贝叶斯统计——6. 贝叶斯统计计算方法

6.1 引言

在贝叶斯统计方法中常常需要计算后验分布的期望、方差、分位数或众数等数字特征比如常用的后验均值，它是在平方损失下的贝叶斯估计，此估计量的精度是通过后验方差来度量的后验众数、后验中位数以及后验分位数也常常被 用来作为贝叶斯估计或建立贝叶斯可信区间等如果先验分布不是共辄先验分布（这在许多问题里经常遇到），那么后验分布往往不再是标准的分布．因此，需 要计算的后验分布数字特征往往没有显式表达，与后验分布有关的一由些积分是很难用数值方法去计算的，尤其是在高维的情形，马尔可夫链蒙特卡洛(Markov Chain Monte Carlo, 简称 MCMC)方法提供了一个有效的途径去处理这类问题

6.2 蒙特卡洛抽样方法

6.2.2 蒙特卡洛抽样(MonteCarlo sampling)方法

蒙特卡洛抽样（Monte Carlo sampling）方法是一种统计方法，通过从概率分布中抽取大量的样本来估计数学问题的解。在蒙特卡洛抽样中，通过生成符合特定概率分布的随机样本，对这些样本进行统计分析，可以得到对问题解的估计。蒙特卡洛逼近（Monte Carlo approximation）是蒙特卡洛抽样方法的一种应用，主要用于估计难以解析求解的问题，如积分、期望值或概率等。通过生成大量的随机样本，利用样本的统计特性来逼近问题的解，从而得到对问题解的估计值。

6.2.3 蒙特卡洛重要性抽样(Monte Carlo importance sampling)方法

蒙特卡洛重要性抽样方法(Monte Carlo importance sampling)是蒙特卡洛抽样方法的一种改进方法，它通过引入重要性函数(import