1    Project

For the final project for the course, your assignment is essentially to perform a complete Bayesian data analysis on data of your choice. The final project is worth 10% of the final grade, so think of it as the equivalent of about a week and a half of course work.

2    Procedure and Dates

• Submit your project via Canvas.   The submission consists of four  (in some cases, three) things:

1. An R Markdown file ( .Rmd).

2.  *Any necessary data file(s) that you used (see below).

3. A Notebook file  ( .html).   The idea is that the TAs and I should be able to execute your .Rmd file, with the submitted data file(s) placed in the same folder, and completely reproduce this .html file.  (Note: if you’re sourcing the data file

directly from some web address, then there is no need to submit the data file, so long as the .Rmd file can reproduce the .html file.)

4. A one-minute video (minimum 55 seconds, maximum 65 seconds) in which you present your project.

• Your entire submission is due at noon, Wednesday December 14, 2022.

• This is an individual, not a group, project.

• Do not use a dataset that you have used in this or any other course.

• I expect that you will discuss this project with others, but please avoid using datasets in common (I realize that might still happen by coincidence).  All of the work sub- mitted must be your own. Be sure to credit the sources of your data and any other material – it is better to over-credit than to under-credit. If you have any questions about properly crediting others’ work, you should contact me about it.

• The last lines of your R Markdown file should be  “On my honor, I have neither received nor given any unauthorized assistance on this project”, followed by your name.

3    Required Elements

• Make clear where the dataset comes from, and include a description of the dataset.

• Include more than one predictor variable.

• Include trace plots,  Rˆ values,  and effective sample sizes to demonstrate that the MCMC process has worked well.

• Summarize posteriors, both numerically and graphically.

• Include a posterior predictive check.

• Use your model to make predictions at some particular set of predictor values.

• Include some interpretation of your results.

• Since the TAs and I will be reading your code, your code should be easy to understand

– use spaces, don’t be shy about using new lines, and don’t use names like x when you could use variable names like income.

• All of your project should be written up in an R Markdown (i.e., .Rmd) file in which you mix text (outside of the code chunks) and code (inside the code chunks).

In addition, for your one-minute video presentation, you’re expected to give a  brief yet complete  presentation on all aspects of your analysis.  You will be assessed based on the comprehensiveness, coherence, and precision of your presentation. Adhere to the time limit.  (Just to give you an idea, a typical person can speak about 140 English words per minute, give or take about 30 words.)

Roughly speaking, your presentation video constitutes about 30% of your project grade. However, the grading of the project will be done holistically, taking all aspects into account.

4    Additional Elements

The following will elements are not required, but will favorably affect your grade.  An A on the project is not possible if none of these elements are included.

• A binary or count variable as the outcome.

• A hierarchical model.