Mô phỏng RJAGS cho hồi quy Poisson

Trong video trước, chúng ta đã xây dựng một mô hình hồi quy Poisson cho lưu lượng \(Y\)_i theo trạng thái ngày trong tuần \(X\)_i và nhiệt độ \(Z\)_i:

• likelihood: \(Y\)_i \(\sim Pois(l\)_i) với \(log(l\)_i\() = a + b X\)_i \(+ c Z\)_i
• priors: \(a \sim N(0, 200^2)\), \(b \sim N(0, 2^2)\) và \(c \sim N(0, 2^2)\)

Kết hợp hiểu biết của bạn từ dữ liệu quan sát RailTrail và các prior ở đây, bạn sẽ định nghĩa, biên dịch và mô phỏng một mô hình hậu nghiệm của mối quan hệ này bằng RJAGS. Để tự thử thách trong bài mô phỏng RJAGS cuối cùng của khóa học, bạn sẽ được cung cấp ít mã gợi ý hơn thường lệ!

Dữ liệu RailTrail đã có trong không gian làm việc của bạn.