winbugs14

    0熱度

    1回答

    我現在正在使用包含兩個組件的混合模型:正態和對數正態以適應矢量。 我嘗試使用JAGS,這裏是代碼: model { for(i in 1:N) { y[i] <- latent[i,index[i]+1] index[i] ~dbern(pi) latent[i,1]~ dlnorm(mu1,tau1) latent[i,2]~ dnorm(mu2

    2熱度

    1回答

    我有一個與R代碼有關的問題,它調用了BUGS。我已經在WinBUGS中運行該模型,它運行良好,給我預期的結果。以下是當我有單個結果或Y的單變量數據時使用的自動化代碼。現在我想用它來獲得多個結果。我嘗試了一種閱讀數據的不同方式。有2個模擬測試,從csv文件中讀取。不確定在代碼中指定的位置,以便可以爲2個結果而不是1個結果重複相同的過程。 setwd( 「C://蒂娜/ USB_Backup_0422

    0熱度

    1回答

    編譯期間,我收到一個錯誤消息,說「多變量分佈必須有多個組件」,我無法獲得有關此錯誤的更多信息。任何人有任何想法如何解決這個問題,請分享。謝謝。 model { for(i in 1:n) { for(j in 1:J) { log(mu[i,j]) <- beta1[j]*x1[i] + beta2[j]*x2[i] + b[i,j] }

    0熱度

    1回答

    好吧我只是重寫我的代碼。現在的問題是,當我編譯它,我得到一個錯誤「節點a的多重定義」。有誰知道我的代碼有什麼問題。我爲模型創建了變量a,b和c,但沒有多少常量。 model{ for(i in 1:n){ a <- (k[1] + step(s1[i]-.9)*k[2] + step(s1[i]*.5-.9)*k[3]) b <- (r[1] + s

    1熱度

    1回答

    我想用4個元素編碼2X2矩陣西格馬。不知道如何在WINBUGS中編碼。我的目標是獲得後驗p,它們的均值和方差,並創建一個由兩個後驗p覆蓋的橢圓區域。下面是我的代碼: model{ #likelihood for(j in 1 : Nf){ p1[j, 1:2 ] ~ dmnorm(gamma[1:2], T[1:2 ,1:2]) for (i in 1:2){ logit(p[

    0熱度

    1回答

    這篇文章涉及到我以前的文章(How to code a matrix in WinBUGS?)。爲新的問題道歉,因爲這是一個新問題。我收到錯誤multiple definitions of node ell[1,2]。我不知道如何解決它。以下是代碼和重現性數據集。 model { #likelihood for(j in 1 : Nf){ p1[j, 1:2 ] ~

    6熱度

    2回答

    的參數的全部邊緣分佈: schools_code <- ' data { int<lower=0> J; // number of schools real y[J]; // estimated treatment effects real<lower=0> sigma[J]; // s.e. of effect estimates } paramete

    0熱度

    1回答

    如果我通過腳本在Winbugs14中運行我的模型,那麼用於細化或繪製箱形圖的命令是什麼?我知道一些基本的命令,例如: set(x) update(1000) density(alpha) ,但我無法找到變薄,或繪圖模型擬合,或Winbugs14文檔繪製箱線圖的命令。有任何想法嗎?

    1熱度

    1回答

    我正在嘗試使用R2OpenBUGS庫評估來自R的分層模型。 相關變量是: Ñ = 191, p = 4, ķ = 1, X = N * P矩陣(即191 * 4)的值, T0 = K *(X」 * X), Ŷ =具有長度爲N的連續數據的矢量, MU0 =的4個零向量(即C(0,0,0,0)), 概率 = 0.5(即C(0.5,0.5,0.5,0.5))的4個概率向量, indimodel =矢量的

    0熱度

    1回答

    我正在使用WinBUGS軟件包處理不同的項目功能模型。我已經成功構建了更簡單的模型,但我也收到了錯誤「期望收集操作符c」。 如果你能幫忙,我會很高興。 # Model Model { for (j in 1:40){ for (k in 1:5){ y[j,k] ~ dbern(p[j,k]) logit(p[j,k])<- u2[j] - beta[k] + gamma[k]*gr