R-概率统计与模拟（四）拒绝抽样

本文介绍了拒绝抽样（Reject Sampling）。

前文《R-概率统计与模拟（三）变换均匀分布对特定分布进行抽样》介绍了通过“变换均匀分布”来对特定分布进行抽样的方法，但是该方法需要知道累积分布的解析表达式及其反函数，所以有一定的限制。

其实，我们最常接触的还是 $\text{p.d.f.}$，根据$\text{p.d.f.}$抽样往往更直接。比如，均匀分布的$\text{p.d.f.}$就很简单，对其抽样也很方便。但是，对于一些复杂的$\text{p.d.f.}$，直接抽样是不可取的，需要用其它方法。拒绝抽样就是其中一种。

下文分为五个部分：

1. 拒绝抽样简介
2. 利用拒绝抽样方法对$\text{Gamma}$分布抽样
3. 如何利用rand7对rand10抽样
4. 蓄水池抽样算法
5. 对拒绝抽样的补充说明

拒绝抽样简介

所谓拒绝抽样，是针对一个已知$\text{p.d.f.}$的概率分布进行抽样的方法。具体步骤如下：

1. 假设我们要对一个分布进行随机抽样，已知其$\text{p.d.f.}$是$p(x)$。
2. $p(x)$可能比较复杂以至于直接抽样有困难，我们可以选择一个容易抽样的分布，假设该分布$\text{p.d.f.}$是$q(x)$，再选择一个足够大的数$M$，使得$Mq(x)$始终比$p(x)$大。
3. 根据$q(x)$抽取一个值$x_i$。
4. 从$[0,1]$均匀分布中抽取一个数$u_i$，如果$$u_i<\frac{p(x_i)}{Mq(x_i)},$$ 那么接受$x_i$这个采样值，否则拒绝它。
5. 重复第3步和第4步，知道采样的数量达到预定要求。

通过这些步骤获取到的采样值就是符合$p(x)$分布的。需要注意的是$M$的取值，如果$M$过大，会导致抽样过程中被拒绝的点增多，降低采样点的接受率。事实上，我们可以证明采样点的接受率是$\frac{1}{M}$，所以$M$的取值应该在保证$Mq(x)>p(x),\forall x$的前提下尽可能得小。（相关的证明在文末。）

像上图一样，$M$的取值要保证$Mq(x)>p(x),\forall x$。

利用拒绝抽样方法对 $\text{Gamma}$分布抽样

上面的步骤比较抽象，我们举一个实际的例子来说明：我们怎么通过拒绝抽样的方法对$\text{Gamma}(x,\alpha ,1)$进行抽样？
（选这个例子是因为它也用到了我们在前文提到的“变换均匀分布”的方法。）

我们对照上面的步骤一步一步来说：

1. 我们知道，目标分布$\text{Gamma}(x,\alpha ,1)$的$\text{p.d.f.}$是：
   $$p(x)=\frac{e^{-x}{x}^{\alpha -1}}{\Gamma (\alpha )}$$
2. 显然$p(x)$比较复杂，不易直接采样。我们选择一个较容易采样的分布，其$\text{p.d.f.}$是：
   $$q(x)=\frac{\lambda {\alpha }^{\lambda }{x}^{\lambda -1}}{({\alpha }^{\lambda }+x^{\lambda }{)}^2},$$
   我们选择$M$：
   $$M=\frac{4e^{-\alpha }{\alpha }^{\alpha }}{\lambda \Gamma (\alpha )},$$
   所以：
   $$Mq(x)=\frac{4e^{-\alpha }{\alpha }^{\lambda +\alpha }{x}^{\lambda -1}}{\Gamma (\alpha )({\alpha }^{\lambda }+x^{\lambda }{)}^2}.$$
   可以证明，当$\alpha >1$ 并且 $1\le \lambda \le \sqrt{2\alpha -1}$ 时，对所有$x$都有$p(x)<Mq(x)$。并且可以看出，当$\lambda$取值不同时，$q(x)$、$M$ 以及 $Mq(x)$ 都是在变化的，也会影响到接受率。
3. 根据$q(x)$抽取一个值$x_i$。看起来$q(x)$也是蛮复杂的，怎么对其抽样呢？我们可以通过变换均匀分布的方法来实现：
   我们从$[0,1]$的均匀分布中抽取一个值$r_i$，然后令
   $$x_i=\alpha {\left(\frac{r_i}{1-r_i}\right)}^{1/\lambda }$$
   这种通过变换均匀分布的方式得到的$x_i$等价于从$q(x)$中抽取$x_i$。
4. 从$[0,1]$均匀分布中抽取一个数$u_i$，如果$$u_i<\frac{p(x_i)}{Mq(x_i)},$$ 那么接受$x_i$这个采样值，否则拒绝它。
5. 重复第3步和第4步，知道采样的数量达到预定要求。

