Poisson 率参数的推断

请回顾基于工作日状态 $X$_i 与气温 $Z$_i 的体量 $Y$_i 的贝叶斯 Poisson 回归模型的似然结构：

$Y$_i $\sim Pois(l$_i) 其中 $l$_i$ \; = exp(a + b \; X$_i $+ c \; Z$_i$)$

您对该模型后验分布进行了 10,000 次迭代的 RJAGS 模拟，结果对象 poisson_sim 已在工作区中，同时还有马尔可夫链输出的数据框：

> head(poisson_chains, 2)
         a b.1.       b.2.          c
1 5.019807    0 -0.1222143 0.01405269
2 5.018642    0 -0.1217608 0.01407691

基于这 10,000 组关于参数 $a$、$b$ 与 $c$ 的后验可能取值，您将对在80 华氏度天的典型步道流量进行推断。

本练习是课程的一部分

使用 RJAGS 的贝叶斯建模

查看课程

练习说明

对 poisson_chains 中每组参数值，计算 80 华氏度周末日的典型步道流量 $l$。将这些趋势存入新变量 l_weekend（位于 poisson_chains）。
同样地，计算 80 华氏度工作日的典型步道流量。将其存入新变量 l_weekday。
分别计算 80 华氏度周末日与 80 华氏度工作日的典型流量的 95% 后验置信区间。

交互式实操练习

通过完成这段示例代码来试试这个练习。

# Calculate the typical volume on 80 degree weekends & 80 degree weekdays
poisson_chains <- poisson_chains %>% 
    mutate(l_weekend = exp(___ + ___ * 80)) %>% 
    mutate(l_weekday = exp(___ + ___ + ___ * 80))

# Construct a 95% CI for typical volume on 80 degree weekend


# Construct a 95% CI for typical volume on 80 degree weekday

编辑并运行代码