下方的密度圖說明了 3 種可能的 p 的先驗模型，p 是計畫投票支持你的選民比例。先驗 A 是你原本的 Beta(45,55) 先驗。在什麼情境下，先驗 B（Beta(1,1)）或先驗 C（Beta(100,100)）會更合適？
本練習屬於課程
將理論付諸實踐，立即體驗我們的互動練習
貝氏模型結合先驗見解與觀察資料中的見解，形成對參數的更新後、亦即後驗見解。本章將在比例參數的基礎 Beta-Binomial 模型情境下，帶你複習這些貝氏概念。你也會學到如何使用 rjags 套件在 R 中定義、編譯並模擬此模型。
當前練習
兩參數的 Normal-Normal 貝氏模型為常態迴歸模型提供了簡潔的基礎。本章中，你將建構 Normal-Normal，並使用 rjags 定義、編譯與模擬此模型。你也會探索 rjags 模擬背後馬可夫鏈機制的巧妙原理。
在本章中，你會將 Normal-Normal 模型擴充為一個簡單的貝氏迴歸模型。在此脈絡下，你將學習如何運用 rjags 的模擬輸出來進行後驗推論。具體來說，你會用後驗平均與可信區間來建立迴歸參數的後驗估計，使用後驗機率來檢定假設，並為新觀測值建構後驗預測分佈。
在最後一章中，你將把簡單的常態迴歸模型加以一般化，以便應用到更廣的情境。你會納入類別型預測變數，設計含兩個預測變數的多變量迴歸模型，最後把這套方法擴展到用於計數變數的 Poisson 多變量迴歸模型。
