蒙特卡洛方法利用随机数从概率分布P(x)中生成样本，并从该分布中评估期望值，该期望值通常很复杂，不能用精确方法评估。

由Kaizong Ye，Coin Ge撰写

在贝叶斯推理中，P（x）通常是定义在一组随机变量上的联合后验分布。然而，从这个分布中获得独立样本并不容易，这取决于取样空间的维度。

因此，我们需要借助更复杂的蒙特卡洛方法来帮助简化这个问题；例如，重要性抽样、拒绝抽样、吉布斯抽样和Metropolis Hastings抽样。这些方法通常涉及从建议密度Q(x)中取样，以代替P(x)。

可下载资源

在重要性抽样中，我们从Q(x)中产生样本，并引入权重以考虑从不正确的分布中抽样。然后，我们对我们需要评估的估计器中的每个点的重要性进行调整。在拒绝抽样中，我们从提议分布Q(x)中抽取一个点，并计算出P(x)/Q(x)的比率。然后我们从U(0,1)分布中抽取一个随机数u；如果

，我们就接受这个点x，否则就拒绝并回到Q(x)中抽取另一个点。吉布斯抽样是一种从至少两个维度的分布中抽样的方法。这里，提议分布Q(x)是以联合分布P(x)的条件分布来定义的。我们通过从后验条件中迭代抽样来模拟P(x)的后验样本，同时将其他变量设置在其当前值。

MCMC 的算法使用了一种接受、拒绝的条件判断结构，试想如果大部分采样值都被拒绝转移，就会导致采样了上百万次也没有使马尔可夫链收敛到平稳分布。这在实际中也是无法接受的。

Metropolis-Hastings (M-H) 采样

M-H 是两个算法创造者的名字！

M-H 采样用于解决MCMC接受率过低的问题。

我们从MCMC的细致平稳条件出发：

$\pi(i) Q(i, j) \alpha(i, j)=\pi(j) Q(j, i) \alpha(j, i)\\$

MCMC接受率过低主要原因是 $\alpha(i,j)$ 过小的缘故，但是如果上式两端同时放大，细致平稳条件仍然可以满足：

$\pi(i) Q(i, j) \times 0.1=\pi(j) Q(j, i) \times 0.2\\$

$\pi(i) Q(i, j) \times 0.5=\pi(j) Q(j, i) \times 1\\$

Vanilla MCMC 对于这个值的计算方式是：

$\begin{array}{l} \alpha(i, j)=\pi(j) Q(j, i) \\ \alpha(j, i)=\pi(i) Q(i, j) \end{array}\\$

因此，一个直观且有效的改进方法就是：

$\alpha(i, j)=\min \left\{\frac{\pi(j) Q(j, i)}{\pi(i) Q(i, j)}, 1\right\}\\$

即把等式两边的 $\alpha(i,j),\alpha(j,i)$ 中最大的一个扩大到 1，对应的也按相应比例放大。

Pseudocode

选定任意的马尔科夫链状态转移矩阵 Q，平稳分布 $π(x)$ ，设定状态转移次数阈值 $n_1$ ，需要的样本个数 $n_2$ ；
从任意简单概率分布开始，采样得到初始状态 $x_0$ ；
for $t=0$ to $n_{1}+n_{2}-1$ :
从条件概率分布 $Q(x|x_t)$ 中采样得到样本 $x_∗$
从均匀分布采样u∼uniform[0,1]
如果 $u<\alpha\left(x_{t}, x_{*}\right)=\min \left\{\frac{\pi(j) Q(j, i)}{\pi(i) Q(i, j)}, 1\right\}$ , 则接受转移 $x_{t} \rightarrow x_{*}$ ，即 $x_{t+1}=x_*$
否则不接受转移，即 $x_{t+1}=x_t$

样本集 $\left(x_{n_{1}}, x_{n_{1}+1}, \dots, x_{n_{1}+n_{2}-1}\right)$ 即为我们需要的平稳分布对应的样本集。

