Попытка переопределить узел p[1,1] при добавлении ковариат в модель бета-биномиальной смеси
Я продолжаю получать указанную выше ошибку, когда пытаюсь добавить ковариаты обнаружения в модель бета-биномиальной N-смеси в лохмотьях. Согласно Ройлу (2004). Биномиальная модель смеси азота может использоваться для моделирования данных о численности, полученных в результате повторных учетных съемок. Количество людей на сайте может быть смоделировано с помощью модели Пуассона [для простоты я буду придерживаться только модели Пуассона] таким образом, что;
N i ~ Пуассона (λ i )
y это ~ бин (p это , N я )
N i - количество животных, доступных на сайте i
y it - количество наблюдаемых животных на участке, который я посещаю t
λ i - среднее количество животных на участке i
p it - вероятность обнаружения.
Ковариатные эффекты можно смоделировать как:
Изобилие:
log(λi)= B0+ B1xi1 +...+B r xir , где 1...r — ковариаты
обнаружение:
logit(pit)= B0+ B1xi1 +...+B r xir , где 1...r — ковариаты
Вероятность обнаружения p предполагается постоянной для всех присутствующих животных.
** Бета-биномиальная модель облегчает это предположение*, позволяя p вместо этого следовать стохастическому распределению, так что
p i't ~ Beta(pit(1-δ2)/δ2,(1-pit)(1-δ2)/δ2
для 0<δ<1
Я попытался реализовать модель с смоделированными данными:
20 сайтов, 5 посещений, ковариация сайта = местоположение и 2 наблюдаемые ковариаты.
смоделированные данные
library(modelr)
Location<-c("A","B","C","D")
Location<-data.frame(Location=rep(Location,5))
location=Location%>%model_matrix(~Location)%>%select(-1)
set.seed(100)
y<-matrix(rpois(100,0.5),ncol=5)
# Cov1
set.seed(100)
cov1<-matrix(rnorm(100,100,5),ncol=5)
# cov 2
set.seed(100)
cov2<-matrix(rnorm(100,50,2),ncol=5)
data<-list(y=y,
nSites=20,
nOcc=5,
location=location,
cov1=cov1,
cov2=cov2)
если я попытаюсь оценить эту модель в rjags без ковариатных эффектов для обнаружения, это сработает.
nx<-"
model{
for(i in 1:nSites) {
# Biological model
N[i] ~ dpois(lambda[i])
log(lambda[i])<-alphao+inprod(alpha, location[i,])
# Observation model
for(j in 1:nOcc) {
C[i,j] ~ dbin(p[i,j], N[i])
p[i,j]~ dbeta(1,1)
}
}
# Priors
alphao ~ dnorm(5,1)
for(i in 1:nA){
alpha[i] ~ dnorm(2,.5)
}
pit_h ~ dunif(0,1)
sigma ~ dunif(0,1)
fac <-(1-sigma^2)/sigma^2
A<- pit_h*fac
B<-(1-pit_h)*fac
}"
writeLines(nx,con="mod.txt")
watch=c("alpha0","alpha","lambda","pit_h")
mod<-jagsUI::jags(data,
parameters.to.save=watch,
model.file="C:/Users/user/Documents/mod.txt",n.iter=3,
n.chains=2)
уступающий
JAGS output for model 'C:/Users/user/Documents/mod.txt', generated by jagsUI.
Estimates based on 2 chains of 3 iterations,
adaptation = 100 iterations (sufficient),
burn-in = 0 iterations and thin rate = 1,
yielding 6 total samples from the joint posterior.
MCMC ran for 0.166 minutes at time 2022-04-02 21:11:21.
