原文链接：http://tecdat.cn/?p=19889

 

如果您可以写出模型的似然函数，则 Metropolis-Hastings算法可以负责其余部分（即MCMC ）。我写了r代码来简化对任意模型的后验分布的估计。具体如下：

1）定义模型（即概率先验）。在此示例中，让我们构建一个简单的线性回归模型（对数）。

1. 


2. 


3. a<-pars[1]      #截距

4. 


5. b<-pars[2]      #斜率

6. 


7. sd_e<-pars[3]   #残差

8. 


9. if(sd_e<=0){return(NaN)}

10. 


11. 


12. 


13. log_likelihood<-sum( dnorm(data[,2],pred,sd_e, log=TRUE) )

14. 


15. 


先验：

1. 


2. epsilon<-pars[3]    #残差

3. 


4. 


5. 


6. prior_a<-dnorm(a,0,100,log=TRUE)     ##所有的非信息性先验

7. 


8. prior_b<-dnorm(b,0,100,log=TRUE)     ## 参数.

9. 


10. prior_epsilon<-dgamma(epsilon,1,1/100,log=TRUE)

11. 


12. 


现在让我们模拟一些数据以进行运行测试：

1. x<-runif(30,5,15)

2. 


3. y<-x+rnorm(30,0,5) ##斜率=1, 截距=0, epsilon=5

4. 


2）Metro Hastings 完成所有工作。

MH(li_func=li_reg,pars=c(0,1,1),

3）您可以使用plotMH（）查看所有模型参数的后验

1. plot(mcmc)

2. 


绘制所有参数之间的相关性。

4）输出后验置信区间。

1. BCI

2. 


3. #              0.025    0.975

4. 


5. # a       -5.3345970 6.841016

6. 


7. # b        0.4216079 1.690075

8. 


9. # epsilon  3.8863393 6.660037

接下来，我想提供一种直观的方法来可视化此算法运行的情况。

主要思想是从分布中抽取样本。积分很重要，贝叶斯定理本身：

P（θ| D）= P（D |θ）P（θ）/ P（D）

其中P（D）是观察数据的无条件概率。由于这不依赖于推断的模型（θ）参数，因此P（D）是归一化常数。

因此，我们有一个非归一化的概率密度函数，我们希望通过随机抽样来估计。对于复杂的模型而言，随机抽样本身的过程通常很困难，因此，我们使用马尔可夫链来探索分布。我们需要一个链，如果运行时间足够长，它将作为目标分布的随机样本整体。我们构建的马尔可夫链的这种特性称为 遍历性。Metropolis-Hastings算法是构建这种链的一种方法。

步骤：

1. 在参数空间k_X中选择一些起点

2. 选择一个候选点k_Y〜N（k_X，σ）。这通常称为提议分布。

3. 移至候选点的概率为：min（π（k_Y）/π（K_X），1）

4. 重复。

以下代码通过简单的正态目标分布演示了此过程。

1. 


2. ###     Metropolis-Hastings 可视化                #######

3. 


4. 


5. 


6. k_X = seed; ##将k_X设置为种子位置

7. 


8. 


9. 


10. 


11. for(i in 1:iter)

12. 


13. {

14. 


15. track<-c(track,k_X)    ## 链

16. 


17. k_Y = rnorm(1,k_X,prop_sd) ##候选点

18. 


19. 


20. 


21. ## -- 绘制链的核密度估计

22. 


23. 


24. 


25. 


26. 


27. lines(density(track,adjust=1.5),col='red',lwd=2)

28. 


29. 


30. 


31. ## -- 绘制链

32. 


33. 


34. plot(track,1:i,xlim=plot_range,main='',type='l',ylab='Trace')

35. 


36. 


37. 


38. 


39. ## -- 绘制目标分布和提议分布

40. 


41. 


42. 


43. curve(dnorm(x,k_X,prop_sd),col='black',add=TRUE)

44. 


45. abline(v=k_X,lwd=2)

46. 


47. 


48. 


49. 


50. ## 接受概率为a_X_Y

51. 


52. if (log(runif(1))<=a_X_Y)

53. 


54. 


55. 


56. points(k_Y,0,pch=19,col='green',cex=2)

57. 


58. 


59. 


60. ## 调整提议

61. 


62. if(i>100)

63. 


64. prop_sd=sd(track[floor(i/2):i])

65. 


 

该算法实现中的一个普遍问题是σ的选择。当σ接近目标分布的标准偏差时，将发生有效混合（链收敛到目标分布）。当我们不知道这个值时。我们可以允许σ根据到目前为止的链历史记录进行调整。在上面的示例中，将σ更新为链中某些先验点的标准偏差值。

输出为多页pdf，可以滚动浏览。

顶部显示了目标分布（蓝色虚线）和通过MCMC样本对目标进行的核平滑估计。第二面板显示了链的轨迹，底部显示了算法本身的步骤。

注意：请注意，前100次左右的迭代是目标分布的较差表示。在实践中，我们将“预烧”该链的前n个迭代-通常是前100-1000个。

 

 

 

最受欢迎的见解

1.使用R语言进行METROPLIS-IN-GIBBS采样和MCMC运行

2.R语言中的Stan概率编程MCMC采样的贝叶斯模型

3.R语言实现MCMC中的Metropolis–Hastings算法与吉布斯采样

4.R语言BUGS JAGS贝叶斯分析 马尔科夫链蒙特卡洛方法（MCMC）采样

5.R语言中的block Gibbs吉布斯采样贝叶斯多元线性回归

6.R语言Gibbs抽样的贝叶斯简单线性回归仿真分析

7.R语言用Rcpp加速Metropolis-Hastings抽样估计贝叶斯逻辑回归模型的参数

8.R语言使用Metropolis- Hasting抽样算法进行逻辑回归

9.R语言中基于混合数据抽样(MIDAS)回归的HAR-RV模型预测GDP增长