model {
for (i in 1:N) {
for (j in 1:T) {
Y[i,j] ~ dnorm(mu[i,j], tau)
mu[i,j] <- alpha[i,1] + alpha[i,2]*(x[j] - mean(x[]))
## cross-product statistics
XY[i,j] <- Y[i,j]*(x[j] - mean(x[]))
XX[i,j] <- (x[j] - mean(x[]))*(x[j] - mean(x[]))
## posterior predictive
## N(0,1) under null
resid[i,j] <- (Y[i,j] - mu[i,j])*sqrt(tau)
resid2[i,j] <- resid[i,j]*resid[i,j]
}
X2[i] <- sum(resid2[i,]) # X2_T under null
chi.sqr[i] ~ dchisqr(T) # comparison under null
P.resid[i] <- step(X2[i] - chi.sqr[i])
# prior for intercept and gradient
alpha[i,1:2] ~ dmnorm(mu.alpha[],R[,])
# replicated intercept and gradient
alpha.pred[i,1:2] ~ dmnorm(mu.alpha[],R[,])
# summary statistics for intercept and gradient
alpha.est[i,1] <- mean(Y[i, ])
alpha.est[i,2] <- sum(XY[i,])/sum(XX[i,])
## precision of intercept estimates
alpha.est.prec[i,1] <- tau*T
## precision of gradient estimates
alpha.est.prec[i,2] <- tau*sum(XX[i,])
alpha.est.pred[i,1] ~ dnorm(alpha.pred[i,1],
alpha.est.prec[i,1])
alpha.est.pred[i,2] ~ dnorm(alpha.pred[i,2],
alpha.est.prec[i,2])
P.alpha[i,1] <- step(alpha.est[i,1] -
alpha.est.pred[i,1])
P.alpha[i,2] <- step(alpha.est[i,2] -
alpha.est.pred[i,2])
}
mu.alpha[1] ~ dunif(-1000,1000)
mu.alpha[2] ~ dunif(-1000,1000)
R[1:2,1:2] ~ dwish(Omega[,],2)
Omega[1,1] <- 1;
Omega[1,2] <- 0;
Omega[2,1] <- 0;
Omega[2,2] <- 1
tau ~ dgamma(0.001,0.001)
sigma <- 1/tau
}

Inits:
list(mu.alpha = c(0,0), tau=1,
alpha = structure(
.Data = c(100,6,100,6,100,6,100,6,100,6,
100,6,100,6,100,6,100,6,100,6,
100,6,100,6,100,6,100,6,100,6,
100,6,100,6,100,6,100,6,100,6,
100,6,100,6,100,6,100,6,100,6,
100,6,100,6,100,6,100,6,100,6),
.Dim = c(30, 2)),
R = structure(.Data = c(1,0,0,1), .Dim = c(2, 2)))

Data:
list(x = c(8.0, 15.0, 22.0, 29.0, 36.0), N = 30, T = 5,
      Y = structure(
.Data = c(151, 199, 246, 283, 320,
145, 199, 249, 293, 354,
147, 214, 263, 312, 328,
155, 200, 237, 272, 297,
135, 188, 230, 280, 323,
159, 210, 252, 298, 331,
141, 189, 231, 275, 305,
159, 201, 248, 297, 338,
177, 236, 285, 350, 376,
134, 182, 220, 260, 296,
160, 208, 261, 313, 352,
143, 188, 220, 273, 314,
154, 200, 244, 289, 325,
171, 221, 270, 326, 358,
163, 216, 242, 281, 312,
160, 207, 248, 288, 324,
142, 187, 234, 280, 316,
156, 203, 243, 283, 317,
157, 212, 259, 307, 336,
152, 203, 246, 286, 321,
154, 205, 253, 298, 334,
139, 190, 225, 267, 302,
146, 191, 229, 272, 302,
157, 211, 250, 285, 323,
132, 185, 237, 286, 331,
160, 207, 257, 303, 345,
169, 216, 261, 295, 333,
157, 205, 248, 289, 316,
137, 180, 219, 258, 291,
153, 200, 244, 286, 324),
.Dim = c(30,5)))

   node   mean   sd   MC error   2.5%   median   97.5%   start   sample
   P.alpha[1,1]   0.423   0.494   0.002084   0.0   0.0   1.0   1001   50000
   P.alpha[1,2]   0.3992   0.4897   0.002263   0.0   0.0   1.0   1001   50000
   P.alpha[2,1]   0.6431   0.4791   0.002189   0.0   1.0   1.0   1001   50000
   P.alpha[2,2]   0.9589   0.1984   8.727E-4   0.0   1.0   1.0   1001   50000
