我对jags中的以下语法感到非常困惑，例如，
n.iter=100,000
thin=100
n.adapt=100
update(model,1000,progress.bar = "none")
目前我认为
n.adapt=100表示您将前100次抽奖设置为老化，
n.iter=100,000表示MCMC链具有100,000次迭代，包括老化，
我已经检查了很多时候对这个问题的解释，但仍不确定我对n.iter和n.adapt的解释是否正确以及如何理解update()和{{1} }。
有人可以向我解释一下吗？
答案 0 :(得分：4)
这个答案基于包rjags，它接受一个n.adapt参数。首先，我将讨论适应，老化和细化的含义，然后我将讨论语法（我感觉你很清楚老化和细化的含义，但不是适应;完整的解释可能让这个答案对未来的读者更有用。）
<强>烧机 正如您可能从MCMC采样的介绍中所理解的那样，必须将MCMC链中的一些迭代作为老化来丢弃。这是因为在拟合模型之前，您不知道是否已在特征集中初始化MCMC链，该区域具有合理的后验概率。在该区域之外初始化的链条采用有限（有时很大）的迭代次数来找到该区域并开始探索它。来自这个探索期的MCMC样本不是来自后验分布的随机抽取。因此，将每个MCMC链的第一部分作为“老化”丢弃是标准的。有几种事后技术可以确定必须丢弃多少链。
<强>减薄 出现了一个单独的问题，因为在除了最简单的模型之外的所有模型中，MCMC采样算法产生链，其中连续绘制基本上是自相关的。因此，基于MCMC链的所有迭代（后烧入）总结后验可能是不可取的，因为有效的后验样本大小可能比分析师实现的要小得多（注意STAN的哈密顿蒙特卡罗采样的实现大大减少）在某些情况下这个问题）。因此，对“细化”链进行推理是标准的，其中只有一小部分MCMC迭代用于推理（例如，仅根据自相关的严重程度，每五，十次或百次迭代）。
<强>适应 JAGS用于对后部进行采样的MCMC采样器由可调参数控制，这些参数会影响其精确行为。适当调整这些参数可以提高采样速度或去相关性。 JAGS包含自动调整这些参数的机器，并且在绘制后验样本时也这样做。此过程称为 adaptation ，但为非Markovian ;得到的样本不构成马尔可夫链。因此，必须在适应后单独执行 。将适应期替换为老化是不正确的。但是，有时在适应后只需要相对较短的老化。
<强>语法
让我们看一个非常具体的例子（OP中的代码实际上并未显示使用n.adapt或thin等参数的位置。我们会要求rjags以这样的方式拟合模型，使每一步都清楚。
n.chains = 3
n.adapt = 1000
n.burn = 10000
n.iter = 20000
thin = 50
my.model <- jags.model(mymodel.txt, data=X, inits=Y, n.adapt=n.adapt) # X is a list pointing JAGS to where the data are, Y is a vector or function giving initial values
update(my.model, n.burn)
my.samples <- coda.samples(my.model, params, n.iter=n.iter, thin=thin) # params is a list of parameters for which to set trace monitors (i.e. we want posterior inference on these parameters)
jags.model()构建有向非循环图，然后执行由n.adapt给出的多次迭代的自适应阶段。
update()通过运行MCMC进行n.burn次迭代而不保存任何后验样本，在每个链上执行老化（如果要检查完整链并丢弃老化期，请跳过此步骤事后）。
coda.samples()（来自coda包）运行每个MCMC链，以获得n.iter，指定的迭代次数，但不会保存每次迭代。相反，它只保存第n次迭代，其中n由thin给出。同样，如果要在事后确定细化间隔，则无需在此阶段进行细化。在这个阶段进行细化的一个优点是coda语法使得这样做变得简单;您不必了解coda.samples()返回的MCMC对象的结构并自行细化。如果n.iter非常大，则在这个阶段实现细化的更大优势。例如，如果自相关非常糟糕，那么您可能会运行200万次迭代并仅保存每千分之一（thin=1000）。如果你在这个阶段没有瘦，你（和你的RAM）将需要操纵一个对象，每个链有两百万个数字。但是通过逐渐细化，最终对象每个链中只有2千个数字。