我是统计学的外行，在阅读了一些关于Metropolis-Hastings MCMC算法的博客和例子之后，我有一个问题：
在M-H算法中，是否接受新样本（例如，x＆＃39;）取决于＆＃34;接受概率＆＃34;，alpha = min（1，A），其中 A = p（x'）q（x | x'）/ [p（x）q（x'| x）]。
问题来自这里，因为我们不知道感兴趣的分布p（x）的形式，我们如何计算接受概率，其中包含p（x＆＃39;）和p（x）？
或者换句话说：metropolis-hesting算法如何确保样本服从未知的后验分布。 我是新手，请给我一些建议。
答案 0 :(得分：1)
以下是https://en.wikipedia.org/wiki/Metropolis%E2%80%93Hastings_algorithm
中的一大块文字松散要求f（x）应仅与密度成比例，而不是与其完全相等，这使得Metropolis-Hastings算法特别有用，因为在实践中计算必要的归一化因子通常非常困难。 （结束语）
所以你的p（x）应该是目标分布下x的概率乘以一些未知的常数因子。这种p（x）的一个例子是当你对已知分布施加约束时。在这种情况下，你不知道p（x），但你知道某些未知K的p（x）* K，所以你仍然可以计算p（x）/ p（x＆＃39;）=（p（ x）* K）/（p（x＆＃39;）* K）。
假设您想要模拟圆内分布的点，但您不知道pi的值，因此您无法计算出圆的区域。然后你可以使p（x）在单位正方形上的均匀分布得到点<=距离0.5（0.5,0.5）和0其他地方。这给你ap（x），它不是1，而是集成到Pi / 4，你不知道，所以它不是一个合适的概率分布，但它是常数因子的一倍。