在本文中，我想向你展示如何使用R的Metropolis采样从贝叶斯Poisson回归模型中采样。
Metropolis-Hastings算法
Metropolis-Hastings抽样算法是一类马尔科夫链蒙特卡洛（MCMC）方法，其主要思想是生成一个马尔科夫链 
使其平稳分布为目标分布。这种算法最常见的应用之一是在贝叶斯统计中从后验密度中取样，这也是本文的目标。
该算法规定对于一个给定的状态Xt，如何生成下一个状态 
有一个候选点Y，它是从一个提议分布 
,中生成的，根据决策标准被接受，所以链条在时间t+1时移动到状态Y，即Xt+1=Y或被拒绝，所以链条在时间t+1时保持在状态Xt，即Xt+1=Xt。
Metropolis 采样
在Metropolis算法中，提议分布是对称的，也就是说，提议分布 
满足 
，所以Metropolis采样器产生马尔科夫链的过程如下。
- 选择一个提议分布
. 在选择它之前，了解这个函数中的理想特征。 - 从提议分布g中生成X0。
- 重复进行，直到链收敛到一个平稳的分布。
- 从
生成Y. - 从Uniform(0, 1)中生成U。
- 如果
, 接受Y并设置Xt+1=Y，否则设置Xt+1=Xt。这意味着候选点Y被大概率地接受 
. - 递增t.
贝叶斯方法
正如我之前提到的，我们要从定义为泊松回归模型的贝叶斯中取样。
对于贝叶斯分析中的参数估计，我们需要找到感兴趣的模型的似然函数，在这种情况下，从泊松回归模型中找到。
现在我们必须为每个参数β0和β1指定一个先验分布。我们将对这两个参数使用无信息的正态分布，β0∼N(0,100)和β1∼N(0,100) 。
最后，我们将后验分布定义为先验分布和似然分布的乘积。
使用Metropolis采样器时，后验分布将是目标分布。
计算方法
这里你将学习如何使用R语言的Metropolis采样器从参数β0和β1的后验分布中采样。
数据
首先，我们从上面介绍的泊松回归模型生成数据。
n <- 1000 # 样本大小 J <- 2 # 参数的数量 X <- runif(n,-2,2) # 生成自变量的值 beta <- runif(J,-2,2) #生成参数的值 y <- rpois(n, lambda = lambda) # 生成因变量的值
似然函数
现在我们定义似然函数。在这种情况下，我们将使用这个函数的对数，这是强烈建议的，以避免在运行算法时出现数字问题。
LikelihoodFunction <- function(param){ beta0 <- param\[1\] beta1 <- param\[2\] lambda <- exp(beta1*X + beta0) # 对数似然函数 loglikelihoods <- sum(dpois(y, lambda = lambda, log=T)) return(loglikelihoods) }
先验分布
接下来我们定义参数β0和β1的先验分布。与似然函数一样，我们将使用先验分布的对数。
beta0prior <- dnorm(beta0, 0, sqrt(100), log=TRUE) beta1prior <- dnorm(beta1, 0, sqrt(100), log=TRUE) return(beta0prior + beta1prior) #先验分布的对数
后验分布
由于我们是用对数工作的，我们把后验分布定义为似然函数的对数与先验分布的对数之和。记住，这个函数是我们的目标函数f(.)，我们要从中取样。
提议函数
最后，我们定义提议分布g(.|Xt)。由于我们将使用Metropolis采样器，提议分布必须是对称的，并且取决于链的当前状态，因此我们将使用正态分布，其平均值等于当前状态下的参数值。
点击标题查阅往期内容
R语言中的block Gibbs吉布斯采样贝叶斯多元线性回归
左右滑动查看更多
01
02
03
04
Metropolis 采样器
最后，我们编写代码，帮助我们执行Metropolis采样器。在这种情况下，由于我们使用的是对数，我们必须将候选点Y被接受的概率定义为。
# 创建一个数组来保存链的值 chain\[1, \] <- startvalue # 定义链的起始值 for (i in 1:iterations){ # 从提议函数生成Y Y <- ProposalFunction(chain\[i, \]) # 候选点被接受的概率 PosteriorFunction(chain\[i, \])) # 接受或拒绝Y的决策标准 if (runif(1) < probability) { chain\[i+1, \] <- Y }else{ chain\[i+1, \] <- chain\[i, \]
由于MCMC链具有很强的自相关，它可能产生的样本在短期内无法代表真实的基础后验分布。那么，为了减少自相关，我们可以只使用链上的每一个n个值来稀释样本。在这种情况下，我们将在算法的每20次迭代中为我们的最终链选择一个值。
startvalue <- c(0, 0) # 定义链条的起始值 #每20次迭代选择最终链的值 for (i in 1:10000){ if (i == 1){ cfinal\[i, \] <- chain\[i*20,\] } else { cfinal\[i, \] <- chain\[i*20,\] # 删除链上的前5000个值 burnIn <- 5000
在这里，你可以看到ACF图，它给我们提供了任何序列与其滞后值的自相关值。在这种情况下，我们展示了初始MCMC链的ACF图和对两个参数的样本进行稀释后的最终链。从图中我们可以得出结论，所使用的程序实际上能够大大减少自相关。
结果
在这一节中，我们介绍了由Metropolis采样器产生的链以及它对参数β0和β1的分布。参数的真实值由红线表示。
与glm()的比较
现在我们必须将使用Metropolis采样得到的结果与glm()函数进行比较，glm()函数用于拟合广义linera模型。
下表列出了参数的实际值和使用Metropolis采样器得到的估计值的平均值。
## True value Mean MCMC glm ## beta0 1.0578047 1.0769213 1.0769789 ## beta1 0.8113144 0.8007347 0.8009269
结论
从结果来看，我们可以得出结论，使用Metropolis采样器和glm()函数得到的泊松回归模型的参数β0和β1的估计值非常相似，并且接近于参数的实际值。另外，必须认识到先验分布、建议分布和链的初始值的选择对结果有很大的影响，因此这种选择必须正确进行。