很多时候，我们选择的马尔科夫链状态转移矩阵 Q 如果是对称矩阵，即满足 $Q(i,j)=Q(j,i)$ ，这时我们的接受率可以进一步简化为：

$\alpha(i, j)=\min \left\{\frac{\pi(j)}{\pi(i)}, 1\right\}\\$

Gibbs 采样

M-H 在高维情况下有两个缺点：

计算 M-H 中的 $\min \left\{\frac{\pi(j) Q(j, i)}{\pi(i) Q(i, j)}, 1\right\}$ 是一笔很大的开销。
高维情况下需要以多元联合分布为采样目标，通常很难求出。

Gibbs采样思想

当联合分布未知或者难以取样，而每一个变量的条件分布则已知或者更易于取样的时候，我们就可以用Gibbs Sampling。Gibbs Sampling算法依次从每一个变量的分布中，以其他变量的当前值为条件，生成一个个体。易知，这个样本序列构成了一个Markov Chain，以及这个Markov Chain的平稳分布（stationary distribution）就是所需要的联合分布。

给定一个多元分布，相比对联合分布 $Q$ 积分然后求边缘分布 $Q(x|x_t)$ ，从条件分布中直接取样的方法来的更加容易。

以二维数据为例，假设 $π(x1,x2)$ 是一个二维联合数据分布，观察第一个特征维度相同的两个点 $A: (x^{(1)}_1,x^{(1)}_2)，B:(x^{(1)}_1,x^{(2)}_2)$ （上标为马尔可夫链的时间戳，下标为特征），容易发现下面两式成立：

$\begin{array}{l} \pi\left(x_{1}^{(1)}, x_{2}^{(1)}\right) \pi\left(x_{2}^{(2)} \mid x_{1}^{(1)}\right)=\pi\left(x_{1}^{(1)}\right) \pi\left(x_{2}^{(1)} \mid x_{1}^{(1)}\right) \pi\left(x_{2}^{(2)} \mid x_{1}^{(1)}\right) \\ \pi\left(x_{1}^{(1)}, x_{2}^{(2)}\right) \pi\left(x_{2}^{(1)} \mid x_{1}^{(1)}\right)=\pi\left(x_{1}^{(1)}\right) \pi\left(x_{2}^{(2)} \mid x_{1}^{(1)}\right) \pi\left(x_{2}^{(1)} \mid x_{1}^{(1)}\right) \end{array}\\$

由于两式的右边相等，因此我们有：

$\pi\left(x_{1}^{(1)}, x_{2}^{(1)}\right) \pi\left(x_{2}^{(2)} \mid x_{1}^{(1)}\right)=\pi\left(x_{1}^{(1)}, x_{2}^{(2)}\right) \pi\left(x_{2}^{(1)} \mid x_{1}^{(1)}\right)\\$

即

$\pi(A) \pi\left(x_{2}^{(2)} \mid x_{1}^{(1)}\right)=\pi(B) \pi\left(x_{2}^{(1)} \mid x_{1}^{(1)}\right)\\$

即在 $x_1=x_1^{(1)}$ 这根一维线上，我们可以将条件概率分布 $\pi\left(x_{2} \mid x_{1}^{(1)}\right)$ 作为马尔科夫链的状态转移概率，则任意两个点之间的转移满足细致平稳条件！

同理，如果是前后两个采样点 $A: (x^{(1)}_1,x^{(1)}_2)，C:(x^{(2)}_1,x^{(1)}_2)$ ，此时是 $x_2 = x_2^{(1)}$ 不变，那么在这条一维的线上，条件概率分布 $\pi\left(x_{1} \mid x_{2}^{(1)}\right)$ 是其满足细致平稳条件的状态转移矩阵。

这也间接的导致了 MCMC 中的接受系数 $\alpha$ 恒等于1！即恒接受每一个采样点！

设 $x^*$ 为新的采样点，k为唯一有变化的一维

$\alpha\left(x^{*}, x\right)=\frac{\pi\left(x^{*}\right) q_{k}\left(x \mid x^{*}\right)}{\pi(x) q_{k}\left(x^{*} \mid x\right)}=\frac{\pi\left(x_{k}^{*} \mid x_{\backslash k}^{*}\right) \pi\left(x_{\backslash k}^{*}\right) \pi\left(x_{k} \mid x_{\backslash k}^{*}\right)}{\pi\left(x_{k} \mid x_{\backslash k}\right) \pi\left(x_{\backslash k}\right) \pi\left(x_{k}^{*} \mid x_{\backslash k}\right)}=1\\$

