共计 2306 个字符，预计需要花费 6 分钟才能阅读完成。
原文链接：http://tecdat.cn/?p=26336
最近咱们被客户要求撰写对于近似贝叶斯计算的钻研报告，包含一些图形和统计输入。
近似贝叶斯计算和近似技术基于随机模仿模型中的样本计算近似似然值，在过来几年中引起了很多关注，因为它们无望为任何随机过程提供通用统计技术
一位共事向我询问咱们在文章中探讨过的近似贝叶斯计算 MCMC (ABC-MCMC) 算法的简略示例。上面，我提供了一个最小的示例，相似于 Metropolis-Hastings。
# 假如数据是正态分布的 10 个样本
# 平均值为 5.3，SD 为 2.7
data = rnorm
# 咱们想用 ABC 来推断出所应用的参数。# 咱们从同一个模型中取样，用平均值和方差作为汇总统计。当咱们承受 ABC 时，咱们返回真，因为与数据的差别小于某个阈值
ABC <- function(pr){
# 先验防止负的标准偏差
if (par <= 0) return(F)
# 随机模型为给定的参数生成一个样本。samples <- rnorm
# 与察看到的汇总统计数字的比拟
if((difmean < 0.1) & (difsd < 0.2)) return(T) else return(F)
}
# 咱们将其插入一个规范的 metropolis Hastings MCMC 中。#用 metropolis 的接受度来替换 ABC 的接受度
MCMCABC <- function(saue, itns){for (i in 1:ieraos){
# 提议函数
prp = rnorm(2,mean = chain[i,], sd= c(0.7,0.7))
if(A_ance(prl)){chn[i+1,] = prl
}else{chn[i+1,] = cain[i,]
}
}
return(mcmc(cin))
}
plot(psor)相干视频
**
拓端
，赞 15
**
拓端
，赞 26
**
拓端
，赞 32
后果应该是这样的：
_图_：后验样本的轨迹图和边缘图。从左边的边缘图中，您能够看到咱们正在近似检索原始参数值，即 5.3 和 2.7。
点击文末 “浏览原文”
获取全文残缺材料。
本文选自《R 语言近似贝叶斯计算 MCMC（ABC-MCMC）轨迹图和边缘图可视化》。
点击题目查阅往期内容
R 语言 Gibbs 抽样的贝叶斯简略线性回归仿真剖析
python 贝叶斯随机过程：马尔可夫链 Markov-Chain，MC 和 Metropolis-Hastings，MH 采样算法可视化
Python 贝叶斯推断 Metropolis-Hastings（M-H）MCMC 采样算法的实现
Metropolis Hastings 采样和贝叶斯泊松回归 Poisson 模型
Matlab 用 BUGS 马尔可夫区制转换 Markov switching 随机稳定率模型、序列蒙特卡罗 SMC、M H 采样剖析工夫序列 R 语言 RSTAN MCMC：NUTS 采样算法用 LASSO 构建贝叶斯线性回归模型剖析职业声望数据
R 语言 BUGS 序列蒙特卡罗 SMC、马尔可夫转换随机稳定率 SV 模型、粒子滤波、Metropolis Hasting 采样工夫序列剖析
R 语言 Metropolis Hastings 采样和贝叶斯泊松回归 Poisson 模型
R 语言贝叶斯 MCMC：用 rstan 建设线性回归模型剖析汽车数据和可视化诊断
R 语言贝叶斯 MCMC：GLM 逻辑回归、Rstan 线性回归、Metropolis Hastings 与 Gibbs 采样算法实例
R 语言贝叶斯 Poisson 泊松 - 正态分布模型剖析职业足球比赛进球数
R 语言用 Rcpp 减速 Metropolis-Hastings 抽样预计贝叶斯逻辑回归模型的参数
R 语言逻辑回归、Naive Bayes 贝叶斯、决策树、随机森林算法预测心脏病
R 语言中贝叶斯网络（BN）、动静贝叶斯网络、线性模型剖析错颌畸形数据
R 语言中的 block Gibbs 吉布斯采样贝叶斯多元线性回归
Python 贝叶斯回归剖析住房累赘能力数据集
R 语言实现贝叶斯分位数回归、lasso 和自适应 lasso 贝叶斯分位数回归剖析
Python 用 PyMC3 实现贝叶斯线性回归模型
R 语言用 WinBUGS 软件对学术能力测验建设档次（分层）贝叶斯模型
R 语言 Gibbs 抽样的贝叶斯简略线性回归仿真剖析
R 语言和 STAN,JAGS：用 RSTAN,RJAG 建设贝叶斯多元线性回归预测选举数据
R 语言基于 copula 的贝叶斯分层混合模型的诊断准确性钻研
R 语言贝叶斯线性回归和多元线性回归构建工资预测模型
R 语言贝叶斯推断与 MCMC：实现 Metropolis-Hastings 采样算法示例
R 语言 stan 进行基于贝叶斯推断的回归模型
R 语言中 RStan 贝叶斯层次模型剖析示例
R 语言应用 Metropolis-Hastings 采样算法自适应贝叶斯预计与可视化
R 语言随机搜寻变量抉择 SSVS 预计贝叶斯向量自回归（BVAR）模型
WinBUGS 对多元随机稳定率模型：贝叶斯预计与模型比拟
R 语言实现 MCMC 中的 Metropolis–Hastings 算法与吉布斯采样
R 语言贝叶斯推断与 MCMC：实现 Metropolis-Hastings 采样算法示例
R 语言应用 Metropolis-Hastings 采样算法自适应贝叶斯预计与可视化
视频：R 语言中的 Stan 概率编程 MCMC 采样的贝叶斯模型
R 语言 MCMC:Metropolis-Hastings 采样用于回归的贝叶斯预计