mean sd 2.5% 50% 97.5% overlap0 f Rhat n.eff
alpha[1] 2.355 1.476 0.785 1.962 4.319 FALSE 1 0.990 6
alpha[2] 2.800 1.441 0.766 2.974 4.435 FALSE 1 0.854 6
alpha[3] 2.919 1.568 0.810 2.941 4.757 FALSE 1 0.838 6
lambda[1] 195.074 131.799 41.549 208.461 333.312 FALSE 1 0.844 6
lambda[2] 3060.224 3984.560 326.627 1431.883 9905.889 FALSE 1 1.494 5
lambda[3] 9518.864 11955.073 111.455 5098.236 28641.383 FALSE 1 0.958 6
lambda[4] 8610.148 8704.268 116.832 6850.301 20351.308 FALSE 1 0.896 6
lambda[5] 195.074 131.799 41.549 208.461 333.312 FALSE 1 0.844 6
lambda[6] 3060.224 3984.560 326.627 1431.883 9905.889 FALSE 1 1.494 5
lambda[7] 9518.864 11955.073 111.455 5098.236 28641.383 FALSE 1 0.958 6
lambda[8] 8610.148 8704.268 116.832 6850.301 20351.308 FALSE 1 0.896 6
lambda[9] 195.074 131.799 41.549 208.461 333.312 FALSE 1 0.844 6
lambda[10] 3060.224 3984.560 326.627 1431.883 9905.889 FALSE 1 1.494 5
lambda[11] 9518.864 11955.073 111.455 5098.236 28641.383 FALSE 1 0.958 6
lambda[12] 8610.148 8704.268 116.832 6850.301 20351.308 FALSE 1 0.896 6
lambda[13] 195.074 131.799 41.549 208.461 333.312 FALSE 1 0.844 6
lambda[14] 3060.224 3984.560 326.627 1431.883 9905.889 FALSE 1 1.494 5
lambda[15] 9518.864 11955.073 111.455 5098.236 28641.383 FALSE 1 0.958 6
lambda[16] 8610.148 8704.268 116.832 6850.301 20351.308 FALSE 1 0.896 6
lambda[17] 195.074 131.799 41.549 208.461 333.312 FALSE 1 0.844 6
lambda[18] 3060.224 3984.560 326.627 1431.883 9905.889 FALSE 1 1.494 5
lambda[19] 9518.864 11955.073 111.455 5098.236 28641.383 FALSE 1 0.958 6
lambda[20] 8610.148 8704.268 116.832 6850.301 20351.308 FALSE 1 0.896 6
pit_h 0.434 0.340 0.024 0.491 0.881 FALSE 1 0.967 6
**WARNING** Rhat values indicate convergence failure.
Rhat is the potential scale reduction factor (at convergence, Rhat=1).
For each parameter, n.eff is a crude measure of effective sample size.
overlap0 checks if 0 falls in the parameter's 95% credible interval.
f is the proportion of the posterior with the same sign as the mean;
i.e., our confidence that the parameter is positive or negative.
>
если я игнорирую стохастическое распределение p i ' t , это работает, на самом деле это постоянная яма, о которой я упоминал. все делают это на каждом уроке
Код
nx1<-"
model{
for(i in 1:nSites) {
# Biological model
N[i] ~ dpois(lambda[i])
log(lambda[i])<-alphao+inprod(alpha, location[i,])
# Observation model
for(j in 1:nOcc) {
C[i,j] ~ dbin(p[i,j], N[i])
#p[i,j]~ dbeta(1,1)
logit(p[i,j])<-beta0+inprod(beta1, location[i,])+inprod(beta2,c(cov1[i,j],cov2[i,j])) # beta1 are coefficients for loc, beta 2 are coef for other covs
}
}
# Priors
alphao ~ dnorm(5,1)
for(i in 1:3){
alpha[i] ~ dnorm(2,.5)
}
beta0 ~ dunif(0,0.5)
for(i in 1:3){
beta1[i] ~ dnorm(2,.5)
}
for(i in 1:2){
beta2[i] ~ dnorm(0.7,1)
}
pit_h ~ dunif(0,1)
sigma ~ dunif(0,1)
fac <-(1-sigma^2)/sigma^2
A<- pit_h*fac
B<-(1-pit_h)*fac
}"
writeLines(nx1,con="mod1.txt")
watch=c("alpha0","alpha","beta0","beta1","beta2","lambda","pit_h")
mod<-jagsUI::jags(data,
parameters.to.save=watch,
model.file="C:/Users/user/Documents/mod1.txt",n.iter=3,
n.chains=2)
уступающий
JAGS output for model 'C:/Users/user/Documents/mod1.txt', generated by jagsUI.
Estimates based on 2 chains of 3 iterations,
adaptation = 100 iterations (sufficient),
burn-in = 0 iterations and thin rate = 1,
yielding 6 total samples from the joint posterior.
