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:使用MCMC Metropolis-Hastings算法在R,r,statistics,bayesian,sampling,mcmc,R,Statistics,Bayesian,Sampling,Mcmc,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)
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