使用MCMC Metropolis-Hastings算法在R

我对使用基于Metropolis-Hastings算法的MCMC技术采样后验分布（因此采用贝叶斯方法）非常陌生。 我正在使用R中的mcmc库进行此操作。我的分布是多维的。为了检查此metro算法是否适用于多维分布，我在多维student-t分布（包mvtnorm，函数dmvt）上成功地进行了此操作。 现在我想把同样的东西应用到我的多元分布（2个变量x和y），但它不起作用；我得到一个错误：X[，1]中的错误：维数不正确

这是我的密码：

library(mcmc)
library(mvtnorm)
my.seed <- 123

logprior<-function(X,...)
{
      ifelse( (-50.0 <= X[,1] & X[,1]<=50.0) & (-50.0 <= X[,2] & X[,2]<=50.0), return(0), return(-Inf))
}

logpost<-function(X,...)
{
      log.like <- log( exp(-((X[,1]^2 + X[,2]^2 - 4)/10 )^2) * sin(4*atan(X[,2]/X[,1])) )
      log.prior<-logprior(X)
      log.post<-log.like + log.prior # if flat prior, the posterior distribution is the likelihood one
      return (log.post)
}

x <- seq(-5,5,0.15)
y <- seq(-5,5,0.15)
X<-cbind(x,y)

#out <- metrop(function(X) dmvt(X, df=3, log=TRUE), 0, blen=100, nbatch=100) ; this works
out <- metrop(function(X) logpost(X), c(0,0), blen=100, nbatch=100)
out <- metrop(out)
out$accept 

库（mcmc）
图书馆（mvtnorm）
my.seed函数
metrop
传递单个样本，因此将一个简单的向量传递给
logpost
，而不是矩阵（这就是
X
）。因此，解决方案是将
X[，1]
和
X[，2]
分别更改为
X[1]
和
X[2]

我这样运行它，它会导致其他问题（
X[2]/X[1]
对于初始化来说是NaN），但这与您的特定可能性模型有更多关系，超出了您的问题范围