MCMC ran for 0.029 minutes at time 2022-04-02 21:19:02.
mean sd 2.5% 50% 97.5% overlap0 f Rhat n.eff
alpha[1] 1.833 1.142 -0.050 2.039 2.809 TRUE 0.833 1.085 6
alpha[2] 2.328 1.648 0.461 2.241 4.634 FALSE 1.000 0.931 6
alpha[3] 2.308 0.591 1.882 2.075 3.306 FALSE 1.000 2.012 3
beta0 0.234 0.140 0.041 0.256 0.391 FALSE 1.000 0.984 6
beta1[1] 1.679 1.872 -0.019 0.828 4.194 TRUE 0.833 2.415 3
beta1[2] 1.983 0.572 1.226 2.054 2.724 FALSE 1.000 0.924 6
beta1[3] 1.184 2.221 -1.716 2.022 3.333 TRUE 0.667 1.533 4
beta2[1] 1.931 0.736 1.301 1.592 2.949 FALSE 1.000 1.909 3
beta2[2] 0.079 0.789 -0.988 0.272 0.871 TRUE 0.667 0.855 6
lambda[1] 283.702 327.675 96.299 166.285 853.559 FALSE 1.000 1.382 5
lambda[2] 2215.821 1754.254 190.467 2134.896 4482.595 FALSE 1.000 1.303 5
lambda[3] 20986.924 48155.609 319.250 1187.748 104778.837 FALSE 1.000 1.306 6
lambda[4] 2488.915 1964.987 924.619 1971.019 5782.935 FALSE 1.000 1.050 6
lambda[5] 283.702 327.675 96.299 166.285 853.559 FALSE 1.000 1.382 5
lambda[6] 2215.821 1754.254 190.467 2134.896 4482.595 FALSE 1.000 1.303 5
lambda[7] 20986.924 48155.609 319.250 1187.748 104778.837 FALSE 1.000 1.306 6
lambda[8] 2488.915 1964.987 924.619 1971.019 5782.935 FALSE 1.000 1.050 6
lambda[9] 283.702 327.675 96.299 166.285 853.559 FALSE 1.000 1.382 5
lambda[10] 2215.821 1754.254 190.467 2134.896 4482.595 FALSE 1.000 1.303 5
lambda[11] 20986.924 48155.609 319.250 1187.748 104778.837 FALSE 1.000 1.306 6
lambda[12] 2488.915 1964.987 924.619 1971.019 5782.935 FALSE 1.000 1.050 6
lambda[13] 283.702 327.675 96.299 166.285 853.559 FALSE 1.000 1.382 5
lambda[14] 2215.821 1754.254 190.467 2134.896 4482.595 FALSE 1.000 1.303 5
lambda[15] 20986.924 48155.609 319.250 1187.748 104778.837 FALSE 1.000 1.306 6
lambda[16] 2488.915 1964.987 924.619 1971.019 5782.935 FALSE 1.000 1.050 6
lambda[17] 283.702 327.675 96.299 166.285 853.559 FALSE 1.000 1.382 5
lambda[18] 2215.821 1754.254 190.467 2134.896 4482.595 FALSE 1.000 1.303 5
lambda[19] 20986.924 48155.609 319.250 1187.748 104778.837 FALSE 1.000 1.306 6
lambda[20] 2488.915 1964.987 924.619 1971.019 5782.935 FALSE 1.000 1.050 6
pit_h 0.251 0.183 0.086 0.184 0.504 FALSE 1.000 0.843 6
**WARNING** Rhat values indicate convergence failure.
Rhat is the potential scale reduction factor (at convergence, Rhat=1).
For each parameter, n.eff is a crude measure of effective sample size.
overlap0 checks if 0 falls in the parameter's 95% credible interval.
f is the proportion of the posterior with the same sign as the mean;
i.e., our confidence that the parameter is positive or negative.
