Bayesian 威布尔网络元分析

我目前正在对几个临床试验的生存数据进行荟萃分析

为了做到这一点，我使用相同的方法从已发布的分析中获得了代码。但是，当使用已发布分析中的数据运行此代码时，我无法复制它们的结果。事实上，结果无法收敛到任何合理的估计

代码本身（不包括数据）应该是正确的，因为它直接来自作者。我假设问题与初始值有关，或者 如何运行采样的参数，但在播放w/many之后 初始值、磨合长度、变薄等。。。我没有得到有意义的结果

如果有人建议如何运行（初始值等），以使其正常运行，我将不胜感激。或者，如果代码中存在问题，或者数据的设置方式与代码不匹配，那么了解这些信息将非常有用

作为旁注，我正在使用R2WinBUGs进行分析，尽管我有 单独使用WinBUGs也会遇到同样的问题

关于该方法的一些额外背景知识：

其工作方式是通过估计形状和比例的差异 二次参数化威布尔分布的参数 使用随机效应进行多个研究的治疗

Weibull分布被重新参数化，使得 危险率为a+b*log（t），其中a为刻度参数，b为a 形状参数。由此，您可以计算可能性 给定数量故障中给定数量故障的功能 病人在一段时间内死亡

不幸的是，这篇文章是公开的，但是如果你可以在这里访问 链接是：

输入模型的变量的快速摘要：

NT：包括的单独治疗的数量

N：主数据集中的行数。 NS：研究数量

s：数据行对应的研究（编号为1:6）

r：本次治疗/研究间隔期内失败的患者人数

n：本研究间隔期开始时有风险的患者人数 治疗/研究

t：该行数据对应的处理（编号1:3）

b：表示哪种治疗是基线治疗，其他治疗与之比较（每行设置为1）

bs：作为本研究对照组的治疗

bt：治疗，这是本研究的研究分支

WinBUGS代码（包括数据）：

随机效应网络元分析模型的Winbugs代码 模型 { for（1:N中的i） {#N=数据集中的数据点数量 #可能性 r[i]~dbin（p[i]，n[i]）

---

p[i]给你一些建议，希望能对你有所帮助：

我认为您的问题可以在中得到更好的回答；尽管如果您想将问题转移到那里，您应该重写它，而不是发布代码转储

已经有好几年了，距离上次更新已经8年了！我想你应该忘了它，因为有几个更好的选择

您可以在或中尝试几乎相同的代码，这两种代码都可以通过和在R中使用。Stan特别重要，因为它使用HCMC，在许多WinBUGS不使用的情况下会收敛

我认为你应该读一本简单的书：来自John K.Kruschke，以便能够自己理解和进行贝叶斯数据分析

---

最终，我无法使该模型在WinBUGS中正常运行。但是，我能够将该模型移植到STAN，并获得非常接近的匹配。有关STAN代码，请参见下面的内容：

data { 


 int<lower=1> N;
  int<lower=1> NS;
  int<lower=1> NT;

  cov_matrix[2] prec2;
  matrix[2,2] R;
  vector[2] means;

  int<lower=0> bs[NS];
  int<lower=0> ts[NS];

  int<lower=0> s[N];
  int<lower=0> t[N];
  int<lower=0> n[N];
  int<lower=0> r[N];
  real<lower=0> dt[N];
  real<lower=0> time[N];
}
parameters {
  vector[2] mu[NS];
  vector[2] delta[NS];
  vector[2] dj[NT-1];
  cov_matrix[2] omega;
} 
transformed parameters{
  real<lower=0,upper=1> p[N];
  real<lower=0> h[N];
  real nu[N];
  real theta[N];
  vector[2] md[NS];
  vector[2] d[NT];

