泊松后验预测

您的 l_weekday 变量反映了 80 度工作日流量的「趋势」：

> head(poisson_chains, 2)
       a b.1.    b.2.      c l_weekend l_weekday
1 5.0198    0 -0.1222 0.0141   465.924   412.324
2 5.0186    0 -0.1218 0.0141   466.284   412.829

既然已经理解了「趋势」，接下来就来做一些预测吧！更具体地，您将「预测」下一个 80 度工作日的步道使用量。为此，您需要考虑相对于趋势的个体变异性，它由似然 \(Y\)_i \(\sim Pois(l\)_i) 建模。

使用样本量为 n、速率参数为 lambda 的 rpois(n, lambda)，您将针对 poisson_chains 中每一个后验可行趋势值模拟对应的泊松分布流量预测。

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 10,000 个 l_weekday 值的每一个，使用 rpois() 预测 80 度工作日的流量。将结果存为 poisson_chains 中的 Y_weekday。
使用 ggplot() 绘制 Y_weekday 预测的密度图。
近似计算 80 度工作日流量小于 400 名用户的后验概率。

交互式实操练习

通过完成这段示例代码来试试这个练习。

# Simulate weekday predictions under each parameter set
poisson_chains <- poisson_chains %>% 
    mutate(Y_weekday = rpois(n = ___, lambda = ___))
    
# Construct a density plot of the posterior weekday predictions
ggplot(___, aes(x = ___)) + 
    geom_density()
    
# Posterior probability that weekday volume is less 400
mean(___)

编辑并运行代码