MCMC(三)MCMC采样和M-H采样

　　在MCMC(二)马尔科夫链中我们讲到给定一个概率平稳分布ππ, 很难直接找到对应的马尔科夫链状态转移矩阵PP。而只要解决这个问题，我们就可以找到一种通用的概率分布采样方法，进而用于蒙特卡罗模拟。本篇我们就讨论解决这个问题的办法：MCMC采样和它的易用版M-H采样。

1. 马尔科夫链的细致平稳条件

　　　　在解决从平稳分布ππ, 找到对应的马尔科夫链状态转移矩阵PP之前，我们还需要先看看马尔科夫链的细致平稳条件。定义如下：

　　　　如果非周期马尔科夫链的状态转移矩阵PP和概率分布π(x)π(x)对于所有的i,ji,j满足：

π(i)P(i,j)=π(j)P(j,i)π(i)P(i,j)=π(j)P(j,i)

　　　　则称概率分布π(x)π(x)是状态转移矩阵PP的平稳分布。

　　　　证明很简单,由细致平稳条件有：

∑i=1∞π(i)P(i,j)=∑i=1∞π(j)P(j,i)=π(j)∑i=1∞P(j,i)=π(j)∑i=1∞π(i)P(i,j)=∑i=1∞π(j)P(j,i)=π(j)∑i=1∞P(j,i)=π(j)

　　　　将上式用矩阵表示即为：

πP=ππP=π

　　　　即满足马尔可夫链的收敛性质。也就是说，只要我们找到了可以使概率分布π(x)π(x)满足细致平稳分布的矩阵PP即可。这给了我们寻找从平稳分布ππ, 找到对应的马尔科夫链状态转移矩阵PP的新思路。

　　　　不过不幸的是，仅仅从细致平稳条件还是很难找到合适的矩阵PP。比如我们的目标平稳分布是π(x)π(x),随机找一个马尔科夫链状态转移矩阵QQ,它是很难满足细致平稳条件的，即：

π(i)Q(i,j)≠π(j)Q(j,i)π(i)Q(i,j)≠π(j)Q(j,i)

　　　　那么如何使这个等式满足呢？下面我们来看MCMC采样如何解决这个问题。

2. MCMC采样

　　　　由于一般情况下，目标平稳分布π(x)π(x)和某一个马尔科夫链状态转移矩阵QQ不满足细致平稳条件，即

π(i)Q(i,j)≠π(j)Q(j,i)π(i)Q(i,j)≠π(j)Q(j,i)

　　　　我们可以对上式做一个改造，使细致平稳条件成立。方法是引入一个α(i,j)α(i,j),使上式可以取等号，即：

π(i)Q(i,j)α(i,j)=π(j)Q(j,i)α(j,i)π(i)Q(i,j)α(i,j)=π(j)Q(j,i)α(j,i)