사후 예측

RJAGS로 배우는 Bayesian 모델링

Alicia Johnson

Associate Professor, Macalester College

사후 추세

$Y \sim N(m, s^2)$
$m = a + b X$

사후 추세

$Y \sim N(m, s^2)$
$m = a + b X$

사후 평균 추세
$m = -104.038 + 1.012 X$

키 = 180 cm일 때 사후 추세

$Y \sim N(m, s^2)$
$m = a + b X$

사후 평균 추세
$m = -104.038 + 1.012 X$

-104.038 + 1.012 * 180

78.122

키 = 180 cm일 때 사후 추세 추정

-104.038 + 1.012 * 180

78.122

head(weight_chains)

          a        b        s
1 -113.9029 1.072505 8.772007
2 -115.0644 1.077914 8.986393
3 -114.6958 1.077130 9.679812
4 -115.0568 1.072668 8.814403
5 -114.0782 1.071775 8.895299
6 -114.3271 1.069477 9.016185

-104.038 + 1.012 * 180

78.122

weight_chains <- weight_chains  %>% mutate(m_180 = a + b * 180)
head(weight_chains)

          a        b        s      m_180
1 -113.9029 1.072505 8.772007   79.14803
2 -115.0644 1.077914 8.986393   78.96014
3 -114.6958 1.077130 9.679812   79.18771
4 -115.0568 1.072668 8.814403   78.02352
5 -114.0782 1.071775 8.895299   78.84138
6 -114.3271 1.069477 9.016185   78.17877

-113.9029 + 1.072505 * 180

79.148

추세의 사후 분포

-104.038 + 1.012 * 180

78.122

head(weight_chains$m_180)

사후 추세의 신용 구간

-104.038 + 1.012 * 180

78.122

head(weight_chains$m_180)

quantile(weight_chains$m_180, 
    c(0.025, 0.975))

    2.5%    97.5% 
76.95054 79.23619

사후 추세 시각화

-104.038 + 1.012 * 180

78.122

head(weight_chains$m_180)

quantile(weight_chains$m_180, 
    c(0.025, 0.975))

    2.5%    97.5% 
76.95054 79.23619

사후 추세 vs 사후 예측

키 180 cm인 모든 성인의 사후 평균 체중 (추세)

-104.038 + 1.012 * 180

78.122

키 180 cm인 특정 성인의 사후 예측 체중

-104.038 + 1.012 * 180

78.122

$Y \sim N(m_{180}, s^2)$ $m_{180} = a + b * 180$

head(weight_chains, 3)

          a        b        s      m_180
1 -113.9029 1.072505 8.772007   79.14803
2 -115.0644 1.077914 8.986393   78.96014
3 -114.6958 1.077130 9.679812   79.18771

set.seed(2000)
rnorm(n = 1, mean = 79.14803, sd = 8.772007)

71.65811

rnorm(n = 1, mean = 78.96014, sd = 8.986393)

75.78894

rnorm(n = 1, mean = 79.18771, sd = 9.679812)

87.80419

사후 예측 분포

사후 예측 구간

연습해 봅시다!

RJAGS로 배우는 Bayesian 모델링