在Winbugs中，我指定具有多项式可能性函数的模型，并且我需要确保多项式概率全部在0到1之间，并在1中和1.
>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>> 1。这是指定可能性的代码的一部分：
e[k,i,1:9] ~ dmulti(P[k,i,1:9],n[i,k])
在这里，阵列p []指定了多项式分布的概率。
这些概率应从我的数据(矩阵E [](中估算出对一系列固定和随机效应的多个线性回归。例如，这是用于预测p []元素之一的多个线性回归：
P[k,1,2] <- intercept[1,2] + Slope1[1,2]*Covariate1[k] +
Slope2[1,2]*Covariate2[k] + Slope3[1,2]*Covariate3[k]
+ Slope4[1,2]*Covariate4[k] + RandomEffect1[group[k]] +
RandomEffect2[k]
编译时，模型会产生错误：
elements of proportion vector of multinomial e[1,1,1] must be between zero and one
如果我正确理解这一点，这意味着向量p [k，i，1：9]的元素(上面多项式函数的概率向量(可能非常大(或小(数字。实际上，它们都需要在0到1之间，然后总和到1。
我是Winbugs的新手，但是从围绕它的阅读中，似乎以某种方式使用Beta回归而不是多个线性回归可能是前进的道路。但是，尽管这将使每个元素都在0到1之间，但似乎并没有达到问题的核心，也就是说，P [K，I，1：9]的所有元素都必须是正面的，并且总和到1。
可能是响应变量可以非常简单地转换为一个比例。我试图将每个元素除以p [k，i，1：9]的总和，但没有成功。
任何提示都会非常感谢！
(我提供了模型的有问题的部分；整个过程相当长。(
这样做的通常方法是使用logit链接的多项式等效物将转换后的概率限制为间隔(0,1(。例如(对于单个预测变量，但对于您需要的许多预测指标，它是相同的原理(：
Response[i, 1:Categories] ~ dmulti(prob[i, 1:Categories], Trials[i])
phi[i,1] <- 1
prob[i,1] <- 1 / sum(phi[i, 1:Categories])
for(c in 2:Categories){
log(phi[i,c]) <- intercept[c] + slope1[c] * Covariate1[i]
prob[i,c] <- phi[i,c] / sum(phi[i, 1:Categories])
}
为了识别性，PHI [1]的值设置为1，但截距和斜率1的其他值是独立估计的。当类别的数量等于2时，这会崩溃到通常的逻辑回归，但编码为多项式响应：
log(phi[i,2]) <- intercept[2] + slope1[2] * Covariate1[i]
prob[i,2] <- phi[i, 2] / (1 + phi[i, 2])
prob[i,1] <- 1 / (1 + phi[i, 2])
IE：
logit(prob[i,2]) <- intercept[2] + slope1[2] * Covariate1[i]
prob[i,1] <- 1 - prob[i,2]
在此模型中，我按类别索引了Slope1，这意味着结果的每个级别都与预测指标都有独立的关系。如果您有序数响应，并且想假设与协变量相关的优势比在响应的连续级别之间是一致的，那么您可以在Slope1上删除索引(并稍微重新加密代码，以便PHI累积(以获得一个比例赔率逻辑回归(POLR(。
编辑
这是我所教的课程中涵盖逻辑回归，多项式回归和polr的示例代码的链接：
http://runjags.sourceforge.net/examples/squirrels.r
请注意，它使用JAG(而不是Winbugs(，但据我所知，对于这些类型的模型，模型语法没有差异。如果您想快速开始使用Runjags＆amp;来自Winbugs背景的JAGS，然后您可以关注此小插图：
http://runjags.sourceforge.net/quickjags.html