model {
for (i in 1:11) {
y[i] ~ dbin(theta[i], n[i])
logit(theta[i]) <- logit.theta[i]
logit.theta[i] ~ dnorm(mu, inv.omega.squared)
}
inv.omega.squared <- 1/pow(omega, 2)
omega ~ dunif(0, 100)
mu ~ dunif(-100, 100)
}
Data:
list(y=c(25,24,23,25,42,24,53,26,25,58,31),
n=c(187,323,122,164,405,239,482,195,177,581,301))
Inits:
list(mu = -2, omega = 0.1)
node mean sd MC error 2.5% median 97.5% start sample
mu -2.047 0.09404 0.002142 -2.216 -2.053 -1.849 1001 10000
omega 0.1968 0.1161 0.004446 0.02019 0.1845 0.4644 1001 10000
theta[1] 0.1221 0.01713 3.688E-4 0.09437 0.1196 0.1612 1001 10000
theta[2] 0.09534 0.01422 3.927E-4 0.06612 0.09643 0.1201 1001 10000
theta[3] 0.139 0.02688 8.145E-4 0.1022 0.1338 0.2021 1001 10000
theta[4] 0.1285 0.02001 5.201E-4 0.09798 0.1255 0.175 1001 10000
theta[5] 0.1085 0.0118 1.601E-4 0.08527 0.1086 0.1324 1001 10000
theta[6] 0.1082 0.01391 2.191E-4 0.08028 0.1083 0.1367 1001 10000
theta[7] 0.1116 0.0112 1.566E-4 0.09046 0.1109 0.1355 1001 10000
theta[8] 0.1222 0.01715 3.673E-4 0.09502 0.1196 0.1623 1001 10000
theta[9] 0.1249 0.01857 4.371E-4 0.09586 0.1218 0.168 1001 10000
theta[10] 0.1053 0.01054 1.984E-4 0.08462 0.1057 0.1264 1001 10000
theta[11] 0.1087 0.01296 1.814E-4 0.08305 0.1087 0.1355 1001 10000