内容发布更新时间 : 2024/11/8 12:12:42星期一 下面是文章的全部内容请认真阅读。

MCMC中的Metropolis Hastings抽样法

2012年03月09日?Script?字号小中大?暂无评论?阅读 1,823 次[点击加入在线收藏夹] Metropolis Hasting（下面简称MH）是蒙特卡罗马尔科夫链中一种重要的抽样方法。本文简要介绍MH算法，并给出一个实例。

MH算法在参数空间随机取值，作为起始点。按照参数的概率分布生成随机的参数，按照这一系列参数的组合，计算当前点的概率密度。依据当前点和起始点概率密度比值是否大于(0,1)之间的随机数来判断是否保留当前点。若当前点的概率密度大于该随机数，就称这种状态为接受状态，此时，在满足参数概率分布的前提下，继续随机抽取参数的组合，作为下一点，计算下一点的概率密度，并计算下一点概率密度和概率密度的比值，并继续循环。若当前点不能被接受，则继续在满足参数概率分布的前提下，继续生成随机数，作为新的参数组合，直到参数组合能够被接受为止。

下面是用MCMC MH抽样法生成满足一定条件二元正态分布的例子，供感兴趣的同仁参考。 问题：## 对于一个二元正态分布，给定输入数据点向量x （x包含两个元素，x1，x2），平均值参数向量mu（x1，x2），和sigma（方差矩阵），写出二元正态分布的概率密度函数。 该问题引自： http://users.aims.ac.za/~ioana/

由于本人对MCMC理解不深，对一些概念的理解难免出现错误，望读者能够批评得阅读，若发现问题，请及时告知本人。 ## 解答：

mvdnorm <- function(x, mu, sigma){ #从x减去mu

x.minus.mu <- x - mu

exp.arg <- -0.5 * sum(x.minus.mu * solve(sigma, x.minus.mu)) # det(sigma) sigma 的行列式

return( 1 / (2 * pi * sqrt(det(sigma))) * exp(exp.arg) ) }

## 问题二

## 假设二元正态分布的参数如下： ## 两个维度的平均值分别为 2， 3 # 协方差矩阵为 # 4 1 # 1 4

# 尝试用蒙特卡洛马尔科夫链 Metropolis Hastings 抽样法生成后验分布，进行10000次随机抽样，并计算随机点的接受率。

# 答：按照题意，有 mu <- c(2 ,3)

sigma <- matrix(c(4, 1, 1, 4), nrow = 2)

# 限制sampler在空间的移动速率，数值越大，变化越快，该数值的设定待进一步讨论。

sd.proposal <- 2

## 设定模拟的次数

n <- 10000

## 生成NA组成的矩阵，用于保存模拟的结果 x <- matrix(nrow = n, ncol = 2)

# 设定sampler的初始值，假定数据点从 0, 0开始（实际上该sampler可以从任意点开始移动）

cur.x <- c(0, 0)

# 计算给定初始值时的概率密度 cur.f <- mvdnorm(cur.x, mu, sigma)

### 蒙特卡洛马尔科夫链 n.accepted <- 0 for(i in 1:n){

new.x <- cur.x + sd.proposal * rnorm(2) ## 随机生成x

new.f <- mvdnorm(new.x, mu, sigma) ## 计算概率密度 if(runif(1) < new.f/cur.f){

## new.f/cur.f 概率密度的比率和 (0,1)之间的随机数相比 ## 若该比率小于随机数，则接受该点 n.accepted <- n.accepted + 1 cur.x <- new.x cur.f <- new.f }

x[i,] <- cur.x ## 将cur.x存到第i行 }

#查看接受率 n.accepted/n

#查看每个变量的随机变化情况 par(mfrow=c(2,1))

plot(x[,1], type=\plot(x[,2], type=\

## 绘制椭圆概率密度图 library(MASS)

proline.density <- kde2d(x[,1], x[,2], h = 5) par(mfrow = c(1, 1)) plot(x, col = \

contour(proline.density, add = TRUE) points(2,3, pch = 3)

抽样后的概率密度

Trace plot

文章来自：http://blog.sciencenet.cn/blog-255662-542389.html