From: Bayesian Models for Astrophysical Data, Cambridge Univ. Press

(c) 2017,  Joseph M. Hilbe, Rafael S. de Souza and Emille E. O. Ishida 

 

you are kindly asked to include the complete citation if you used this material in a publication

​

​

Code 10.18 Bernoulli logit model, in R using JAGS, for accessing the relationship between Seyfert AGN activity and galactocentric distance

===================================================================================

library(R2jags)

​

# Data
data<-read.csv("https://raw.githubusercontent.com/astrobayes/BMAD/master/data/Section_10p8/Seyfert.csv",header=T)

​

# identify data elements
X <- model.matrix( ~ logM200 + r_r200, data = data)
K <- ncol(X)                                                                       # number of predictors
y <- data$bpt                                                                       # response variable
n <- length(y)                                                                      # sample size
gal <- as.numeric(data$zoo)                                               # galaxy type

​

# Prepare data for JAGS
jags_data <- list(Y = y,
                            N = n,
                            X = X,
                           gal = gal)

​

# Fit
jags_model<-"model{
    # Shared hyperpriors for beta
    tau ~ dgamma(1e-3,1e-3) # precision
    mu ~ dnorm(0,1e-3) # mean

​

    # Diffuse prior for beta
    for(j in 1:2){
        for(k in 1:3){
            beta[k,j] ~ dnorm(mu,tau)
        }
    }

​

    # Likelihood
    for(i in 1:N){
        Y[i] ~ dbern(pi[i])
        logit(pi[i]) <- eta[i]
        eta[i] <- beta[1,gal[i]]*X[i,1]+
        beta[2,gal[i]]*X[i,2]+
        beta[3,gal[i]]*X[i,3]
    }
}"

​

# Identify parameters to monitor
params <- c("beta")

​

# Generate initial values
inits <- function () {
    list(beta = matrix(rnorm(6,0, 0.01),ncol=2))
}

​

# Run mcmc
jags_fit <- jags(data= jags_data,
                          inits = inits,
                          parameters = params,
                          model.file = textConnection(jags_model),
                          n.chains = 3,
                          n.thin = 10,
                          n.iter = 5*10^4,
                          n.burnin = 2*10^4
)

​

# Output
print(jags_fit,intervals=c(0.025, 0.975), digits=3)

===================================================================================

​

​