上文已经提及，$\lambda$取值不同会影响$M$值，从而影响到接受率。为了验证这一点，笔者写了一段代码来做一个实验：
假设我们让$\alpha =5$，再分别让$\lambda =3$以及$\lambda =1$来看看$\lambda$取值不同对接受率的影响。
代码如下：

# Step1. p(x)函数
px <- function(x, a) dgamma(x, shape=a, scale=1)  

# Step2. q(x)函数
qx <- function(x, a, l) a ^ l * l * x ^ (l - 1) / ((a ^ l + x ^ l ) ^ 2)  
getM <- function(a, l) 4 * exp(-a) * a ^ a / (gamma(a) * l)  # 计算M值
mqx <- function(x, a, l, M) M * qx(x, a, l)     # Mq(x)函数

# Step3. 变换均匀分布以便对q(x)抽样的函数
transUnif <- function(x, a, l) a * (x / (1 - x)) ^ (1 / l)

# 单纯为了画p(x)的理论曲线用的函数
px.1 <- function(x) px(x, alpha)  
# 单纯为了画lambda=lambda.1时Mq(x)的理论曲线用的函数
mqx.1 <- function(x) mqx(x, alpha, lambda.1, M.1)  
# 单纯为了画lambda=lambda.2时Mq(x)的理论曲线用的函数
mqx.2 <- function(x) mqx(x, alpha, lambda.2, M.2)

ogamma <- function(a, l, M) {
  while (T) {
    x <- runif(1, 0, 1)
    y <- transUnif(x, a, l)   # 变换均匀分布实现对q(x)的抽样
    u <- runif(1, 0, 1) 
    if (u < px(y, a) / mqx(y, a, l, M))   # Step4. 是否接受采样点
      break
    nfail <<- nfail + 1   # 记录被拒绝的次数
  }
  y
}

sgamma <- function(n, a, l, M) {
  set.seed(123)
  replicate(n, ogamma(a, l, M))
}

N <- 100000
alpha <- 5

# 第一种lambda值的效果
lambda.1 <- sqrt(2 * alpha - 1)
M.1 <- getM(alpha, lambda.1)
nfail <- 0
res.1 <- sgamma(N, alpha, lambda.1, M.1)
nfail / (nfail + N)   # 计算模拟的拒绝率，14.38%
1 - 1 / M.1         # 计算理论的拒绝率，14.51%
plot(density(res.1), xlim=c(0, 20), col="red", xlab="x",
    main=paste0("Reject Sampling for Gamma(x, ", alpha, ", 1)\nwith lambda=", lambda.1))
curve(px.1, 0, 20, col="blue", add=T, lty=2)
curve(mqx.1, 0, 20, col="black", add=T, lty=3)
legend("topright", legend=c("simulative", "theoretical p(x)", "theoretical Mq(x)"),
       col=c("red", "blue", "black"), lty=c(1,2,3), bty="n")

# 第二种lambda值的效果
lambda.2 <- 1
M.2 <- getM(alpha, lambda.2)
nfail <- 0
res.2 <- sgamma(N, alpha, lambda.2, M.2)
nfail / (nfail + N)   # 计算模拟的拒绝率，71.54%
1 - 1 / M.2          # 计算理论的拒绝率，71.50%
plot(density(res.2), xlim=c(0, 20), ylim=c(0, 0.7), col="red", xlab="x",
     main=paste0("Reject Sampling for Gamma(x, ", alpha, ", 1)\nwith lambda=", lambda.2))
curve(px.1, 0, 20, col="blue", add=T, lty=2)
curve(mqx.2, 0, 20, col="black", add=T, lty=3)
legend("topright", legend=c("simulative", "theoretical p(x)", "theoretical Mq(x)"),
       col=c("red", "blue", "black"), lty=c(1,2,3), bty="n")

当$\alpha =5,\lambda =3$时，代码模拟出的接受率是$85.62\%$，理论上的接受率是$\frac{1}{M}=85.49\%$，很接近。采样点的具体分布如下：

当$\alpha =5,\lambda =1$时，代码模拟出的接受率是$28.46\%$，理论上的接受率是$\frac{1}{M}=28.5\%$，也很接近。采样点的具体分布如下：

我们可以看出，当$\lambda$分别取$3$和$1$时，接受率从$85.49\%$下降到了$28.5\%$。所以，$\lambda$对接受率的影响是非常大的。

如何利用rand7对rand10抽样

这来源于一个常见的算法题：如果已知一个rand7()函数，它可以从1到7这7个数字中随机地、等概率地抽取一个数，那么如何利用rand7()函数实现rand10()函数呢？所谓rand10()函数，就是这个函数可以从1到10这10个数字中随机地、等概率地抽取一个数。

这个问题的一个常见解答步骤是：

1. 首先利用$[rand7()-1]\times 7+rand7()$这个表达式实现从1-49这49个数中随机而等概率地抽取一个数$x$；
2. 如果$x\le 40$，那么接受$x$，并将$x\%10+1$的值作为一个采样点；否则拒绝$x$；那么这样得到的一系列采样点就是符合预期要求的。

