Modelado bayesiano con RJAGS

Los modelos bayesianos combinan conocimientos previos con la información de los datos observados para formar conocimientos actualizados, o posteriores, sobre un parámetro. En este capítulo, repasarás estos conceptos bayesianos en el contexto del modelo Beta-Binomial, base para un parámetro de proporción. También aprenderás a usar el paquete rjags para definir, compilar y simular este modelo en R.

El modelo bayesiano Normal-Normal de dos parámetros ofrece una base sencilla para los modelos de regresión Normal. En este capítulo, diseñarás el Normal-Normal y definirás, compilarás y simularás este modelo usando rjags. También explorarás el funcionamiento de las cadenas de Markov que hay detrás de la simulación con rjags.

En este capítulo, ampliarás el modelo Normal-Normal a un modelo de regresión bayesiana sencillo. En este contexto, verás cómo usar la salida de la simulación de rjags para llevar a cabo inferencia posterior. En concreto, construirás estimaciones posteriores de los parámetros de regresión usando medias posteriores e intervalos creíbles, pondrás a prueba hipótesis usando probabilidades posteriores y construirás distribuciones predictivas posteriores para nuevas observaciones.

En este último capítulo, generalizarás el modelo de regresión Normal simple para aplicarlo en contextos más amplios. Incorporarás predictores categóricos, diseñarás un modelo de regresión multivariante con dos predictores y, por último, ampliarás esta metodología a modelos de regresión multivariante de Poisson para variables de conteo.