完整的数据集包含〜11,000行。在检查代码是否运行的同时，我一直在以K = 400运行代码。
所有行都与地图上的特定单元格相关，并包含从Sentinel-2图像和数字高程图提取的信息。
117个细胞的子集还包含在实地考察中记录的栖息地协变量。因此，某些列（包括响应变量（S1和S2）和tussac）的特征在于NA的比例很高。代码：
add_c4 <- "model{
for(i in 1:K) {
S1[i]~dpois(lambda1[i])
lambda1[i]<-exp(a0+a1*DEM_slope[i]+a2*DEM_elevation[i]+a3*tussac[i]+a4*S2[i])
S2[i]~dpois(lambda2[i])
lambda2[i]<-exp(c0+c1*DEM_slope[i]+c2*DEM_elevation[i]+c3*tussac[i]+c4*S1[i])
muLogit_tussac[i]<-b0 + sentinel1[i] + sentinel3[i] + sentinel7[i] + sentinel8[i] + sentinel9[i] + DEM_slope[i]
Logit_tussac[i]~dnorm(muLogit_tussac[i], tau)
logit(tussac[i])<-Logit_tussac[i]
}
# Priors
a0~dnorm(0, 10)
a1~dnorm(0, 10)
a2~dnorm(0, 10)
a3~dnorm(0, 10)
a4~dnorm(0, 10)
b0~dnorm(0, 10)
b1~dnorm(0, 10)
b2~dnorm(0, 10)
b3~dnorm(0, 10)
c0~dnorm(0, 10)
c1~dnorm(0, 10)
c2~dnorm(0, 10)
c3~dnorm(0, 10)
c4~dnorm(0, 10)
tau~dgamma(0.001, 0.001)
#data# S1, S2, K, sentinel1, sentinel3, sentinel7, sentinel8, sentinel9, DEM_slope, DEM_elevation
#inits# a0, a2, a3, a4, b0, b1, b2, b3, c0, c2, c3, c4
#monitor# a0, a1, a2, a3, a4, b0, b1, b2, b3, tau, ped, dic, c0, c1, c2, c3, c4
}"
当我包含'c4 * S1 [i]'时，出现以下错误：
Possible directed cycle involving some or all of the following nodes
然后继续列出S1，S2，lambda1和lambda2的所有值。
删除'c4 * S1 [i]'将导致代码运行。
我看过以下线程：
Possible directed cycle error in JAGS
其中的问题似乎是由发布者在等式两边使用“ y”引起的。我认为我的问题是由于a4将代码发送到S2部分，而c4将代码发送回S1部分，这有点像定向循环。知道如何解决这个问题吗？
我将数据集的前几行包括在内，以防万一：
S1 S2 Logit_tussac moisture DEM_slope DEM_aspect DEM_elevation sentinel1 sentinel2 sentinel3 sentinel4 sentinel5 sentinel6 sentinel7 sentinel8 sentinel9 sentinel10
NA NA NA NA 2.434239 168.5011 0.588606366 0.0413 0.0499 0.0531 0.1035 0.1862 0.1968 0.1808 0.1318 0.0400 0.0199
NA NA NA NA 3.705001 178.1289 1.007037127 0.0966 0.1108 0.1212 0.0855 0.0917 0.1063 0.0937 0.1842 0.0341 0.0161
NA NA NA NA 5.006181 180.0000 1.883010797 0.1309 0.1472 0.1361 0.0855 0.0917 0.1063 0.0937 0.1572 0.0341 0.0161
NA NA NA NA 5.006181 180.0000 2.758984468 0.0542 0.0512 0.0472 0.0145 0.0127 0.0092 0.0166 0.0510 0.0148 0.0080
数据集子集，以便仅包含远程和本地感测数据的117行：
S1 S2 Logit_tussac moisture DEM_slope DEM_aspect DEM_elevation sentinel1 sentinel2 sentinel3 sentinel4 sentinel5 sentinel6 sentinel7 sentinel8 sentinel9 sentinel10
NA NA NA NA 14.917334 256.1612 12.24432 0.0513 0.0588 0.0541 0.1145 0.1676 0.1988 0.1977 0.1658 0.1566 0.0770
0 0 -9.210240 1 23.803741 225.1231 16.88028 0.1058 0.1370 0.2139 0.2387 0.2654 0.2933 0.3235 0.2928 0.3093 0.1601
NA NA NA NA 20.789165 306.0945 18.52480 0.0287 0.0279 0.0271 0.0276 0.0290 0.0321 0.0346 0.0452 0.0475 0.0219
NA NA -9.210240 1 6.689442 287.9641 36.08975 0.0462 0.0679 0.1274 0.1535 0.1797 0.2201 0.2982 0.2545 0.4170 0.2252
0 0 -9.210240 1 25.476444 203.0659 23.59964 0.0758 0.1041 0.1326 0.1571 0.2143 0.2486 0.2939 0.2536 0.3336 0.1937
1 0 -1.385919 3 1.672511 270.0000 39.55215 0.0466 0.0716 0.1227 0.1482 0.2215 0.2715 0.3334 0.2903 0.3577 0.1957
答案 0 :(得分：0)
如已正确识别，您的问题是模型图中的有向循环。这是一个问题，其原因是，证明DAG（有向无环图）不包含任何有向环非常重要，否则无法保证我们可以定义稳定的后验样本。
例如，采用以下包含有向循环的模型：
model <- 'model{
for(i in 1:N){
a[i] ~ dnorm(b[i], tau)
b[i] ~ dnorm(a[i], tau)
}
tau ~ dgamma(0.01,0.01)
#monitor# tau
#data# N
}'
N <- 10
runjags::run.jags(model)
没有合理的方法来估算此模型，JAGS会告诉您。但从理论上讲，可以估计此模型：
model <- 'model{
for(i in 1:N){
a[i] ~ dnorm(b[i], tau)
b[i] ~ dnorm(a[i], tau)
}
tau ~ dgamma(0.01,0.01)
#monitor# tau
#data# N, a
}'
N <- 10
a <- rnorm(N)
runjags::run.jags(model)
发生的变化是，所有a []现在都是固定的（观察到的），因此我们实际上可以估计此模型。但是JAGS仍然可以检测到有向循环，因此需要一种解决方法：
model <- 'model{
for(i in 1:N){
a[i] ~ dnorm(b[i], tau)
b[i] ~ dnorm(aa[i], tau)
}
tau ~ dgamma(0.01,0.01)
#monitor# tau
#data# N, a, aa
}'
N <- 10
a <- rnorm(N)
aa <- a
runjags::run.jags(model)
这通过欺骗JAGS认为a []和aa []不相关来隐藏定向循环。但这仅在观察/固定了所有a []时起作用，否则模型中不会估计或定义缺少的aa []。在您的情况下，似乎部分观察到了S1 []和S2 []，因此，除非您简单地省略缺少S1或S2的行/观测值，否则此技巧将不起作用（这可能不可行，因为您说它们具有较高的NA的比例。
否则，您将不得不以某种方式重新构建模型以打破有向循环。这将涉及考虑系统底层的生物过程，以及如何在不创建定向循环的情况下表示所需的关系，因此我们无法真正提供帮助。
希望有帮助，
马特