验后估计与仿真诊断
实证，自定义和semiconjugate先前的模型产生顽固性分析后验分布（更多详情，请参阅分析棘手的后验）.为了总结后验分布进行估计和推断，第一个模型需要蒙特卡罗抽样，而后两个模型需要马尔可夫链蒙特卡罗(MCMC)抽样。当使用蒙特卡罗样本，特别是MCMC样本估计后验时，您可能会遇到问题，导致样本不能充分代表或没有总结后验分布。在这种情况下，基于后验图的估计和推断可能是错误的。
即使是后分析听话或您的MCMC样本代表真实的后验好了，你的先验分布的选择可以影响意想不到的方式后验分布。例如，一个小的变化，以先验分布，如在先前超参数的值的少量增加，可以对后验估计或推断有很大影响。如果后是敏感之前的假设，然后统计和推论的解释基于后可能会产生误导。
因此，在抽样算法得到后验分布后，确定样本的质量是非常重要的。此外，无论后验在分析上是否可处理，重要的是检查后验对先验分布假设的敏感性。
获得诊断模型样本
当绘制一个MCMC样品，好的做法是绘制一个较小的，导频样本，然后视图跟踪地块的参数值，以检查样品是否足够。跟踪地块是相对于模拟索引所绘制的参数值的曲线图。满意的MCMC样品快速混合达到平稳分布很好，就是探索很少在宽阔的台阶分布没有先前的平局内存。这个数字是一个令人满意的MCMC样品的一个例子。
这个列表描述了MCMC示例中存在问题的特征，给出了在跟踪图中查找什么内容的示例，并描述了如何解决这个问题。
MCMC样本似乎以静止分配行进，即它显示瞬态特性．
要解决这个问题，可以使用以下方法之一:
指定更接近静止分发的均值的参数的起始值，或者使用以下值指定您期望的值
BetaStart和Sigma2Start名称 - 值对的参数。指定A.老化期间，即从数字抽取开始，从后验估计中去除，使用
燃烧名称-值对的论点。烧入期应该足够大，以便剩余的样品类似于一个满意的MCMC样本，以及足够小，以便调整样本规模足够大。
MCMC样品显示高序列相关性。下图为轨迹图和自相关函数(ACF)图(见下图)
autocorr）.
轨迹图显示，随后的样本似乎是过去样本的函数。ACF图显示了一个具有高度自相关性的过程。
这样的MCMC样品混合不当，需要很长的时间来充分发掘分布。尝试以下内容：
如果您有足够的资源，那么基于大型MCMC样本的估计值近似是正确的。
为了降低高自相关性，您可以保留MCMC样本的一部分变薄使用
薄名称-值对的论点。对于自定义之前的模型，尝试不同的取样器使用
的取样器名称-值对的论点。要调整采样器的调整参数，请通过使用创建采样器选项结构sampleroptions，它允许您指定的调谐参数的采样和值。然后，通过采样器选项结构估计，模拟,或预测通过使用'选项'名称-值对的论点。
该MCMC样本跳跃的州。
该图显示了以值为中心的子样本
2，7， 和5，混合得很好。这种行为可能表明以下特征之一:至少其中一个参数是无法识别。您可能必须要改革你的模型和假设。
有可能是您的吉布斯采样编码问题。
平稳分布是多峰。在这个例子中，在状态的概率为中心在
7是最高的，其次是2， 进而5．移出以点为中心的状态的概率7很低。如果您之前是强大的，你的样本量很小，那么你可能会看到这种类型的MCMC样本，这不一定是有问题的。
马尔可夫链不收敛于其平稳分布。
曲线看起来像随机散步，因为MCMC正在慢慢探索后部。如果发生此问题，则基于MCMC示例的后估计是不正确的。要纠正问题，请尝试以下技术：
如果你有足够的资源，吸取更多的样品，然后再确定是否链条最终稳定和轻微混合。如果它落户和混合比较好，然后取出样品的开始部分，并考虑减薄样本的休息。例如，假设你画
20000图中链的样本，然后你会发现链在附近-3后7000吸引了。你可以治疗抽筋1:7000作为老化（燃烧)，然后瘦(薄）其余即将实现的自相关的一个令人满意的水平。重新参数化先验分布。当估算
customblm模型对象，您可以指定对对数尺度扰动方差的重新参数化使用回购名称-值对的论点。对于自定义之前的模型，尝试不同的取样器使用
的取样器名称-值对的论点。要调整采样器的调整参数，请通过使用创建采样器选项结构sampleroptions，它允许您指定的调谐参数的采样和值。然后，通过采样器选项结构估计，模拟,或预测通过使用'选项'名称-值对的论点。
除了跟踪和acf图，估计，模拟， 和预测估计有效样本容量．如果有效样本大小小于观察数的1%，那么这些函数会抛出警告。有关详细信息，请参见[1]．
进行敏感性分析
一个敏感性分析包括确定后验估计对先验和数据分布假设的稳健性。也就是说，目标是学习如何用合理的替代方案替换初始值和先验假设，从而影响后验分布和推论。如果后验和推论对应用没有太大的变化，那么后验对先验假设和初值是稳健的。后验和推论随着不同的初始假设而有很大的不同，可能导致错误的解释。
进行敏感性分析:
确定一组合理的先前模型。包括弥漫（
diffuseblm)模型和主观(conjugateblm或者semiconjugateblm）模式，更容易理解和允许包含的先验信息。对于每个先验模型，确定一组似是而非的超参数值。例如，对于正-逆-共轭或半共轭先验模型，选择回归系数的先验均值和协方差矩阵的不同值，以及干扰方差的逆伽马分布的形状和尺度参数。有关详细信息，请参见
亩，V，一个， 和B的名称 - 值对参数bayeslm．对于所有先前的模型假设:
比较模型中估计和推断。
如果所有的估计和推断足够相似，那么后强劲。
如果预测或推断有足够的不同，则可能是与所选先验或数据可能一些潜在的问题。因为在计量经济学工具箱™贝叶斯线性回归框架总是假设数据是高斯，可以考虑：
从回归模型中添加或删除预测变量
使先验更多的信息
完全不同的预先假设
有关敏感性分析的详细信息，请参阅［2］，ch。6。
参考
[1]螟，C.J。“实用马尔可夫链蒙特卡洛”。统计科学。卷。7，1992，第473-483页。
[2]的Gelman，A.，J。B.卡林，H. S.斯特恩和D. B.鲁宾。贝叶斯数据分析，第2位。编辑。博卡拉顿：查普曼和霍尔/ CRC，2004年。
另请参阅
相关话题
您还可以从以下列表中选择一个网站：
