R2WinBUGS软件包提供了从R调用WinBUGS的便捷功能。它自动以WinBUGS可读的格式写入数据和脚本，以进行批处理（自1.4版开始）。WinBUGS流程完成后，可以通过程序包本身将结果数据读取到R中（这提供了推断和收敛诊断的紧凑图形摘要），也可以使用coda程序包的功能对输出进行进一步分析。
WinBUGS软件可从http://www.mrc-bsu.cam.ac.uk/bugs/免费获得。
R是一种“用于数据分析和图形处理的语言”，是一种实现该语言的开放源代码和免费提供的统计软件包，请参见http://www.R-project.org/。 R和R2WinBUGS可从CRAN 获得，即http://CRAN.R-Project.org或其镜像之一。R2WinBUGS可以移植到商业实施S-Plus。如果可以使用Internet连接，则可以在R命令提示符下键入install.packages（“ R2WinBUGS”）来安装R2WinBUGS。别忘了用library(R2WinBUGS)
例子
学校数据
学术能力测验（SAT）衡量高中生的能力，以帮助大学做出入学决定。我们的数据来自1970年代后期进行的一项实验，来自八所高中的SAT-V（学业能力测试语言）。SAT-V是由教育测试服务局管理的标准多项选择测试。该服务对所选学校中每所学校的教练计划的效果很感兴趣。
实现
R2WinBUGS软件包的实现非常简单。\ main“函数bugs（） 旨在由用户调用。原则上，它是对 其中逐步调用的其他几个函数的包装，如下：
1. bugs.data.inits（）写入数据文件' data.txt”和“ inits1.txt”，“ inits2.txt” ...进入 工作目录。
2. bugs.script（）写入WinBUGS用于批处理的文件“ script.txt”。
3. bugs.run（）更新WinBUGS注册表中自适应阶段的长度 ，调用WinBUGS，并使用 'script.txt' 以批处理模式运行它。
R2WinBUGS软件包的实现非常简单。\ main“函数bugs（）
原则上，它是对 其中逐步调用的其他几个函数的包装，如下：
1. bugs.data.inits（）写入数据文件' data.txt”和“ inits1.txt”，“ inits2.txt” ...进入 工作目录，这些文件将由WinBUGS在批处理过程中使用。
2 . bugs.script（）写入文件“ script”。txt”，由WinBUGS用于批处理 。
3. bugs.run（）更新WinBUGS注册表中自适应阶段的长度（使用bugs.update.settings（）函数），调用WinBUGS并批量运行“script.txt”。
4. bugs.sims（）如果参数codaPkg已设置为false（默认值）才调用。
否则，bugs（）返回存储数据的文件名。例如，这些可以通过打包的coda 导入，该软件包提供了收敛诊断，蒙特卡洛估计的计算，迹线图等功能。
bugs.sims（）函数将WinBUGS中的模拟读取到R中（不一定 由bugs（）本身调用），将其格式化，监视收敛，执行收敛检查并
计算中位数和分位数。它还为bugs（）本身准备输出。
这些功能不旨在由用户直接调用。如果合适，参数将从bugs（）传递给其他函数。一个简短的bugs（）帮助文件，其中列出了
软件包R2WinBUGS 之后，请在R中进行调试
例子
我们将 R2WinBUGS提供的功能应用于示例数据并分析输出。
学校数据
示例数据 ：
> schools
为了对这些数据进行建模，我们使用了Gelman等人提出的分层模型。我们假设每所学校的观测估计值具有正态分布，且均值theta 和反方差tau.y。逆方差为1 =σ.y2，其先验分布在（0,1000）上是均匀的。对于均值theta，我们采用另一个正态分布 平均mu.theta和反方差tau.theta。有关其先前的分布，请参见以下
WinBUGS代码：
model { for (j in 1:J) { y[j] ~ dnorm (theta[j], tau.y[j]) theta[j] ~ dnorm (mu.theta, tau.theta) tau.y[j] <- pow(sigma.y[j], -2) } mu.theta ~ dnorm (0.0, 1.0E-6) tau.theta <- pow(sigma.theta, -2) sigma.theta ~ dunif (0, 1000) }
此模型必须存储在单独的文件中，例如'schools.bug'2，在适当的目录中，例如c：/ schools /。在R中，用户必须准备bugs（）函数所需的数据输入。这可以是包含每个数据向量名称的列表，例如
> J <- nrow(schools)
使用这些数据和模型文件，我们可以运行MCMC模拟以获取theta， mu.theta和sigma.theta的估计值。在运行之前，用户必须确定要运行多少个链 （n.chain = 3）和迭代次数（n.iter = 1000）。另外，用户必须指定链的初始值，例如通过编写函数。
> inits <- function(){ + list(theta = rnorm(J, 0, 100), mu.theta = rnorm(1, 0, 100), + sigma.theta = runif(1, 0, 100)) + }
可以开始MCMC模拟，R中的参数bugs.directory必须指向WinBUGS的安装目录。可以通过print（schools.sim）方便地打印school.sim对象中的结果。泛型函数print（）调用由R2WinBUGS提供的类错误对象的print方法。
对于此示例，将获得类似的结果
Inference for Bugs model at "c:/schools/schools.bug" 3 chains, each with 1000 iterations (first 500 discarded) n.sims = 1500 iterations saved mean sd 2.5% 25% 50% 75% 97.5% Rhat n.eff theta[1] 11.1 9.1 -3.0 5.0 10.0 16.0 31.8 1.1 39 theta[2] 7.6 6.6 -4.7 3.3 7.8 11.6 21.1 1.1 42 theta[3] 5.7 8.4 -12.5 0.6 6.1 10.8 21.8 1.0 150 theta[4] 7.1 7.0 -6.6 2.7 7.2 11.5 21.0 1.1 42 theta[5] 5.1 6.8 -9.5 0.7 5.2 9.7 18.1 1.0 83 theta[6] 5.7 7.3 -9.7 1.0 6.2 10.2 20.0 1.0 56 theta[7] 10.4 7.3 -2.1 5.3 9.8 15.3 25.5 1.1 27 theta[8] 8.3 8.4 -6.6 2.8 8.1 12.7 26.2 1.0 64 mu.theta 7.6 5.9 -3.0 3.7 8.0 11.0 19.5 1.1 35 sigma.theta 6.7 5.6 0.3 2.8 5.1 9.2 21.2 1.1 46 deviance 60.8 2.5 57.0 59.1 60.2 62.1 66.6 1.0 170 pD = 3 and DIC = 63.8 (using the rule, pD = var(deviance)/2) For each parameter, n.eff is a crude measure of effective sample size, and Rhat is the potential scale reduction factor (at convergence, Rhat=1). DIC is an estimate of expected predictive error (lower deviance is better).
此外，用户可以通过键入plot（schools.sim）生成结果图。结果图如图4所示。在该图中，左列显示了以下内容的快速摘要：
推论和收敛（所有参数的Rb都接近1.0，表明三个链的良好混合，因此近似收敛）；右列显示每组参数的推论。从右栏中可以看到，R2WinBUGS使用 WinBUGS中的参数名称将输出构造为标量，向量和参数数组。
