小妹现在做毕业论文，根据发病数运用HMM预测疾病的流行状态，大体上就是根据可见的发病数（第i个地区t天的发病数x[t,i]）来发现不可见的疾病状态（暴发/未暴发，），以及状态在时间上的排列顺序，达到知道疾病的流行状态。所以需要估计模型的参数如初始时刻在暴发/未暴发状态（ z[1,i] =1/0）的概率，以及两个状态之间的转移概率，还有就是分布在两个状态下产生该发病数的概率，然后就model这个程序。是我根据一个winbugs程序改的（去掉了原来的空间信息），data步的数据是我模拟的
model
{                                                                       # model for initial time period t=1
   for (t in 1:1) {                                               
                       for (i in 1:Ndist)  
                            {                                               # Ndist areas
                           z[1,i] ~ dcat(pInit[1,i,1:K])                              
                                                                  # hidden state z in one of K(=2) states,,ȡֵΪ1¡¢2
                           pInit[1,i,1:K] ~ ddirch(alpha[1:K])                     # initial probability of being in state z
                           x[1,i] ~ dpois(mu[z[1,i]])                                 # different poisson mean for eachstate
                               }
                         }
                                                                           
                                                                                               # model for subsequent periods
   for (t in 2:Time) {
                        for (i in 1:Ndist)
                          {
                          z[t,i] ~ dcat(p[z[t-1,i],1:K])
                          x[t,i] ~ dpois(mu[z[t,i]])
                                             }
                        }
                                                                                  # priors on Poisson parameters of latent classes
mu[1] ~ dgamma( 40,20)
mu[2] ~ dgamma( 250,50) I(mu[1],)
                                                                   # prior on transition matrix (gamma equivalent to Dirichlet)
for(k in 1 : K) {
                      for(l in 1 : K) {
                                           p[k,l] <- px[k,l]/sum(px[k,])
                                           px[k,l] ~ dgamma(alpha[l],1)
                                          }
                      }
                                                                                      # equilibrium allocation
pi[1] <- p[1,2]/(p[1,2]+p[2,1])
pi[2] <- 1-pi[1]
for(l in 1 : K) { alpha[l]~ dbeta(0.5,0.5)  }
}
Data
list(Ndist=5,Time=5, K=2,
      x=structure(
      .Data=c(0,1,1,2,2,
                    1,2,1,0,3,
                    0.1,1,2,2,4,
                    2,1,2,4,5,
                    1,2,2,1,3),
      .Dim=c(5,5)
       ))

Inits list(alpha[1] =0.1, alpha[2] =0.1,mu[1]=0,05,mu[2]=0.05)

现在的问题是：
1.在自动产生初值的情况下运行的结果是：Dirichlet35，看不懂了，不晓得是不是因为这个数据是我模拟的原因
2.mu[2] ~ dgamma( 250.50) I(mu[1],)  没看懂这个I(mu[1],)附在mu[2] 的分布后面是什么意思
3.for(k in 1 : K) {
                      for(l in 1 : K) {
                                           p[k,l] <- px[k,l]/sum(px[k,])
                                           px[k,l] ~ dgamma(alpha[l],1)
                                          }
                      }
  是  for (t in 2:Time) 的p[z[t-1,i],1:K]的分布定义，正文中有提到在t>2的时候gamma分布等同于t=1时的dirchlet分布
   然后我自己定义了alpha[l]~ dbeta(0.5,0.5) ，才能compile，不晓得适当不？