Penyensoran / Pemotongan dalam JAGS

Saya punya pertanyaan tentang bagaimana menyesuaikan masalah sensor di JAGS.

Saya mengamati campuran bivariat normal di mana nilai X memiliki kesalahan pengukuran. Saya ingin memodelkan 'sarana' yang mendasari sebenarnya dari nilai-nilai yang disensor yang diamati.

$$\begin{align*} \lceil x_{true}+\epsilon \rceil = x_{observed} \ \epsilon \sim N(0,sd=.5) \end{align*}$$

Inilah yang saya miliki sekarang:

 for (i in 1:n){
   x[i,1:2]~dmnorm(mu[z[i],1:2], tau[z[i],1:2,1:2])
   z[i]~dcat(prob[ ])
 }

Y juga memiliki kesalahan pengukuran. Yang ingin saya lakukan adalah sesuatu seperti ini:

 for (i in 1:n){
   x_obs[i] ~ dnorm(x_true[i],prec_x)I(x_true[i],)
   y_obs[i] ~ dnorm(y_true[i],prec_y)
   c(x_true[i]:y_true[i])~dmnorm(mu[ z [ i ],1:2], tau[z[i],1:2,1:2])
   z[i]~dcat(prob[ ])
 }

 #priors for measurement error
 e_x~dunif(.1,.9)
 prec_x<-1/pow(e_x,2)
 e_y~dunif(2,4)
 prec_y<-1/pow(e_y,2)

Jelas perintah c tidak valid di JAGS.

Terima kasih sebelumnya.

Mungkin ini yang Anda cari:

x_obs[i] ~ dnorm(x_true[i],prec_x)T(x_true[i], )

JAGS memiliki opsi untuk menyensor dan memotong. Sepertinya Anda ingin pemotongan, karena Anda tahu a-priori bahwa pengamatan berada dalam rentang tertentu

Baca manual pengguna untuk detail lebih lanjut tentang bagaimana jag menggunakan pemotongan dan sensor.

Terima kasih untuk tipsnya David. Saya memposting pertanyaan ini di forum dukungan JAGS dan mendapat jawaban yang bermanfaat. Kuncinya adalah menggunakan array dua dimensi untuk nilai-nilai 'benar'.

for (j in 1:n){ 
  x_obs[j] ~ dnorm(xy_true[j,1], prec_x)T(xy_true[j,1],) 
  y_obs[j] ~ dnorm(xy_true[j,2], prec_y)
  xy_true[j, ] ~ dmnorm(mu[ z [j],1:2], tau[z[j],1:2,1:2]) 
  z[j]~dcat(prob[ ]) 
}

 #priors for measurement error 
 e_x~dunif(.1,.9)
 prec_x<-1/pow(e_x,2)
 e_y~dunif(2,4)
 prec_y<-1/pow(e_y,2)