R语言近似贝叶斯计算MCMC（ABC-MCMC）轨迹图和边缘图可视化

近似​​贝叶斯​​计算和近似技术基于随机模拟模型中的样本计算近似似然值，在过​​去几年中引起了很多关注，因为它们有望为任何随机过程提供通用统计技术。

一位同事向我询问我们在我们的文章中讨论过的近似贝叶斯计算 MCMC (ABC-MCMC) 算法的简单示例。下面，我提供了一个最小的示例，类似于Metropolis-Hastings 。

1.  library(coda)
2.   
3.   
4.   
5.   
6.   
7.  # 假设数据是正态分布的10个样本
8.   
9.  # 平均值为5.3，SD为2.7
10.   
11.  data =  rnorm
12.   
13.   
14.   
15.   
16.   
17.  # 我们想用ABC来推断出所使用的参数。
18.   
19.  # 我们从同一个模型中取样，用平均值和方差作为汇总统计。当我们接受ABC时，我们返回真，因为与数据的差异小于某个阈值
20.   
21.   
22.   
23.   
24.   
25.   
26.   
27.  ABC <- function(pr){
28.   
29.   
30.   
31.    # 先验避免负的标准偏差
32.   
33.    if (par <= 0) return(F)
34.   
35.   
36.   
37.    # 随机模型为给定的参数生成一个样本。
38.   
39.   
40.    samples <- rnorm
41.   
42.   
43.   
44.    # 与观察到的汇总统计数字的比较
45.   
46.   
47.    if((difmean < 0.1) & (difsd < 0.2)) return(T) else return(F)
48.   
49.  }
50.   
51.   
52.   
53.   
54.   
55.  # 我们将其插入一个标准的metropolis Hastings MCMC中。
56.   
57.  #用metropolis 的接受度来交换ABC的接受度
58.   
59.   
60.   
61.  MCMCABC <- function(saue, itns){
62.   
63.   
64.   
65.   
66.      for (i in 1:ieraos){
67.   
68.   
69.   
70.          # 提议函数
71.   
72.          prp = rnorm(2,mean = chain[i,], sd= c(0.7,0.7))
73.   
74.   
75.   
76.          if(A_ance(prl)){
77.   
78.              chn[i+1,] = prl
79.   
80.          }else{
81.   
82.              chn[i+1,] = cain[i,]
83.   
84.          }
85.   
86.      }
87.   
88.      return(mcmc(cin))
89.   
90.  }
91.   
92.   
93.   
94.  plot(psor)

结果应该是这样的：

图：后验样本的轨迹图和边缘图。从右边的边缘图中，您可以看到我们正在近似检索原始参数值，即 5.3 和 2.7。

---