   P.alpha[3,1]   0.755   0.4301   0.001995   0.0   1.0   1.0   1001   50000
   P.alpha[3,2]   0.7291   0.4444   0.001867   0.0   1.0   1.0   1001   50000
   P.alpha[4,1]   0.24   0.4271   0.001955   0.0   0.0   1.0   1001   50000
   P.alpha[4,2]   0.0435   0.204   0.001032   0.0   0.0   1.0   1001   50000
   P.alpha[5,1]   0.218   0.4129   0.001902   0.0   0.0   1.0   1001   50000
   P.alpha[5,2]   0.787   0.4094   0.001823   0.0   1.0   1.0   1001   50000
   P.alpha[6,1]   0.6917   0.4618   0.002198   0.0   1.0   1.0   1001   50000
   P.alpha[6,2]   0.4904   0.4999   0.002446   0.0   0.0   1.0   1001   50000
   P.alpha[7,1]   0.1616   0.368   0.00172   0.0   0.0   1.0   1001   50000
   P.alpha[7,2]   0.3339   0.4716   0.002196   0.0   0.0   1.0   1001   50000
   P.alpha[8,1]   0.658   0.4744   0.002123   0.0   1.0   1.0   1001   50000
   P.alpha[8,2]   0.6826   0.4655   0.002121   0.0   1.0   1.0   1001   50000
   P.alpha[9,1]   0.9969   0.05541   2.338E-4   1.0   1.0   1.0   1001   50000
   P.alpha[9,2]   0.9605   0.1949   8.522E-4   0.0   1.0   1.0   1001   50000
   P.alpha[10,1]   0.05134   0.2207   9.796E-4   0.0   0.0   1.0   1001   50000
   P.alpha[10,2]   0.2389   0.4264   0.002025   0.0   0.0   1.0   1001   50000
   P.alpha[11,1]   0.8651   0.3417   0.001579   0.0   1.0   1.0   1001   50000
   P.alpha[11,2]   0.8963   0.3049   0.001321   0.0   1.0   1.0   1001   50000
   P.alpha[12,1]   0.1551   0.362   0.001634   0.0   0.0   1.0   1001   50000
   P.alpha[12,2]   0.4483   0.4973   0.002003   0.0   0.0   1.0   1001   50000
   P.alpha[13,1]   0.4936   0.5   0.002394   0.0   0.0   1.0   1001   50000
   P.alpha[13,2]   0.4833   0.4997   0.002241   0.0   0.0   1.0   1001   50000
   P.alpha[14,1]   0.9628   0.1892   8.804E-4   0.0   1.0   1.0   1001   50000
   P.alpha[14,2]   0.8506   0.3565   0.001657   0.0   1.0   1.0   1001   50000
   P.alpha[15,1]   0.507   0.5   0.002254   0.0   1.0   1.0   1001   50000
   P.alpha[15,2]   0.06122   0.2397   0.001099   0.0   0.0   1.0   1001   50000
   P.alpha[16,1]   0.5774   0.494   0.002298   0.0   1.0   1.0   1001   50000
   P.alpha[16,2]   0.2942   0.4557   0.001915   0.0   0.0   1.0   1001   50000
   P.alpha[17,1]   0.2277   0.4194   0.00199   0.0   0.0   1.0   1001   50000
   P.alpha[17,2]   0.5694   0.4952   0.002468   0.0   1.0   1.0   1001   50000
   P.alpha[18,1]   0.4363   0.4959   0.002321   0.0   0.0   1.0   1001   50000
   P.alpha[18,2]   0.2441   0.4295   0.001855   0.0   0.0   1.0   1001   50000
   P.alpha[19,1]   0.7875   0.4091   0.001933   0.0   1.0   1.0   1001   50000
   P.alpha[19,2]   0.6738   0.4688   0.002136   0.0   1.0   1.0   1001   50000
   P.alpha[20,1]   0.4694   0.4991   0.00233   0.0   0.0   1.0   1001   50000
   P.alpha[20,2]   0.392   0.4882   0.002152   0.0   0.0   1.0   1001   50000
   P.alpha[21,1]   0.663   0.4727   0.002101   0.0   1.0   1.0   1001   50000
   P.alpha[21,2]   0.6755   0.4682   0.001997   0.0   1.0   1.0   1001   50000
