任何MCMC方案的目标都是从“目标”分布产生样本。
在这种情况下，我们将使用平均值为1的指数分布作为我们的目标分布。所以我们从定义目标密度开始：
target = function(x){
if(x<0){
return(0)}
else {
return( exp(-x))
}
}可下载资源
定义了函数之后，我们现在可以用它来计算几个值（只是为了说明函数的概念）：
target(1)[1] 0.3678794target(-1)[1] 0接下来，我们将规划一个Metropolis-Hastings方案，从与目标成比例的分布中进行抽样
x[1] = 3 #这只是一个起始值，我设置为3
for(i in 2:1000){
A = target(proposedx)/target(currentx)
if(runif(1)<A){
x[i] = proposedx # 接受概率min（1，a）
} else {
x[i] = currentx #否则“拒绝”行动，保持原样
} 注意，x是马尔可夫链的实现。我们可以画几个x的图：
我们可以将其封装在一个mcmc函数中，以使代码更整洁，这样更改起始值和提议分布更容易
for(i in 2:niter){
currentx = x[i-1]
proposedx = rnorm(1,mean=currentx,sd=proposalsd)
A = target(proposedx)/target(currentx)
if(runif(1)<A){
x[i] = proposedx # 接受概率min（1，a）
} else {
x[i] = currentx # 否则“拒绝”行动，保持原样
} 现在我们将运行MCMC方案3次，看看结果有多相似：
z1=MCMC(1000,3,1)
z2=MCMC(1000,3,1)
z3=MCMC(1000,3,1)
plot(z1,type="l") 
par(mfcol=c(3,1)) #告诉R将3个图形放在一个页面上
hist(z1,breaks=seq(0,maxz,length=20)) 
练习
使用函数easyMCMC了解以下内容：
- 不同的起始值如何影响MCMC方案？
- 较大/较小的提案标准差有什么影响？
- 尝试将目标函数更改为
随时关注您喜欢的主题
target = function(x){
return((x>0 & x <1) + (x>2 & x<3))
}这个目标看起来像什么？如果提议sd太小怎么办？（例如，尝试1和0.1）
例2：估计等位基因频率
在对双等位基因座的基因型（如具有AA和AA等位基因的基因座）进行建模时，一个标准的假设是群体是“随机”的。这意味着如果p是等位基因AA的频率，那么基因型
和
将分别具有频率
和
。
p一个简单的先验是假设它在[0,1]上是均匀的。 假设我们抽样n个个体，观察
基因型
、
基因型
和
基因型
。
下面的R代码给出了一个简短的MCMC例程，可以从p的后验分布中进行采样。请尝试遍历该代码，看看它是如何工作的。
prior = function(p){
if((p<0) || (p>1)){ # || 这里意思是“或”
return(0)}
else{
return(1)}
}
likelihood = function(p, nAA, nAa, naa){
return(p^(2*nAA) * (2*p*(1-p))^nAa * (1-p)^(2*naa))
}
psampler = function(nAA, nAa, naa){
for(i in 2:niter){
if(runif(1)<A){
p[i] = newp # 接受概率min（1，a）
} else {
p[i] = currentp # 否则“拒绝”行动，保持原样
} 对
运行此样本。
现在用一些R代码来比较后验样本和理论后验样本（在这种情况下可以通过分析获得；因为我们观察到121个As和79个as，在200个样本中，p的后验样本是β（121+1,79+1）。
hist(z,prob=T)
lines(x,dbeta(x,122, 80)) # 在直方图上叠加β密度
您也可能希望将前5000 z的值丢弃为“burnin”（预烧期）。这里有一种方法，在R中仅选择最后5000 z
hist(z[5001:10000])
练习
研究起点和提案标准偏差如何影响算法的收敛性。
例3：估计等位基因频率和近交系数
在大多数情况下，将f作为种群特征来对待是很自然的，因此假设f在各个位点上是恒定的。
一个复杂一点的替代方法是假设人们有一种倾向，即人们会与比“随机”关系更密切的其他人近交（例如，在地理结构上的人口中可能会发生这种情况）。一个简单的方法是引入一个额外的参数，即“近亲繁殖系数”f，并假设
和
基因型有频率
和
。
请注意，f和p都被约束为介于0和1之间（包括0和1）。对于这两个参数中的每一个，一个简单的先验是假设它们在[0,1]上是独立的。 假设我们抽样n个个体，观察基因型
、
基因型
和
基因型
。
练习：
- 编写一个短的MCMC程序，从f和p的联合分布中取样。
sampler = function(){
f[1] = fstartval
p[1] = pstartval
for(i in 2:niter){
currentf = f[i-1]
currentp = p[i-1]
newf = currentf +
newp = currentp +
}
return(list(f=f,p=p)) # 返回一个包含两个名为f和p的元素的“list”
}- 使用此样本获得f和p的点估计（例如，使用后验平均数）和f和p的区间估计（例如，90%后验置信区间），数据：
附录：GIBBS采样
您也可以用Gibbs采样器解决这个问题
为此，您将想要使用以下“潜在变量”表示模型：
将zi相加得到与上述相同的模型:
R语言Stan贝叶斯回归置信区间后验分布可视化模型检验
R语言贝叶斯INLA空间自相关、混合效应、季节空间模型、SPDE、时空分析野生动物数据可视化
Python贷款违约预测:Logistic、Xgboost、Lightgbm、贝叶斯调参/GridSearchCV调参
R语言贝叶斯Metropolis-Hastings采样 MCMC算法理解和应用可视化案例
