Accéder au contenu principal

Cours

Modélisation bayésienne avec RJAGS

AvancéNiveau de compétence

Actualisé 07/2022

Dans ce cours, vous apprendrez à mettre en œuvre des modèles bayésiens plus avancés à l'aide de RJAGS.

Commencer le cours gratuitement

RProbability & Statistics

4 h

15 vidéos

58 Exercices

4,650 XP

7,792

Certificat de formation

Apprécié par des utilisateurs provenant de milliers d'entreprises

Former une équipe ?

Essayez pour les entreprises

Description du cours

L’approche bayésienne des statistiques et du Machine Learning est logique, flexible et intuitive. Dans ce cours, vous allez concevoir et analyser une famille de modèles bayésiens fondamentaux et généralisables. Leur portée va de modèles élémentaires à un paramètre à des modèles intermédiaires de régression multivariée et de régression linéaire généralisée. La popularité de ces modèles bayésiens a augmenté avec la disponibilité des ressources de calcul nécessaires à leur mise en œuvre. Vous utiliserez l’une de ces ressources : le package rjags dans R. En combinant la puissance de R avec le moteur JAGS (Just Another Gibbs Sampler), rjags offre un cadre pour la modélisation, l’inférence et la prédiction bayésiennes.

Prérequis

Fundamentals of Bayesian Data Analysis in R Introduction to the Tidyverse

1

Introduction to Bayesian Modeling

Bayesian models combine prior insights with insights from observed data to form updated, posterior insights about a parameter. In this chapter, you will review these Bayesian concepts in the context of the foundational Beta-Binomial model for a proportion parameter. You will also learn how to use the rjags package to define, compile, and simulate this model in R.

The prior model

Simulating a Beta prior

Comparing & contrasting Beta priors

Which prior?

Data & the likelihood

Simulating the dependence of X on p

Approximating the likelihood function

Interpreting the likelihood function

The posterior model

Define, compile, and simulate

Updating the posterior

Influence of the prior & data on the posterior

Commencer le chapitre

2

Bayesian Models & Markov Chains

The two-parameter Normal-Normal Bayesian model provides a simple foundation for Normal regression models. In this chapter, you will engineer the Normal-Normal and define, compile, and simulate this model using rjags. You will also explore the magic of the Markov chain mechanics behind rjags simulation.

The Normal-Normal model

Normal-Normal priors

Sleep study data

Insights from the prior and data

Simulating the Normal-Normal in RJAGS

Define, compile, & simulate the Normal-Normal

Posterior insights on sleep deprivation

Markov chains

Storing Markov chains

Markov chain trace plots

Markov chain density plots

Markov chain diagnostics & reproducibility

Multiple chains

Naive standard errors

Reproducibility

Commencer le chapitre

3

Bayesian Inference & Prediction

In this chapter, you will extend the Normal-Normal model to a simple Bayesian regression model. Within this context, you will explore how to use rjags simulation output to conduct posterior inference. Specifically, you will construct posterior estimates of regression parameters using posterior means & credible intervals, you will test hypotheses using posterior probabilities, and you will construct posterior predictive distributions for new observations.

A simple Bayesian regression model

Regression priors

Visualizing the regression priors

Weight & height data

Bayesian regression in RJAGS

Define, compile, & simulate the regression model

Regression Markov chains

Posterior estimation & inference

Posterior point estimates

Posterior credible intervals

Posterior probabilities

Posterior prediction

Inference for the posterior trend

Calculating posterior predictions

Posterior predictive distribution

Commencer le chapitre

4

Multivariate & Generalized Linear Models

In this final chapter, you will generalize the simple Normal regression model for application in broader contexts. You will incorporate categorical predictors, engineer a multivariate regression model with two predictors, and finally extend this methodology to Poisson multivariate regression models for count variables.

Bayesian regression with a categorical predictor

RailTrail sample data

RJAGS simulation with categorical variables

Interpreting categorical coefficients

Inference for volume by weekday

Multivariate Bayesian regression

Re-examining the RailTrail data

RJAGS simulation for multivariate regression

Interpreting multivariate regression parameters

Posterior inference for multivariate regression

Bayesian Poisson regression

RJAGS simulation for Poisson regression

Plotting the Poisson regression model

Inference for the Poisson rate parameter

Poisson posterior prediction

Commencer le chapitre

Modélisation bayésienne avec RJAGS

Cours
terminé

Obtenez un certificat de réussite

Ajoutez cette certification à votre profil LinkedIn, à votre CV ou à votre portfolio
Partagez-la sur les réseaux sociaux et dans votre évaluation de performanceS'inscrire maintenant

Rejoignez plus de 19 millions d'utilisateurs et commencez Modélisation bayésienne avec RJAGS dès aujourd'hui !

Apprenez où que vous soyez avec l'application DataCamp

Progressez où que vous soyez grâce à nos cours conçus pour mobile et à nos défis quotidiens de 5 minutes.