这个解答步骤为什么是正确的，证明也很简单，和文末的证明过程类似，所以在此略过。那为什么要介绍这个题目呢？因为我们看到抽样过程中也涉及到了“接受-拒绝”的过程，所以笔者认为这可以看作文初所述的拒绝抽样过程的一种变型。

这个问题的代码也很简单：

rand7 <- function() {
  sample(7, 1)    # 从1-7中随机抽取一个整数
}

rand10 <- function() {
  while (T) {
    x <- (rand7() - 1) * 7 + rand7()   # 1-49 uniformly.
    if (x <= 40)
      break
  }
  x %% 10 + 1    # 一个服从均匀分布的rand10的采样值
}

N <- 100000  # 样本大小
set.seed(123)
res <- replicate(N, rand10())
hist(res, prob=T, breaks = 0:10, ylim=c(0, 0.15), xlab="x",
     main="Simulation of rand10")
abline(h=0.1, col="red", lty=2)

结果如下：

从上图中可以看出，rand10()的抽样结果符合均匀分布，达到预期。

蓄水池抽样算法

如同上面rand10()的题目一样，蓄水池算法的实现过程中也涉及到了“接受-拒绝”过程，所以在此一并介绍：

所谓蓄水池抽样算法，主要应用于如下问题：即我们要从$1,2,\dots ,N$这$N$个样本中随机抽取$m$个样本，$N$非常大或者未知，且$m<<N$。
蓄水池抽样算法的步骤是：

1. 首先将$1,2,\dots ,m$这$m$个样本选进来；
2. 从$i=m+1$开始，从$[1,i]$中随机等概率抽取一个数$r$，如果$1\le r\le m$，那么用第$i$个样本替代第$r$个样本。否则不做处理
3. $i=i+1$。
4. 重复第2步和第3步，直至处理完全部的样本。

其证明过程也很简单，用归纳法即可。笔者曾经写过一篇文章介绍了该算法在测序数据reads抽取方面的应用：《算法（二）蓄水池抽样算法快速随机抽取reads》。

对拒绝抽样的补充说明

为什么按照拒绝抽样的过程进行抽样所得到的采样点就是符合$p(x)$的分布的？

证明：
首先我们给出一些记号：假设我们将目标分布$p(x)$中的点记为$\hat{X}$，从$q(x)$中抽取的任意一个值记为$X$；并且让事件$A$代表$X$这个值被接受了。如果当$X=x_i$时被接受了，那么就是$\hat{X}=X=x_i$。

有了这些记号，我们可以很容易地知道：
$$\mathrm{Pr}(A|X=x_i)=\mathrm{Pr}\left[u_i<\frac{p(x_i)}{Mq(x_i)}\right]=\frac{p(x_i)}{Mq(x_i)}$$

利用全概率公式，我们知道：
$$\begin{array}{rl}\mathrm{Pr}(A)& =\int \mathrm{Pr}(A|X=x_i)q(x_i)\mathrm{d}{x}_i\\ & =\int \frac{p(x_i)}{Mq(x_i)}q(x_i)\mathrm{d}{x}_i\\ & =\frac{1}{M}\int p(x_i)\mathrm{d}{x}_i\\ & =\frac{1}{M}\end{array}$$

最终，我们想要知道的$\hat{X}$的分布：
$$\mathrm{Pr}(\hat{X}\le x_i)=\mathrm{Pr}(X\le x_i|A)$$

利用贝叶斯公式，我们有：
$$\begin{array}{rl}\mathrm{Pr}(\hat{X}\le x_i)& =\mathrm{Pr}(X\le x_i|A)\\ & =\frac{\mathrm{Pr}(X\le x_i,A)}{\mathrm{Pr}(A)}\\ & =\frac{{\int }^{x_i}q(t)\frac{p(t)}{Mq(t)}\mathrm{d}t}{\mathrm{Pr}(A)}\\ & =\frac{\frac{1}{M}{\int }^{x_i}p(t)\mathrm{d}t}{\frac{1}{M}}\\ & ={\int }^{x_i}p(t)\mathrm{d}t\end{array}$$

所以可以证明，依照拒绝抽样过程得到的采样点符合$p(x)$分布。

拒绝采样的接受率如何计算？

从上面的证明过程中可以看出，接受率就是$\mathrm{Pr}(A)$，等于$\frac{1}{M}$。上述证明过程是笔者按照自己的理解写的，如果有错误，请朋友们指正。

小结

本文介绍了拒绝采样，并以$\text{Gamma}$分布、rand10以及蓄水池抽样算法等三个例子加以说明。拒绝采样不同于变换均匀分布的方法，它是直接根据$\text{p.d.f.}$进行抽样。其缺点是要找到合适的$q(x)$和$M$值并不容易，尤其是在高维的情况下，$M$值往往偏大，从而导致拒绝率很高。

参考

《生物序列分析》第11章

（公众号：生信了）