R/RMLP.r

In nshi-stat/netiim3: Improved Inference Methods for Network Meta-Analysis

RMLP <- function(y, S, ml0, mu0, maxitr = 200){

  N <- dim(y)[1]
  p <- dim(y)[2]

  muc <- ml0[2:p]		# initial values
  mu <- c(mu0, muc)
  g1 <- ml0[p+1]
  g2 <- ml0[p+2]

  Qc0 <- c(muc, g1, g2)

  RLL <- function(mur){

    mu1 <- c(mu0,mur)
    G <- gmat(g1, g2, p)

    ll1 <- 0

    for(i in 1:N){

      yi <- as.vector(y[i, ])
      wi <- which(is.na(yi) == FALSE)
      pl <- length(wi)

      Si <- vmat(S[i, ], p)

      yi <- yi[wi]
      Si <- pmat(Si, wi)
      mui <- mu1[wi]
      Gi <- pmat(G, wi)

      B1 <- (yi - mui)
      B2 <- ginv(Gi + Si)

      A1 <- log(det(Gi + Si))
      A2 <- t(B1) %*% B2 %*% B1
      A3 <- pl * log(2*pi)

      ll1 <- ll1 + 0.5*(A1 + A2 + A3)

    }

    return(ll1)

  }

  LL1 <- function(g){

    #G <- gmat(g, g2, p)
    G <- gmat(g, g/2, p)

    ll1 <- 0

    for(i in 1:N){

      yi <- as.vector(y[i, ])
      wi <- which(is.na(yi) == FALSE)
      pl <- length(wi)

      Si <- vmat(S[i, ], p)

      yi <- yi[wi]
      Si <- pmat(Si, wi)
      mui <- mu[wi]
      Gi <- pmat(G, wi)

      B1 <- (yi - mui)
      B2 <- ginv(Gi + Si)

      A1 <- log(det(Gi + Si))
      A2 <- t(B1) %*% B2 %*% B1
      A3 <- pl * log(2*pi)

      ll1 <- ll1 + A1 + A2 + A3

    }

    return(ll1)

  }

  LL2 <- function(g){

    #G <- gmat(g, g2, p)
    G <- gmat(g, g/2, p)

    ll1 <- 0

    for(i in 1:N){

      yi <- as.vector(y[i, ])
      wi <- which(is.na(yi) == FALSE)
      pl <- length(wi)

      Si <- vmat(S[i, ], p)

      yi <- yi[wi]
      Si <- pmat(Si, wi)
      mui <- mu[wi]
      Gi <- pmat(G, wi)

      B1 <- (yi - mui)
      B2 <- ginv(Gi + Si)

      A1 <- log(det(Gi + Si))
      A2 <- t(B1) %*% B2 %*% B1
      A3 <- pl * log(2*pi)

      ll1 <- ll1 + A1 + A2 + A3

    }

    return(ll1)   # return "minus loglikelihood"

  }

  for(itr in 1:maxitr){

    A1 <- A2 <- A3 <- numeric(p - 1)
    A4 <- matrix(numeric((p - 1)*(p - 1)), (p - 1))

    G <- gmat(g1, g2, p)

    for(i in 1:N){

      yi <- as.vector(y[i, ])
      wi <- which(is.na(yi) == FALSE)
      pl <- length(wi)

      Si <- vmat(S[i, ], p)

      yi <- yi[wi]
      Si <- pmat(Si, wi)
      Gi <- pmat(G, wi)

      Wi <- ginv(Gi + Si)

      Wi <- imat(Wi, wi, p)
      yi <- ivec(yi, wi, p)

      Wi21 <- Wi[2:p, 1]
      Wi22 <- Wi[2:p, 2:p]

      A1 <- A1 + Wi21 * yi[1]
      A2 <- A2 + Wi22 %*% yi[2:p]
      A3 <- A3 + Wi21 * mu0
      A4 <- A4 + Wi22

    }

    muc <- as.vector(A1 + A2 - A3) %*% ginv(A4)
    mu <- c(mu0, muc)

    g1 <- optimize(LL1, lower = 0, upper = 5)$minimum
    g2 <- 0.5*g1

    Qc <- c(muc, g1, g2)

    rb <- abs(Qc - Qc0)/abs(Qc0); rb[is.nan(rb)] <- 0
    if(max(rb) < 10^-4) break


    Qc0 <- Qc

  }

  R7 <- c(mu, g1, g2)
  R8 <- as.numeric(-RLL(muc))

  return(list("RML" = R7, "Loglikelihood" = R8))

}