Но если я включу как ковариативный эффект для обнаружения, так и стохастическое распределение для вероятности обнаружения. дела идут на юг. см. код ниже
nx2<-"
model{
for(i in 1:nSites) {
# Biological model
N[i] ~ dpois(lambda[i])
log(lambda[i])<-alphao+inprod(alpha, location[i,])
# Observation model
for(j in 1:nOcc) {
C[i,j] ~ dbin(p[i,j], N[i])
p[i,j]~ dbeta(1,1)
logit(p[i,j])<-beta0+inprod(beta1, location[i,])+inprod(beta2,c(cov1[i,j],cov2[i,j])) # beta1 are coefficients for loc, beta 2 are coef for other covs
}
}
# Priors
alphao ~ dnorm(5,1)
for(i in 1:3){
alpha[i] ~ dnorm(2,.5)
}
beta0 ~ dunif(0,0.5)
for(i in 1:3){
beta1[i] ~ dnorm(2,.5)
}
for(i in 1:2){
beta2[i] ~ dnorm(0.7,1)
}
pit_h ~ dunif(0,1)
sigma ~ dunif(0,1)
fac <-(1-sigma^2)/sigma^2
A<- pit_h*fac
B<-(1-pit_h)*fac
}"
writeLines(nx2,con="mod2.txt")
watch=c("alpha0","alpha","beta0","beta1","beta2","lambda","pit_h")
mod<-jagsUI::jags(data,
parameters.to.save=watch,
model.file="C:/Users/user/Documents/mod2.txt",n.iter=3,
n.chains=2)
это ошибка.
Error in jags.model(file = model.file, data = data, inits = inits, n.chains = n.chains, :
RUNTIME ERROR:
Compilation error on line 13.
Attempt to redefine node p[1,1]
Я понимаю, что это говорит мне об этом;
p[i,j]~ dbeta(1,1)перезаписывается
logit(p[i,j])<-beta0+inprod(beta1, location[i,])+inprod(beta2,c(cov1[i,j],cov2[i,j]))но как именно эта модель должна быть реализована. здесь модель реализована без обнаружения ковариат. Это не то, что я ищу.
1 ответ
Примечание. Я отредактировал свой вопрос, чтобы он соответствовал параметрам уравнений, которые я написал.
Я получал эту ошибку, потому что моя модель обнаружения не указана должным образом. Здесь два процесса пытаются определить, первыйpit[i,t]~ dbeta(1,1)
затем
logit(pit[i,t])<-beta0+inprod(beta1, location[i,])+inprod(beta2,c(cov1[i,j],cov2[i,j]))
поэтому к тому времени, когда второй процесс попытается установить значение дляpit[i,t]он обнаруживает, что другой процесс уже сделал это, отсюда и эта ошибка.
чего я не помнил при написании своего кода, так это того, что p i ' t является стохастическим значением, которое следует за бета-распределением, я должен работать над оценкой параметров для бета-биномиального распределения, генерирующего стохастическое p i ' t , но здесь я пошел на стохастическое значение.
вот правильная реализация
nx <- "
model{
# Abundance
for (i in 1:nSites) {
N[i]~ dpois(lambda[i])
log(lambda[i])<-alphao+inprod(alpha, location[i,])
}
for (i in 1:nSites) {
for(t in 1:nOcc){
y[i,t]~ dbin(pit_h[i,t],N[i])
pit_h[i,t]~ dbeta((pit[i,t]*fac),(fac*(1-pit[i,t])))
logit(pit[i,t]) <- beta0+inprod(beta, location[i,])+inprod(beta1,c(cov1[i,t],cov2[i,t]))
}
}
# Priors
alphao ~ dnorm(1.2824,0.302)
for(i in 1:nA){
alpha[i] ~ dnorm(0.284,0.570)
}
beta0 ~ dunif(-1.67,0.61)
for(i in 1:3){
beta[i] ~ dnorm(-0.370,0.254)
}
for(i in 1:2){
beta1[i] ~ dnorm(-0.104,0.44)
}
# det
sigma ~ dunif(0,1)
fac <-(1-sigma^2)/sigma^2
# derived
}"
writeLines(nx,con="mod1.txt")
watch=c("alphao","alpha","lambda","beta0","beta","beta1","pit","sigma")
inits = function() list(N = apply(y,1,max,na.rm=T))
set.seed(100)
mod<-jagsUI::jags(data,
parameters.to.save=watch,inits=inits,
model.file="mod1.txt",n.iter=3,
n.chains=2,DIC=TRUE)
mod
уступающий
JAGS output for model 'mod1.txt', generated by jagsUI.
Estimates based on 2 chains of 3 iterations,
adaptation = 100 iterations (sufficient),
burn-in = 0 iterations and thin rate = 1,
yielding 6 total samples from the joint posterior.
