天真標準誤

\(m\) 的馬可夫鏈平均值可作為 \(m\) 的後驗平均值的「估計」。天真標準誤則衡量這個估計可能的「誤差」。進一步地，我們可以用這個量來決定合適的鏈長。例如，假設你的「目標」是將 \(m\) 的後驗平均值估計在標準誤 0.1 毫秒以內。若「觀察到」的天真標準誤超過這個目標，也沒問題！只要把鏈跑長一點即可——用馬可夫鏈近似後驗時的誤差，通常會隨著鏈長增加而下降。

已定義的 sleep_model 與已編譯的 sleep_jags 物件是你的工作區。

本練習屬於課程

使用 RJAGS 的貝氏建模

檢視課程

練習說明

「模擬」從 \(m\) 與 \(s\) 的後驗模型中各取 1,000 次抽樣。將結果儲存到 sleep_sim_1。
取得 sleep_sim_1 鏈的 summary()。
若 \(m\) 鏈的天真標準誤高於 0.1 的目標，請調整你的模擬：改用 500 次或 10,000 次抽樣（取代 1,000）。將結果儲存到 sleep_sim_2。
取得 sleep_sim_2 鏈的 summary()。確認新的模擬符合條件。若未達成，回到前一步重試！

動手互動練習

試著完成這個範例程式碼，體驗一下這個練習。

# SIMULATE the posterior    
sleep_sim_1 <- coda.samples(model = ___, variable.names = c("m", "s"), n.iter = ___)

# Summarize the m and s chains of sleep_sim_1


# RE-SIMULATE the posterior    
sleep_sim_2 <- coda.samples(model = ___, variable.names = c("m", "s"), n.iter = ___)

# Summarize the m and s chains of sleep_sim_2

編輯並執行程式碼