这里展示了关于 $m$（连续 3 个睡眠剥夺之夜后平均反应时间的变化）的先验、（缩放的）似然以及后验模型。结合观测数据（似然），以下哪一项最能描述您从先验到后验对 \(m\) 的认识如何演变？
本练习是课程的一部分
通过我们的互动练习之一，将理论转化为实践
贝叶斯模型将先验信息与观测数据的信息相结合，形成关于参数的更新后验结论。本章将以比例参数的基础 Beta-Binomial 模型为背景，回顾这些贝叶斯概念。您还将学习如何使用 rjags 包在 R 中定义、编译并模拟该模型。
双参数的 Normal-Normal 贝叶斯模型为正态回归模型提供了简明的基础。在本章中，您将构建 Normal-Normal 模型，并使用 rjags 来定义、编译和模拟该模型。您还将探究 rjags 模拟背后的马尔可夫链机制。
当前练习
在本章中，您将把 Normal-Normal 模型扩展为一个简单的贝叶斯回归模型。在此背景下，您将学习如何利用 rjags 的模拟输出进行后验推断。具体来说，您将使用后验均值与可信区间来构建回归参数的后验估计，使用后验概率进行假设检验，并为新观测构建后验预测分布。
在最后一章中，您将把简单的正态回归模型推广到更广泛的应用场景。您将纳入分类自变量，构建含有 2 个自变量的多元回归模型，并最终将该方法扩展到用于计数变量的 Poisson 多元回归模型。
