绘图平滑 ESS

plt(ess, tpe='l')
lins(1:ta, ep(0,tmx))

SMC：SESS

绘制加权粒子

plt(1:tax, out,)
for (t in 1:_ax) {
  vl = uiq(valest,\])
  wit = sply(vl, UN=(x) {
    id = utm$$sles\[t,\] == x
    rtrn(sm(wiht\[t,ind\]))
  })
  pints(va)
}
lies(1t_x, at$xue)

滤波估计

绘图平滑估计

plt(x,y, type='')

polgon(x, y)
lins(1:tmx, mean)

平滑估计

denty(out)
indx = c(5, 10, 15)

for (k in 1:legh) {
  inex
  plt(x)
  pints(xtrue\[k\])
}

边缘后验

smay(otmh, pro=c(.025, .975))

后验均值和分位数

mean
quant
plot(x, y)

polo(x, y, border=NA)
lis(1:tax, mean)

后验均值和分位数

MCMC 样本的踪迹图

for (k in 1:length {
  tk = idx\[k\]
  plot(out\[tk,\]
    )
  points(0, xtetk)
}

跟踪样本

后验直方图

for (k in 1:lngh) {
  k = inex\[k\]
  hit(mh$x\[t,\])
  poits(true\[t\])
}

后边缘直方图

后验的核密度估计

for (k in 1:lnth(ie)) {
 idx\[k\]
  desty(out\[t,\])
  plt(eim)
  poit(xtu\[t\])
}

KDE 后验边缘估计

敏感性分析

我们想研究对参数 α 值的敏感性

算法参数

nr = 50 # 粒子的数量
gd <- seq(-5,2,.2) # 一个成分的数值网格
A = rep(grd, tes=leg) # 第一个成分的值
B = rep(grd, eah=lnh) # 第二个成分的值
vaue = ist('lph' = rid(A, B))

运行灵敏度分析

sny(oel,aaval, ar)

绘制对数边缘似然和惩罚对数边缘似然

# 通过阈值处理避免标准化问题
thr = -40
z = atx(mx(thr, utike), row=enth(rd))

plot(z, row=grd, col=grd,
          at=sq(thr))

敏感性：对数似然