如何解释 jags 中的一些语法（n.adapt，更新..）？
How to interpret some syntax (n.adapt, update..) in jags?
我对jags中的以下语法感到很困惑，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 链有 100,000 次迭代，包括老化，
这个问题的解释我已经查了很多次了，但还是不确定我对n.iter和n.adapt的解释是否正确，以及如何理解update()和thinning.
谁能给我解释一下？
这个答案基于包 rjags，它带有一个 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，但不了解适应；完整的解释可能让这个答案对未来的读者更有用）。
烙印
正如您可能从 MCMC 采样的介绍中了解到的那样，来自 MCMC 链的一些迭代必须作为老化而丢弃。这是因为在拟合模型之前，您不知道您是否已经在 特征集 内初始化了 MCMC 链，合理的 post 概率区域。在该区域之外初始化的链需要有限（有时是大量）的迭代来找到该区域并开始探索它。这段探索时期的 MCMC 样本不是从 posterior 分布中随机抽取的。因此，将每个 MCMC 链的第一部分丢弃为 "burn-in" 是标准的。有几种 post-hoc 技术可以确定必须丢弃多少链。
细化
一个单独的问题出现了，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，其中连续抽取基本上是自相关的。因此，基于 MCMC 链的所有迭代（post 老化）总结 posterior 可能是不可取的，因为有效的 posterior 样本量可能比分析师小得多实现（请注意，在某些情况下，STAN 的哈密顿蒙特卡洛采样的实现极大地减少了这个问题）。因此，在 "thinned" 链上进行推理是标准的，其中仅一小部分 MCMC 迭代用于推理（例如，仅每五次、第十次或第一百次迭代，具体取决于自相关的严重性）。
适配
JAGS 用来对 posterior 进行采样的 MCMC 采样器由影响其精确行为的可调参数控制。适当调整这些参数可以提高采样的速度或去相关性。 JAGS 包含自动调整这些参数的机制，并在绘制 post 之前的样本时这样做。这个过程称为适应，但它是非马尔可夫；结果样本不构成马尔可夫链。因此，必须在适配后单独进行老化。用适应期代替老化是不正确的。但是，有时只需要相对较短的老化 post-适应。
语法
让我们看一个非常具体的示例（OP 中的代码实际上并未显示使用 n.adapt 或 thin 等参数的位置）。我们将要求 rjags 以每一步都清晰的方式来拟合模型。
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() 构建有向无环图，然后针对 n.adapt 给定的迭代次数执行自适应阶段。
update() 通过 运行 使 MCMC 进行 n.burn 次迭代而不保存任何 post 之前的样本来对每个链执行老化（如果要检查，请跳过此步骤完整的链条并丢弃老化期 post-hoc）。
coda.samples()（来自 coda 包）运行s 每个 MCMC 链的迭代次数由 n.iter、 指定，但它不会保存每次迭代.相反，它只保存第 n 次迭代，其中 n 由 thin 给出。同样，如果您想确定您的细化间隔 post-hoc，则无需在此阶段细化。在此阶段细化的一个优点是 coda 语法使这样做变得简单；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，如果自相关真的很糟糕，您可能会 运行 200 万次迭代并仅保存千分之一 (thin=1000)。如果你在这个阶段不细化，你（和你的 RAM）将需要操纵一个对象，该对象具有三个链，每个链有 200 万个数字。但是通过边走边细化，最终对象在每个链中只有 2000 个数字。
我对jags中的以下语法感到很困惑，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 链有 100,000 次迭代，包括老化，
这个问题的解释我已经查了很多次了，但还是不确定我对n.iter和n.adapt的解释是否正确，以及如何理解update()和thinning.
谁能给我解释一下？
这个答案基于包 rjags，它带有一个 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，但不了解适应；完整的解释可能让这个答案对未来的读者更有用）。
烙印 正如您可能从 MCMC 采样的介绍中了解到的那样，来自 MCMC 链的一些迭代必须作为老化而丢弃。这是因为在拟合模型之前，您不知道您是否已经在 特征集 内初始化了 MCMC 链，合理的 post 概率区域。在该区域之外初始化的链需要有限（有时是大量）的迭代来找到该区域并开始探索它。这段探索时期的 MCMC 样本不是从 posterior 分布中随机抽取的。因此，将每个 MCMC 链的第一部分丢弃为 "burn-in" 是标准的。有几种 post-hoc 技术可以确定必须丢弃多少链。
细化 一个单独的问题出现了，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，其中连续抽取基本上是自相关的。因此，基于 MCMC 链的所有迭代（post 老化）总结 posterior 可能是不可取的，因为有效的 posterior 样本量可能比分析师小得多实现（请注意，在某些情况下，STAN 的哈密顿蒙特卡洛采样的实现极大地减少了这个问题）。因此，在 "thinned" 链上进行推理是标准的，其中仅一小部分 MCMC 迭代用于推理（例如，仅每五次、第十次或第一百次迭代，具体取决于自相关的严重性）。
适配 JAGS 用来对 posterior 进行采样的 MCMC 采样器由影响其精确行为的可调参数控制。适当调整这些参数可以提高采样的速度或去相关性。 JAGS 包含自动调整这些参数的机制，并在绘制 post 之前的样本时这样做。这个过程称为适应，但它是非马尔可夫；结果样本不构成马尔可夫链。因此，必须在适配后单独进行老化。用适应期代替老化是不正确的。但是，有时只需要相对较短的老化 post-适应。
语法
让我们看一个非常具体的示例（OP 中的代码实际上并未显示使用 n.adapt 或 thin 等参数的位置）。我们将要求 rjags 以每一步都清晰的方式来拟合模型。
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() 构建有向无环图，然后针对 n.adapt 给定的迭代次数执行自适应阶段。
update() 通过 运行 使 MCMC 进行 n.burn 次迭代而不保存任何 post 之前的样本来对每个链执行老化（如果要检查，请跳过此步骤完整的链条并丢弃老化期 post-hoc）。
coda.samples()（来自 coda 包）运行s 每个 MCMC 链的迭代次数由 n.iter、 指定，但它不会保存每次迭代.相反，它只保存第 n 次迭代，其中 n 由 thin 给出。同样，如果您想确定您的细化间隔 post-hoc，则无需在此阶段细化。在此阶段细化的一个优点是 coda 语法使这样做变得简单；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，如果自相关真的很糟糕，您可能会 运行 200 万次迭代并仅保存千分之一 (thin=1000)。如果你在这个阶段不细化，你（和你的 RAM）将需要操纵一个对象，该对象具有三个链，每个链有 200 万个数字。但是通过边走边细化，最终对象在每个链中只有 2000 个数字。