ppv3a-num

qm2
bayes
ppv
inference
prediction
Published

July 14, 2026

Question

Im Folgenden ist der Datensatz airquality zu analysieren. Er ist unter dieser Quelle erhältlich: https://vincentarelbundock.github.io/Rdatasets/csv/datasets/airquality.csv.

Eine Möglichkeit, den Datensatz zu beziehen, ist diese Sammlung an Datensätzen. Suchen Sie dort nach dem Namen des Datensatzes. Importieren Sie dann die Daten in R.

Hilfe zum Datensatz ist auf dieser Webseite abrufbar.

Berechnen Sie das folgende lineare Modell:

AV: Ozone.

UVs: Month, Temp.

Denken Sie daran, auch beim Erstellen der PPV die Zufallszahlen zu fixieren. Sie können dazu den Parameter seed auf 42 setzen.

Aufgabe: Geben Sie die Breite des 50%-PI der PPV an für eine Beobachtung, bei der alle Prädiktoren den Wert 0 aufweisen! Gehen Sie für alle Variablen von z-Werten aus.

Hinweise:

Beachten Sie die Bearbeitungshinweise.

Solution

MUSTERLÖSUNG

Der Datensatz heißt:

d_name
[1] "airquality"

Quelle: https://vincentarelbundock.github.io/Rdatasets/csv/datasets/airquality.csv.

Prädiktor(en) und AV z-transformieren:

head(d)  # Rohdaten
av uv1 uv2
41 5 67
36 5 72
12 5 74
18 5 62
NA 5 56
28 5 66
d <- standardize(d)
head(d)  # z-standardisiert
av uv1 uv2
-0.0342341 -1.407294 -1.1497140
-0.1858049 -1.407294 -0.6214670
-0.9133447 -1.407294 -0.4101682
-0.7314598 -1.407294 -1.6779609
NA -1.407294 -2.3118573
-0.4283182 -1.407294 -1.2553634

Die Prädiktoren (UVs) des Modells lauten: Month, Temp.

Laut Angabe haben die Prädiktoren den Wert 0.

Zunächst berechnet man das Modell, etwa so:

mod <- stan_glm(av ~ uv1 + uv2, 
                data = d, 
                refresh = 0,
                chains = 4,  # ignorieren Sie diese Zeile
                seed = 42)

Als nächstes berechnen Sie die PPV, z.B. so ppv <- estimate_prediction(mod, newdata = tibble(Month = 0, Temp = 0, seed = 42)).

estimate_prediction(mod, tibble(uv1 = preds_k, uv2 = preds_k), ci = .5, seed = 42)
uv1 uv2 Predicted SE CI_low CI_high
0 0 0.0135844 0.719092 -0.4552091 0.4997811
uv1 uv2 Predicted SE CI_low CI_high
0 0 0.0135844 0.719092 -0.4552091 0.4997811

Dann berechnet man die Breite, in dem man die Differenz der oberen und unteren Grenze des Intervalls bildet.

sol_raw <- ppv$CI_high - ppv$CI_low
sol <- exams::fmt(sol_raw, 2)

Antwort: Die Lösung lautet: 0.95.


Aufgaben-ID: PPV3a-num, Toleranzbreite: 0.050

Aufgabenname: ppv3a-num

Meta-information

exname: ppv3a-num extype: num exsolution: 0.95 exshuffle: false extol: 0.050 expoints: 1 categories - qm2 - bayes - ppv - inference - prediction