   P.alpha[22,1]   0.1106   0.3137   0.001352   0.0   0.0   1.0   1001   50000
   P.alpha[22,2]   0.2487   0.4322   0.00185   0.0   0.0   1.0   1001   50000
   P.alpha[23,1]   0.1594   0.366   0.00176   0.0   0.0   1.0   1001   50000
   P.alpha[23,2]   0.1853   0.3886   0.00182   0.0   0.0   1.0   1001   50000
   P.alpha[24,1]   0.5711   0.4949   0.002071   0.0   1.0   1.0   1001   50000
   P.alpha[24,2]   0.2716   0.4448   0.00191   0.0   0.0   1.0   1001   50000
   P.alpha[25,1]   0.2836   0.4507   0.001975   0.0   0.0   1.0   1001   50000
   P.alpha[25,2]   0.9289   0.2569   0.00125   0.0   1.0   1.0   1001   50000
   P.alpha[26,1]   0.7914   0.4063   0.001772   0.0   1.0   1.0   1001   50000
   P.alpha[26,2]   0.7715   0.4199   0.00182   0.0   1.0   1.0   1001   50000
   P.alpha[27,1]   0.7982   0.4013   0.001688   0.0   1.0   1.0   1001   50000
   P.alpha[27,2]   0.2762   0.4471   0.001961   0.0   0.0   1.0   1001   50000
   P.alpha[28,1]   0.5136   0.4998   0.002303   0.0   1.0   1.0   1001   50000
   P.alpha[28,2]   0.243   0.4289   0.00188   0.0   0.0   1.0   1001   50000
   P.alpha[29,1]   0.0425   0.2017   8.804E-4   0.0   0.0   1.0   1001   50000
   P.alpha[29,2]   0.1437   0.3508   0.001649   0.0   0.0   1.0   1001   50000
   P.alpha[30,1]   0.4651   0.4988   0.002067   0.0   0.0   1.0   1001   50000
   P.alpha[30,2]   0.4559   0.4981   0.002458   0.0   0.0   1.0   1001   50000
   P.resid[1]   0.4074   0.4913   0.002362   0.0   0.0   1.0   1001   50000
   P.resid[2]   0.4588   0.4983   0.002278   0.0   0.0   1.0   1001   50000
   P.resid[3]   0.9992   0.02756   1.26E-4   1.0   1.0   1.0   1001   50000
   P.resid[4]   0.6535   0.4759   0.002147   0.0   1.0   1.0   1001   50000
   P.resid[5]   0.3198   0.4664   0.002236   0.0   0.0   1.0   1001   50000
   P.resid[6]   0.4475   0.4972   0.002138   0.0   0.0   1.0   1001   50000
   P.resid[7]   0.4759   0.4994   0.002065   0.0   0.0   1.0   1001   50000
   P.resid[8]   0.191   0.3931   0.00186   0.0   0.0   1.0   1001   50000
   P.resid[9]   0.9505   0.217   9.948E-4   0.0   1.0   1.0   1001   50000
   P.resid[10]   0.2958   0.4564   0.002058   0.0   0.0   1.0   1001   50000
   P.resid[11]   0.3532   0.478   0.00224   0.0   0.0   1.0   1001   50000
   P.resid[12]   0.4141   0.4926   0.002265   0.0   0.0   1.0   1001   50000
   P.resid[13]   0.2377   0.4257   0.001863   0.0   0.0   1.0   1001   50000
   P.resid[14]   0.6142   0.4868   0.002064   0.0   1.0   1.0   1001   50000
   P.resid[15]   0.7484   0.434   0.001837   0.0   1.0   1.0   1001   50000
   P.resid[16]   0.2805   0.4492   0.001844   0.0   0.0   1.0   1001   50000
   P.resid[17]   0.2894   0.4535   0.002019   0.0   0.0   1.0   1001   50000
   P.resid[18]   0.3193   0.4662   0.001961   0.0   0.0   1.0   1001   50000
   P.resid[19]   0.7902   0.4072   0.001819   0.0   1.0   1.0   1001   50000
   P.resid[20]   0.4443   0.4969   0.002249   0.0   0.0   1.0   1001   50000
   P.resid[21]   0.421   0.4937   0.002285   0.0   0.0   1.0   1001   50000
