独立抽样（MCMC方法）

最新推荐文章于 2024-05-08 09:43:22 发布

littlely_ll

最新推荐文章于 2024-05-08 09:43:22 发布

阅读量1.4k

点赞数

分类专栏：机器学习模拟及优化算法

本文链接：https://blog.csdn.net/littlely_ll/article/details/54866167

版权

本文详细介绍了MCMC（Markov Chain Monte Carlo）方法中的独立抽样技术，分为两部分进行阐述，涵盖了独立抽样的基本概念、原理及应用。

摘要由CSDN通过智能技术生成

独立抽样（一）

# simulations
wais<-read.csv("wais.csv",head=T)
y<-wais[,2]
x<-wais[,1]
m<-55000
mu.beta<-c(0,0)
sigma.beta<-c(100,100)
prop.s<-c(.1,.1)
beta<-matrix(nrow=m,ncol=2)
acc.prob<-0
current.beta<-c(0,0)
for(t in 1:m){
  prop.beta<-rnorm(2,current.beta,prop.s)
 cur.eta<-current.beta[1]+current.beta[2]*x
  prop.eta<-prop.beta[1]+prop.beta[2]*x
 loga<-(sum(y*prop.eta-log(1+exp(prop.eta))))-sum(y*cur.eta-log(1+exp(cur.eta)))+sum(dnorm(prop.beta,mu.beta,prop.s,log=T))-sum(dnorm(current.beta,mu.beta,prop.s,log=T))
  u<-runif(1)
  u<-log(u)
  if(u<=loga){
   current.beta<-prop.beta
   acc.prob<-acc.prob+1
  }
  beta[t,]<-current.beta
}
    #convergence diagnostic plot
erg.mean<-function(x){
  n<-length(x)
  result<-cumsum(x)/cumsum(rep(1,n))
}
burnin<-15000
idx<-seq(1,m,50