  d[1][1] <- 0;
  d[1][2] <- 0;
  for(j in 2:NT){
    d[j] <- dj[j-1];
  }
  for(k in 1:NS){
    md[k] <- d[ts[k]] - d[bs[k]];
  }
  for(i in 1:N){
    if(t[i] == 1){
      nu[i] <- mu[s[i]][1];
      theta[i] <- mu[s[i]][2];
    }else{
      nu[i] <- mu[s[i]][1] + delta[s[i]][1];
      theta[i] <- mu[s[i]][2] + delta[s[i]][2];
    }
    h[i] <- exp(nu[i] + log(time[i]) * theta[i]);
    p[i] <- 1 - exp(- h[i] * dt[i]);
  }
}
model {
  omega ~ inv_wishart(2,R);
  for(j in 1:(NT-1)){
    dj[j] ~ multi_normal(means,prec2);
  }
  for(k in 1:NS){
    delta[k] ~ multi_normal(md[k],omega);
    mu[k] ~ multi_normal(means,prec2);
  }
  for(i in 1:N){
    r[i] ~ binomial(n[i],p[i]);
  }
}
generated quantities{
  vector[N] log_lik;
  for (l in 1:N) {
    log_lik[l] <- binomial_log(r[l], n[l], p[l]);
  }
}

数据{
int N；
int-NS；
int NT；
cov_矩阵[2]prec2；
矩阵[2,2]R；
向量[2]是指；
int-bs[NS]；
int ts[NS]；
int s[N]；
int t[N]；
int n[n]；
int r[N]；
实dt[N]；
实时[N]；
}
参数{
向量[2]μ[NS]；
向量[2]δ[NS]；
向量[2]dj[NT-1]；
cov_矩阵[2]ω；
} 
变换参数{
实p[N]；
实h[N]；
真努[N]；
实θ[N]；
向量[2]md[NS]；
向量[2]d[NT]；
d[1][1]你好，谢谢你的评论。事实上，我已经重写了w/rstan模型，它将公布的结果匹配到一个非常小的差异。同意WinBUGS被禁止，希望更多的学者会做出改变。
data { 


 int<lower=1> N;
  int<lower=1> NS;
  int<lower=1> NT;

  cov_matrix[2] prec2;
  matrix[2,2] R;
  vector[2] means;

  int<lower=0> bs[NS];
  int<lower=0> ts[NS];

  int<lower=0> s[N];
  int<lower=0> t[N];
  int<lower=0> n[N];
  int<lower=0> r[N];
  real<lower=0> dt[N];
  real<lower=0> time[N];
}
parameters {
  vector[2] mu[NS];
  vector[2] delta[NS];
  vector[2] dj[NT-1];
  cov_matrix[2] omega;
} 
transformed parameters{
  real<lower=0,upper=1> p[N];
  real<lower=0> h[N];
  real nu[N];
  real theta[N];
  vector[2] md[NS];
  vector[2] d[NT];

  d[1][1] <- 0;
  d[1][2] <- 0;
  for(j in 2:NT){
    d[j] <- dj[j-1];
  }
  for(k in 1:NS){
    md[k] <- d[ts[k]] - d[bs[k]];
  }
  for(i in 1:N){
    if(t[i] == 1){
      nu[i] <- mu[s[i]][1];
      theta[i] <- mu[s[i]][2];
    }else{
      nu[i] <- mu[s[i]][1] + delta[s[i]][1];
      theta[i] <- mu[s[i]][2] + delta[s[i]][2];
    }
    h[i] <- exp(nu[i] + log(time[i]) * theta[i]);
    p[i] <- 1 - exp(- h[i] * dt[i]);
  }
}
model {
  omega ~ inv_wishart(2,R);
  for(j in 1:(NT-1)){
    dj[j] ~ multi_normal(means,prec2);
  }
  for(k in 1:NS){
    delta[k] ~ multi_normal(md[k],omega);
    mu[k] ~ multi_normal(means,prec2);
  }
  for(i in 1:N){
    r[i] ~ binomial(n[i],p[i]);
  }
}
generated quantities{
  vector[N] log_lik;
  for (l in 1:N) {
    log_lik[l] <- binomial_log(r[l], n[l], p[l]);
  }
}

dataList$R <- matrix(c(0.01,0,0,0.01),nrow=2,ncol=2,byrow=TRUE)
dataList$prec2 <- matrix(c(10^4,0,0,10^4),nrow=2,ncol=2,byrow=TRUE)