MCMC ran for 0.051 minutes at time 2023-01-11 17:53:55.
mean sd 2.5% 50% 97.5% overlap0 f Rhat n.eff
alphao 2.114 0.887 1.205 2.127 2.970 FALSE 1.0 19.132 2
alpha[1] -0.181 0.774 -0.929 -0.232 0.674 TRUE 0.5 13.424 2
alpha[2] -0.792 0.437 -1.211 -0.821 -0.284 FALSE 1.0 10.708 2
alpha[3] -0.123 0.391 -0.537 -0.114 0.306 TRUE 0.5 10.409 2
lambda[1] 11.143 8.192 3.338 10.511 19.499 FALSE 1.0 16.476 2
lambda[2] 6.989 1.152 5.440 7.218 8.436 FALSE 1.0 2.041 3
lambda[3] 4.078 1.757 2.388 3.947 5.864 FALSE 1.0 18.172 2
lambda[4] 12.868 11.770 2.060 11.100 26.299 FALSE 1.0 10.437 2
lambda[5] 11.143 8.192 3.338 10.511 19.499 FALSE 1.0 16.476 2
lambda[6] 6.989 1.152 5.440 7.218 8.436 FALSE 1.0 2.041 3
lambda[7] 4.078 1.757 2.388 3.947 5.864 FALSE 1.0 18.172 2
lambda[8] 12.868 11.770 2.060 11.100 26.299 FALSE 1.0 10.437 2
lambda[9] 11.143 8.192 3.338 10.511 19.499 FALSE 1.0 16.476 2
lambda[10] 6.989 1.152 5.440 7.218 8.436 FALSE 1.0 2.041 3
lambda[11] 4.078 1.757 2.388 3.947 5.864 FALSE 1.0 18.172 2
lambda[12] 12.868 11.770 2.060 11.100 26.299 FALSE 1.0 10.437 2
lambda[13] 11.143 8.192 3.338 10.511 19.499 FALSE 1.0 16.476 2
lambda[14] 6.989 1.152 5.440 7.218 8.436 FALSE 1.0 2.041 3
lambda[15] 4.078 1.757 2.388 3.947 5.864 FALSE 1.0 18.172 2
lambda[16] 12.868 11.770 2.060 11.100 26.299 FALSE 1.0 10.437 2
lambda[17] 11.143 8.192 3.338 10.511 19.499 FALSE 1.0 16.476 2
lambda[18] 6.989 1.152 5.440 7.218 8.436 FALSE 1.0 2.041 3
lambda[19] 4.078 1.757 2.388 3.947 5.864 FALSE 1.0 18.172 2
lambda[20] 12.868 11.770 2.060 11.100 26.299 FALSE 1.0 10.437 2
beta0 -0.162 0.447 -0.600 -0.186 0.325 TRUE 0.5 14.944 2
beta[1] 0.924 0.693 0.243 0.892 1.644 FALSE 1.0 14.009 2
beta[2] 2.147 0.133 1.987 2.152 2.288 FALSE 1.0 7.489 2
beta[3] 1.047 0.911 0.072 1.073 1.920 FALSE 1.0 17.258 2
beta1[1] -0.088 0.008 -0.096 -0.088 -0.080 FALSE 1.0 42.539 2
beta1[2] 0.121 0.022 0.100 0.121 0.142 FALSE 1.0 55.542 2
pit[1,1] 0.067 0.041 0.029 0.061 0.114 FALSE 1.0 10.366 2
pit[2,1] 0.117 0.015 0.098 0.122 0.131 FALSE 1.0 0.923 6
pit[3,1] 0.341 0.181 0.169 0.324 0.538 FALSE 1.0 13.526 2
pit[4,1] 0.195 0.183 0.025 0.187 0.379 FALSE 1.0 29.881 2
pit[5,1] 0.060 0.037 0.026 0.054 0.102 FALSE 1.0 10.199 2
pit[6,1] 0.114 0.014 0.095 0.118 0.127 FALSE 1.0 0.926 6
pit[7,1] 0.360 0.186 0.184 0.345 0.563 FALSE 1.0 13.999 2
pit[8,1] 0.200 0.187 0.026 0.191 0.387 FALSE 1.0 30.322 2
pit[9,1] 0.071 0.043 0.031 0.064 0.120 FALSE 1.0 10.459 2