二维Gibbs采样

平稳分布 $ $π(x_1, x_2)$ ，设定状态转移次数阈值 $n_1$ ，需要的样本个数 $n_2$ ；
从任意简单概率分布开始，采样得到初始状态 $x^{(0)}_1,x_2^{(0)}$ ；
for $t=0$ to $n_{1}+n_{2}-1$ :
– 从条件概率分布 $P\left(x_{2} \mid x_{1}^{(t)}\right)$ 中采样得到样本 $x_2^{(t+1)}$
– 从条件概率分布 $P\left(x_{1} \mid x_{2}^{(t+1)}\right)$ 中采样得到样本 $x_1^{(t+1)}$

样本集 $\left\{\left(x_{1}^{\left(n_{1}\right)}, x_{2}^{\left(n_{1}\right)}\right),\left(x_{1}^{\left(n_{1}+1\right)}, x_{2}^{\left(n_{1}+1\right)}\right), \ldots,\left(x_{1}^{\left(n_{1}+n_{2}-1\right)}, x_{2}^{\left(n_{1}+n_{2}-1\right)}\right)\right\}$ 即为我们需要的平稳分布对应的样本集。

整个采样过程中，我们通过轮换坐标轴，采样的过程为：

$\left(x_{1}^{(1)}, x_{2}^{(1)}\right) \rightarrow\left(x_{1}^{(1)}, x_{2}^{(2)}\right) \rightarrow\left(x_{1}^{(2)}, x_{2}^{(2)}\right) \rightarrow \ldots \rightarrow\left(x_{1}^{\left(n_{1}+n_{2}-1\right)}, x_{2}^{\left(n_{1}+n_{2}-1\right)}\right)\\$

虽然，重要性抽样和拒绝抽样需要Q(x)与P(x)相似（在高维问题中很难创建这样的密度），但当条件后验没有已知形式时，吉布斯抽样很难应用。

视频

马尔可夫链蒙特卡罗方法MCMC原理与R语言实现

探索见解 ➜

去bilibili观看 ➜

探索更多视频 ➜

视频

什么是Bootstrap自抽样及R语言Bootstrap线性回归预测置信区间

探索见解 ➜

去bilibili观看 ➜

探索更多视频 ➜

这一假设在更普遍的Metropolis-Hastings算法中可以放宽，在该算法中，候选样本被概率性地接受或拒绝。这种算法可以容纳对称和不对称的提议分布。该算法可以描述如下

初始化

抽取
计算
从中抽取
如果设
否则，设置
结束

吉布斯抽样是Metropolis Hastings的一个特例。它涉及一个总是被接受的提议（总是有一个Metropolis-Hastings比率为1）。

我们应用Metropolis Hastings算法来估计标准G-BLUP模型中回归系数的方差成分。

对于G-BLUP模型。

其中，代表表型的向量和基因型的矩阵。是标记效应的向量，是模型残差的向量，残差为正态分布，均值为0，方差为和。

考虑到其余参数，的条件后验密度为：

这是一个逆卡方分布。

假设我们需要使的先验尽可能地不具信息性。一种选择是设置，，并使用拒绝抽样来估计；但是，设置S0=0可能会导致算法卡在0处。因此，我们需要一个可以替代逆卡方分布的先验，并且可以非常灵活。为此，我们建议使用β分布。由于所得到的后验不是一个合适的分布，Metropolis Hastings算法将是获得后验样本的一个好选择。

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

这里我们把作为我们的提议分布Q。因此。

我们的目标分布是的正态似然与的β先验的乘积。由于β分布的域在0和1之间，我们用变量来代替β先验，其中MAX是一个确保大于的数字，这样。

其中α1和α2是β分布的形状参数，其平均值由给出。

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

阅读文章 ➜

我们按照上面的算法步骤，计算出我们的接受率，如下所示。

然后我们从均匀分布中抽取一个随机数u，如果，则接受样本点，否则我们拒绝该点并保留当前值，再次迭代直至收敛。

Metropolis Hastings 算法

MetropolisHastings=function(p, ...)

 chain\[1\]=x
  for (i in 1:nIter) {
      y\[i\] <-(SS+S0)/rchisq(df=DF,n=1,...)
  
    logp.old\[i\]=-(p/2)\*log(chai) - (SS/(2\*chain) + (shape1-1)*(log(chain\[i\]/(MAX)))+(shape2-1)*(log(1-(chain\[i\]/(MAX))

    logp.new\[i\]=-(p/2)\*log(y\[i\]) - (SS/(2\*y\[i\])) + (shape1-1)*(log(y\[i\]/(MAX)))+(shape2-1)*(log(1-(y\[i\]/(MAX))
    chain\[i+1\] = ifelse (runif(1)<AP\[i\] , y\[i\], chain\[i\],...)

