내 바이너리 데이터에 대해 다 변수 Probit 모델을 모델링하려고합니다. 나는 모든 것을 시도했지만 WinBUGS 대신이 오류가 발생합니다. 아이디어 나 제안을 따뜻하게 환영합니다.WinBUGS 오류 : 벡터 값이있는 관계 z 변수의 연속 요소가 포함되어야합니다.
모델 {(전 1 : NS)에 대한 는 {## 연구를 통해 루프는
for (k in 1:2){ ### loop over arm
for (j in 1:2){ ### loop over outcomes
r[i,k,j] ~ dbin(p[i,k,j],n[i,k,j]); ## Likelihood Function
p[i,k,j] <- phi(z[i,k,j])
z[i,k,1:2] ~ dmnorm(theta[i,1:2],with[i,,])I(-5, 5) #latent variable (z<0) or Probit link
theta[i,1] <- alpha[i,k,1] + beta[i,k,1]
theta[i,2] <- alpha[i,k,2] + beta[i,k,2]
} ###Close loop over outcomes
} ###Close loop over arms
alpha[i,2,1] <- 0
alpha[i,2,2] <- 0
alpha[i,1,1:2] ~ dnorm(0,.0001)
beta[i,2,1:2] ~ dmnorm(d[1:2],prec[,])
beta[i,1,1] <- 0
beta[i,1,2] <- 0
## priors on within study cov matrix
with[i,1:2,1:2] <- inverse(cov.mat[i,1:2,1:2])
#define elements of within-study covariance matrix
cov.mat[i,1,1] <- 1
cov.mat[i,2,2] <- 1
### prior from IPD data ######
cov.mat[i,1,2] ~ dbeta(a[i],b[i])
cov.mat[i,2,1] <- cov.mat[i,1,2]
a[i]<-31.97
b[i]<- 4.52
}#### Close loop over studies
for (i in 1:2) {
d[i] ~ dnorm(0.0000E+00, 0.0001) # overall treatment effects
}
## priors on between study cov matrix
prec[1:2,1:2]<-inverse(tau[1:2,1:2])
pi<-3.14/2
a1~dunif(0, pi)
rho.tau<-cos(a1)
sd[1]~dunif(0,2)
sd[2]~dunif(0,2)
tau[1,1]<-pow(sd[1],2)
tau[2,2]<-pow(sd[2],2)
tau[2,1]<-tau[1,2]
tau[1,2]<-sd[1]*sd[2]*rho.tau
} #END MODEL
이 내 데이터입니다
list(ns=2)
t[,1,1] t[,1,2] t[,2,1] t[,2,2] r[,1,1] n[,1,1] r[,2,1] n[,2,1] r[,1,2] n[,1,2] r[,2,2] n[,2,2]
1 0 1 0 19 77 23 77 60 82 70 82
1 0 1 0 27 199 54 199 231 393 318 393
END
모델은 문법적으로 정확하고 그것은 날 수 있습니다 데이터를로드하십시오. 일단 컴파일하면 제목에 오류가 발생합니다. 주어진 도움을 주셔서 감사합니다
답장을 보내 주셔서 감사합니다. 두 가지 이진 결과 측정을 함께 메타 분석하려고합니다. i 번째 연구 (i = 1, ... n), k 번째 팔 (j = 1, 2) 및 j 번째 결과 (j = 1, 2)의 환자 수인 r_ikj가 있습니다.) 누가 treament에 반응했고, 나는이 양이 rikj ~ Bin (p_ikj, n_ikj)와 같은 이항 분포를 따른다고 가정했다. 나는 각 연구, 팔 및 결과에 대한 총 환자 수를 가졌고, 실제 라인을 통해 p_ikj를 매핑하기 위해 probit 모델을 사용하기로 결정했습니다. p_ikj의 =의 φ (α_ij + β_ikj · x_k) 곳 z_ikj = α_ij + β_ikj · x_k + e_ikj, – statsmess
그때 생각이 e_ik = (ik1, ik2) '~ BV N (0, R) 세타 α_i1 + β_ik1 · x_k의 벡터와 동일 되는 (zik1, zik2) '~BN 의미 ∀i, K, J, (쎄타, SIGMA) α_i2 + β_ik2 · x_k 및 시그마는 대각선 요소에 1을, 오프 대각선에 rho를 갖는 상관 행렬입니다. 코드를 수정 했으므로 처음 게시물을 편집하여 어떻게 수행했는지 보여 주려고합니다. 아직도 일하지 않습니다. – statsmess