model{
for (i in 1:n){
y[i,1:5]~ dmnorm( mu[], T[,] )
}
index ~ dcat(Prob[])
for (i in 1:H) {
x_spike
~ dnorm(1,1.0E10)
x_slap ~ dnorm(0.98,50)
lambda <- Index[index,i]
x[i,1] <- (1- lambda)* x_spike + lambda* x_slap
}
for (i in 1:P){
mu <- inprod(A[i,],x[,])+ A0[i,1]
}
T[1:P,1:P] <- inverse(V[,])
}
不是统计专业的，为这个程序折腾好久了，还是没解决，希望能得到大家的帮助。模型很简单，数据比较多，就不往上贴了。
模型其实是个线性高斯模型，已知y[] 估计 x[] ,y[]是5维的，x[]是7维的。但这个未知的X[]，并不总是7维的，也就是说有时候其中的个别元素，如x[1],...等是基本上确定（已知的），所谓的确定，实际上就是先验信息很多，对这个元素基本上已经已知了，所以在程序里用了一个 方差非常小的先验分布来赋初值（x_spike ~ dnorm(1,1.0E10) ），相当于把这个值固定在1左右了。但实际中，我也不确定那个元素在1附件的，所以程序里加了一个随机变量， index，这个随机量服从catgalory distribution （ index ~ dcat(Prob[])）, 随机的决定那个元素在1附近的很小区域内（x_spike ~ dnorm(1,1.0E10) ），剩下的分布在较广的区间内（ x_slap ~ dnorm(0.98,50)），这个其实就是所谓的Bayesian Model Averaging。（我感觉说的很乱啊，不知道大家冥明白我意思不？）
现在的问题是，我这个index应该在1～128之间等概率的取值（Prob[1：128] = 1/128），但结果过总是只有97，98和99这三个数，真是奇怪了，不知道为什么？问题出在什么地方？
扫码加好友，拉您进群
全部版块
我的主页
收藏