pit[10,1] 0.128 0.016 0.107 0.133 0.142 FALSE 1.0 0.915 6
pit[11,1] 0.334 0.179 0.164 0.318 0.530 FALSE 1.0 13.373 2
pit[12,1] 0.216 0.201 0.029 0.207 0.415 FALSE 1.0 31.999 2
pit[13,1] 0.063 0.039 0.028 0.058 0.108 FALSE 1.0 10.284 2
pit[14,1] 0.105 0.013 0.088 0.110 0.118 FALSE 1.0 0.933 6
pit[15,1] 0.333 0.178 0.163 0.316 0.529 FALSE 1.0 13.343 2
pit[16,1] 0.219 0.203 0.030 0.211 0.421 FALSE 1.0 32.359 2
pit[17,1] 0.065 0.040 0.029 0.060 0.112 FALSE 1.0 10.335 2
pit[18,1] 0.110 0.014 0.091 0.114 0.123 FALSE 1.0 0.929 6
pit[19,1] 0.374 0.189 0.194 0.358 0.578 FALSE 1.0 14.324 2
pit[20,1] 0.161 0.153 0.019 0.153 0.316 FALSE 1.0 26.658 2
pit[1,2] 0.066 0.040 0.029 0.060 0.113 FALSE 1.0 10.349 2
pit[2,2] 0.105 0.013 0.087 0.109 0.118 FALSE 1.0 0.934 6
pit[3,2] 0.327 0.177 0.160 0.311 0.522 FALSE 1.0 13.219 2
pit[4,2] 0.198 0.186 0.026 0.190 0.384 FALSE 1.0 30.170 2
pit[5,2] 0.070 0.043 0.031 0.064 0.120 FALSE 1.0 10.455 2
pit[6,2] 0.130 0.016 0.109 0.135 0.144 FALSE 1.0 0.914 6
pit[7,2] 0.366 0.187 0.188 0.350 0.569 FALSE 1.0 14.133 2
pit[8,2] 0.212 0.198 0.028 0.204 0.409 FALSE 1.0 31.621 2
pit[9,2] 0.075 0.046 0.034 0.069 0.127 FALSE 1.0 10.557 2
pit[10,2] 0.115 0.014 0.096 0.120 0.128 FALSE 1.0 0.925 6
pit[11,2] 0.341 0.181 0.169 0.325 0.539 FALSE 1.0 13.537 2
pit[12,2] 0.174 0.165 0.021 0.165 0.340 FALSE 1.0 27.825 2
pit[13,2] 0.062 0.038 0.027 0.057 0.107 FALSE 1.0 10.267 2
pit[14,2] 0.122 0.015 0.102 0.128 0.136 FALSE 1.0 0.919 6
pit[15,2] 0.365 0.187 0.187 0.349 0.568 FALSE 1.0 14.103 2
pit[16,2] 0.225 0.208 0.031 0.216 0.431 FALSE 1.0 32.922 2
pit[17,2] 0.059 0.036 0.026 0.054 0.101 FALSE 1.0 10.182 2
pit[18,2] 0.112 0.014 0.093 0.116 0.125 FALSE 1.0 0.928 6
pit[19,2] 0.297 0.167 0.139 0.280 0.483 FALSE 1.0 12.542 2
pit[20,2] 0.193 0.182 0.025 0.185 0.375 FALSE 1.0 29.672 2
pit[1,3] 0.062 0.038 0.027 0.056 0.106 FALSE 1.0 10.257 2
pit[2,3] 0.094 0.012 0.077 0.098 0.105 FALSE 1.0 0.944 6
pit[3,3] 0.409 0.195 0.223 0.395 0.619 FALSE 1.0 15.215 2
pit[4,3] 0.202 0.189 0.026 0.194 0.391 FALSE 1.0 30.561 2
pit[5,3] 0.067 0.041 0.030 0.061 0.114 FALSE 1.0 10.372 2
pit[6,3] 0.095 0.012 0.079 0.099 0.107 FALSE 1.0 0.943 6
pit[7,3] 0.352 0.184 0.177 0.336 0.552 FALSE 1.0 13.790 2
pit[8,3] 0.185 0.174 0.023 0.176 0.359 FALSE 1.0 28.825 2
pit[9,3] 0.060 0.037 0.026 0.055 0.104 FALSE 1.0 10.218 2
pit[10,3] 0.165 0.019 0.140 0.172 0.182 FALSE 1.0 0.893 6
