mtcars-post2

bayes

regression

post

exam-22

qm2

mtcars

qm2-pruefung2023

Published

January 11, 2023

Aufgabe

Im Datensatz mtcars: Wie groß ist der Effekt der UV vs auf die AV mpg? Geben Sie die Breite des 95% PI an (im Bezug zur gesuchten Größe). Berechnen Sie das dazu passende Modell mit Methoden der Bayes-Statistik.

Wählen Sie die am besten passende Option:

Answerlist

0.7
2.7
4.7
6.7
8.7

Lösung

Setup:

data(mtcars)
library(tidyverse)
library(rstanarm)
library(easystats)

Modell berechnen:

m1 <- stan_glm(mpg ~ vs, data = mtcars,
               seed = 42,
               refresh = 0)

95%-PI:

post_m1_vs <- parameters(m1)
post_m1_vs

Parameter	Median	CI	CI_low	CI_high	pd	Rhat	ESS	Prior_Distribution	Prior_Location	Prior_Scale
(Intercept)	16.630748	0.95	14.470104	18.88016	1	0.999871	3893.829	normal	20.09062	15.06737
vs	7.912506	0.95	4.603783	11.26223	1	1.000498	3797.040	normal	0.00000	29.89462

Berechnen wir die Breite des Intervalls:

breite <- 11.26 - 4.60
breite

[1] 6.66

Die Antwort für lautet also 6.66.

Answerlist

Falsch
Falsch
Falsch
Wahr
Falsch

Categories:

bayes
regression
post
exam-22

---
extype: schoice
exsolution: 8
exname: mtcars-post2
categories:
- bayes
- regression
- post
- exam-22
- qm2
- mtcars
- qm2-pruefung2023
date: '2023-01-11'
slug: mtcars-post2
title: mtcars-post2

---





```{r global-knitr-options, include=FALSE, message=FALSE}
knitr::opts_chunk$set(fig.pos = 'H',
                      fig.asp = 0.618,
                      fig.width = 4,
                      fig.cap = "", 
                      fig.path = "",
                      echo = TRUE,
                      message = FALSE,
                      fig.show = "hold")

library(tidyverse)
options(mc.cores = parallel::detectCores())

```





# Aufgabe



Im Datensatz `mtcars`: Wie groß ist der Effekt der UV `vs`  auf die AV `mpg`?  Geben Sie die Breite des 95% PI an (im Bezug zur gesuchten Größe).
Berechnen Sie das dazu passende Modell mit Methoden der Bayes-Statistik.


[Hinweise](https://start-bayes.netlify.app/pruefung#bearbeitungshinweise)


Wählen Sie die am besten passende Option:

Answerlist
----------

* 0.7
* 2.7
* 4.7
* 6.7
* 8.7


</br>
</br>
</br>
</br>
</br>
</br>
</br>
</br>
</br>
</br>

# Lösung


Setup:

```{r message = FALSE}
data(mtcars)
library(tidyverse)
library(rstanarm)
library(easystats) 
```




Modell berechnen:

```{r}
m1 <- stan_glm(mpg ~ vs, data = mtcars,
               seed = 42,
               refresh = 0)
```



95%-PI:

```{r}
post_m1_vs <- parameters(m1)
post_m1_vs
```

Berechnen wir die Breite des Intervalls:

```{r}
breite <- 11.26 - 4.60
breite
```



Die Antwort für lautet also `r breite`.



Answerlist
----------

* Falsch
* Falsch
* Falsch
* Wahr
* Falsch






---

Categories: 

- bayes
- regression
- post
- exam-22