吉布斯采样器

gibbs=function(p,...)
b = rnorm(p,0,sqrt(varb),...)
 for (i in 1:Iter) {
      chain\[i\] <-(S+S0)/rchisq(df=DF,n=1,...)

随时关注您喜欢的主题

绘制图

plot = function(out1,out2)
plot(density(chain1),xlim=xlim)
lines(density(chain2),xlim=xlim)
abline(v=varb,col="red",lwd=3)

设置参数

运行吉布斯采样器

##################
out1=gibbs(p=sample.small,...)
out2=gibbs(p=sample.large,...)

在不同的情况下运行METROPOLIS HASTINGS

小样本量，先验

out.mh=mh(p=sample.small,nIter=nIter,varb=varb,shape1=shape.flat,shape2=shape.flat, MAX=MAX)

样本量小，β值的形状1参数大

p=sample.small
nIter
varb
shape.skew\[1\]
shape.skew\[2\]
 MAX

plot(out.mh, out.gs_1)

MetropolisHastings(p)

makeplot(out.mh, out.gs_1)

样本量小，β值的形状1参数大

## Summary of chain for MH: 
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##  0.2097  0.2436  0.2524  0.2698  0.2978  0.4658

样本量小，β的形状参数相同（大）

plot(out.mh, out1)

大的样本量，先验

plot(out.mh, out2)

大样本量，形状1参数的β

plot(out.mh, out2)

大样本量，β值的大形状2参数

plot(out.mh, out_2)

大样本量，β的形状参数相同（大）

plot(out.mh, out2)

参考文献

Gelman, Andrew, et al. Bayesian data analysis. Vol. 2. London: Chapman & Hall/CRC, 2014.

可下载资源

关于作者

Kaizong Ye是拓端研究室（TRL）的研究员。在此对他对本文所作的贡献表示诚挚感谢，他在上海财经大学完成了统计学专业的硕士学位，专注人工智能领域。擅长Python.Matlab仿真、视觉处理、神经网络、数据分析。

本文借鉴了作者最近为《R语言数据分析挖掘必知必会 》课堂做的准备。

非常感谢您阅读本文，如需帮助请联系我们！

R语言蒙特卡洛方法：方差分量的Metropolis Hastings（M-H）、吉布斯Gibbs采样比较分析

Metropolis-Hastings (M-H) 采样

Pseudocode

Gibbs 采样

Gibbs采样思想

二维Gibbs采样

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

Metropolis Hastings 算法

吉布斯采样器

随时关注您喜欢的主题

绘制图

设置参数

运行吉布斯采样器

在不同的情况下运行METROPOLIS HASTINGS

小样本量，先验

样本量小，β值的形状1参数大

样本量小，β值的形状1参数大

样本量小，β的形状参数相同（大）

大的样本量，先验

大样本量，形状1参数的β

大样本量，β值的大形状2参数

大样本量，β的形状参数相同（大）

相关文章

R语言蒙特卡洛方法：方差分量的Metropolis Hastings（M-H）、吉布斯Gibbs采样比较分析

Metropolis-Hastings (M-H) 采样

Pseudocode

Gibbs 采样

Gibbs采样思想

二维Gibbs采样

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

Metropolis Hastings 算法

吉布斯采样器

随时关注您喜欢的主题

绘制图

设置参数

运行吉布斯采样器

在不同的情况下运行METROPOLIS HASTINGS

小样本量，先验

样本量小，β值的形状1参数大

样本量小，β值的形状1参数大

样本量小，β的形状参数相同（大）

大的样本量，先验

大样本量，形状1参数的β

大样本量，β值的大形状2参数

大样本量，β的形状参数相同（大）

相关文章

关注有关新文章的微信公众号