   P.resid[22]   0.389   0.4875   0.002236   0.0   0.0   1.0   1001   50000
   P.resid[23]   0.3519   0.4776   0.002093   0.0   0.0   1.0   1001   50000
   P.resid[24]   0.5902   0.4918   0.002062   0.0   1.0   1.0   1001   50000
   P.resid[25]   0.3999   0.4899   0.002165   0.0   0.0   1.0   1001   50000
   P.resid[26]   0.198   0.3985   0.00176   0.0   0.0   1.0   1001   50000
   P.resid[27]   0.4457   0.497   0.002451   0.0   0.0   1.0   1001   50000
   P.resid[28]   0.6589   0.4741   0.002103   0.0   1.0   1.0   1001   50000
   P.resid[29]   0.2439   0.4295   0.001919   0.0   0.0   1.0   1001   50000
   P.resid[30]   0.2216   0.4153   0.001782   0.0   0.0   1.0   1001   50000
   X2[1]   3.861   1.73   0.00791   1.963   3.367   8.467   1001   50000
   X2[2]   4.484   2.547   0.0114   1.62   3.821   11.05   1001   50000
   X2[3]   24.03   3.756   0.02262   17.39   23.78   32.16   1001   50000
   X2[4]   6.135   2.363   0.01082   3.288   5.531   12.36   1001   50000
   X2[5]   3.267   2.301   0.01115   0.8389   2.61   9.267   1001   50000
   X2[6]   4.193   1.808   0.008305   2.188   3.683   9.055   1001   50000
   X2[7]   4.424   1.799   0.008365   2.384   3.924   9.167   1001   50000
   X2[8]   2.195   1.727   0.007285   0.5136   1.661   6.864   1001   50000
   X2[9]   12.02   2.554   0.01316   8.158   11.63   18.15   1001   50000
   X2[10]   3.059   1.902   0.01007   1.144   2.478   8.209   1001   50000
   X2[11]   3.547   1.928   0.008393   1.528   2.977   8.706   1001   50000
   X2[12]   3.964   1.873   0.00863   1.927   3.422   8.916   1001   50000
   X2[13]   2.584   1.686   0.007174   0.8894   2.074   7.089   1001   50000
   X2[14]   5.577   1.931   0.008528   3.252   5.092   10.63   1001   50000
   X2[15]   7.282   2.582   0.01183   4.031   6.664   13.86   1001   50000
   X2[16]   2.965   1.861   0.007617   1.061   2.407   7.924   1001   50000
   X2[17]   3.019   1.875   0.008794   1.099   2.46   7.99   1001   50000
   X2[18]   3.263   1.845   0.008046   1.331   2.716   8.158   1001   50000
   X2[19]   7.542   1.937   0.009697   4.886   7.16   12.41   1001   50000
   X2[20]   4.165   1.752   0.007779   2.204   3.673   8.827   1001   50000
   X2[21]   3.978   1.767   0.007942   2.04   3.476   8.751   1001   50000
   X2[22]   3.768   1.819   0.008523   1.82   3.238   8.653   1001   50000
   X2[23]   3.468   1.8   0.007778   1.563   2.941   8.294   1001   50000
   X2[24]   5.404   1.961   0.008565   3.063   4.889   10.54   1001   50000
   X2[25]   4.054   2.772   0.01353   0.8602   3.352   11.04   1001   50000
   X2[26]   2.273   1.751   0.007676   0.5643   1.738   6.951   1001   50000
   X2[27]   4.285   2.177   0.01013   1.892   3.669   9.972   1001   50000
   X2[28]   6.074   1.983   0.00909   3.621   5.592   11.25   1001   50000
   X2[29]   2.674   1.863   0.008367   0.8385   2.11   7.65   1001   50000
   X2[30]   2.473   1.706   0.0069   0.787   1.953   7.057   1001   50000