R语言使用Profviz进行Metropolis-in-Gibbs抽样和运行时间分析

对于许多模型，例如逻辑模型，没有共轭先验分布。因此，吉布斯采样不适用。

这篇文章展示了我们如何使用Metropolis-Hastings（MH）从每次Gibbs迭代中的非共轭条件后验对象中进行采样–比网格方法更好的替代方法。

我将说明该算法，给出一些R代码结果，然后分析R代码以识别MH算法中的瓶颈。

模型

此示例的模拟数据是包含患者的横截面数据集。有一个二元因变量Y，一个二元处理变量A，一个因子变量age。年龄是具有3个等级的分类变量。我用贝叶斯逻辑回归建模：

对于Metroplis-in-Gibbs吉布斯采样来说，这是一个相当不错的示例：

1. 我们有一个二进制结果，为此我们采用了非线性链接函数。
2. 我们有一个需要调整的因素。
3. 我们正在估计我们关心的更多参数，但肯定会给采样器带来压力。

非规范条件后验

让我们看一下该模型的（非标准化）条件后验。

此条件分布不是已知分布，因此我们不能简单地使用Gibbs从中进行采样。相反，在每个gibbs迭代中，我们需要另一个采样步骤来从该条件后验中提取。第二个采样器将是MH采样器。