pit[11,3] 0.355 0.184 0.180 0.339 0.556 FALSE 1.0 13.870 2
pit[12,3] 0.267 0.241 0.042 0.260 0.504 FALSE 1.0 37.848 2
pit[13,3] 0.059 0.036 0.026 0.054 0.101 FALSE 1.0 10.183 2
pit[14,3] 0.086 0.011 0.071 0.089 0.097 FALSE 1.0 0.953 6
pit[15,3] 0.430 0.198 0.241 0.416 0.641 FALSE 1.0 15.755 2
pit[16,3] 0.193 0.181 0.025 0.184 0.374 FALSE 1.0 29.647 2
pit[17,3] 0.078 0.047 0.035 0.072 0.133 FALSE 1.0 10.632 2
pit[18,3] 0.087 0.012 0.072 0.090 0.098 FALSE 1.0 0.952 6
pit[19,3] 0.286 0.163 0.131 0.269 0.467 FALSE 1.0 12.293 2
pit[20,3] 0.242 0.221 0.035 0.233 0.460 FALSE 1.0 34.824 2
pit[1,4] 0.064 0.039 0.028 0.058 0.109 FALSE 1.0 10.300 2
pit[2,4] 0.122 0.015 0.102 0.127 0.135 FALSE 1.0 0.920 6
pit[3,4] 0.352 0.184 0.178 0.336 0.553 FALSE 1.0 13.805 2
pit[4,4] 0.155 0.148 0.018 0.147 0.305 FALSE 1.0 26.121 2
pit[5,4] 0.059 0.037 0.026 0.054 0.102 FALSE 1.0 10.196 2
pit[6,4] 0.136 0.016 0.114 0.142 0.151 FALSE 1.0 0.910 6
pit[7,4] 0.313 0.173 0.150 0.296 0.504 FALSE 1.0 12.894 2
pit[8,4] 0.213 0.198 0.029 0.205 0.410 FALSE 1.0 31.703 2
pit[9,4] 0.062 0.038 0.027 0.056 0.106 FALSE 1.0 10.249 2
pit[10,4] 0.122 0.015 0.102 0.127 0.136 FALSE 1.0 0.920 6
pit[11,4] 0.320 0.175 0.155 0.304 0.513 FALSE 1.0 13.056 2
pit[12,4] 0.248 0.226 0.037 0.240 0.471 FALSE 1.0 35.556 2
pit[13,4] 0.075 0.046 0.034 0.069 0.128 FALSE 1.0 10.559 2
pit[14,4] 0.090 0.012 0.074 0.093 0.101 FALSE 1.0 0.948 6
pit[15,4] 0.421 0.197 0.233 0.407 0.632 FALSE 1.0 15.524 2
pit[16,4] 0.218 0.203 0.030 0.210 0.419 FALSE 1.0 32.238 2
pit[17,4] 0.074 0.045 0.033 0.068 0.126 FALSE 1.0 10.536 2
pit[18,4] 0.115 0.014 0.095 0.119 0.128 FALSE 1.0 0.925 6
pit[19,4] 0.299 0.168 0.140 0.283 0.486 FALSE 1.0 12.588 2
pit[20,4] 0.277 0.249 0.044 0.270 0.520 FALSE 1.0 39.039 2
pit[1,5] 0.052 0.032 0.022 0.047 0.089 FALSE 1.0 10.005 2
[ reached 'max' / getOption("max.print") -- omitted 21 rows ]
**WARNING** Rhat values indicate convergence failure.
Rhat is the potential scale reduction factor (at convergence, Rhat=1).
For each parameter, n.eff is a crude measure of effective sample size.
overlap0 checks if 0 falls in the parameter's 95% credible interval.
f is the proportion of the posterior with the same sign as the mean;
i.e., our confidence that the parameter is positive or negative.
DIC info: (pD = var(deviance)/2)
pD = 32.5 and DIC = 215.949
DIC is an estimate of expected predictive error (lower is better).
>