MCMC方法的发展与现代贝叶斯的复兴——纪念贝叶斯定理发现250周年，本文主要内容关键词为：定理论文,周年论文,发现论文,方法论文,MCMC论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
1763年12月23日，理查德·普莱斯（Richard Price）在伦敦皇家学会会议上宣读了托马斯·贝叶斯的遗世之作，从此贝叶斯统计学诞生了。在整个19世纪，贝叶斯统计备受争议和冷落，主要原因是不知道如何恰当地处理先验概率。20世纪上半叶，一个与贝叶斯统计完全不同的理论——频率统计学（Frequentist statistics）迅速发展，在统计学领域几乎占主导地位。尽管如此，贝叶斯统计思维仍在意大利的布鲁诺·菲尼蒂和英国的哈罗德·杰弗里斯等少数统计学家的努力下，得以传承[1]50-51。
现代贝叶斯运动的复兴，始于20世纪下半叶，领军人物是美国的吉米·萨维奇（Jimmy Savage）和英国的丹尼斯·林德利（Dennis Lindley），由于贝叶斯后验分布在高维计算上的困难，贝叶斯统计推断非常难以实现，贝叶斯方法的应用受到了很大的限制[2]。随着计算机信息技术的发展和贝叶斯方法的改进，特别是MCMC方法的发展、WinBUGS软件以及R语言的广泛应用，原来复杂的数值计算问题如今变得简单便捷，参数后验分布的模拟也趋于方便，现代贝叶斯分析的理论和应用又重新得到了迅速的发展[3]。
MCMC（Markov Chain Monte Carlo）方法的发展，对现代贝叶斯分析的复兴起着至关重要的作用。笔者在回顾MCMC方法发展历史的基础上，给出MCMC方法直观性的实例，并介绍R软件中MCMC的相关程序包，以此纪念贝叶斯定理250周年，因为MCMC方法和现代贝叶斯两者的发展和兴起，不仅给出了解决问题的方法，重要的是改变了考虑问题的思路。
二、MCMC方法的起源
MCMC方法起源于军事需要，来源于物理问题，理论基础是概率统计，研究手段是计算机技术。MCMC方法产生于第二次世界大战期间，在研制原子弹的“曼哈顿计划”过程中，1953年由美国物理学家Metropolis等人提出，经加拿大统计学教授Hastings与其博士生于1970年推广和完善。
（一）蒙特卡洛方法（Monte Carlo，MC）
蒙特卡洛方法诞生于第二次世界大战期间的美国军事研究重要基地——新墨西哥州的洛斯阿拉莫斯国家实验室。20世纪40年代中后期，在研制原子弹的“曼哈顿计划”过程中，Stanislaw Ulam在病床上为了解决一个棘手的组合计算问题（纸牌游戏“solitaire”中获胜概率的计算），产生了蒙特卡洛方法的最初理念。约翰·冯·诺依曼（John von Neumann）将这种思路直接应用到核问题的中子扩散研究中[4]。Nicholas Metropolis建议将这种方法命名为“蒙特卡洛”①。
1946年2月，经过三年的研发，世界上第一台计算机——ENIAC诞生。ENIAC的问世与蒙特卡洛方法的发展密切相关。1947年，约翰·冯·诺依曼对蒙特卡洛方法进行了拓展，以此来解决热核和裂变问题。同年，Ulam和约翰·冯·诺依曼发明了逆向和接受—拒绝（accept-reject）技术来模拟均匀分布。1949年，在由兰德、国家统计局和橡树岭实验室（Rand，NBS and the Oak Ridge laboratory）支持的关于蒙特卡洛的研讨会上，Metropolis和Ulam共同发表了第一篇关于蒙特卡洛方法的论文[5]。
（二）MCMC方法的开篇之作
MCMC算法的起源与世界上第二台计算机——MANIAC有关。1952年初，在Metropolis指导下，MANIAC在洛斯阿拉莫斯国家实验室诞生。Nicolas Metropolis是创建洛斯阿拉莫斯国家实验室的15名科学家之一（1915年生于美国，1941年获得芝加哥大学物理学博士学位，1943年4月来到洛斯阿拉莫斯国家实验室，直到1999年去世，在实验室工作了56年），Nicolas Metropolis既是物理学家又是数学家，既是美国科学院的院士又是美国数学会和物理学会的会士（Fellow）。20世纪50年代初，借助改进的计算机设备，Nicolas Metropolis与Ulam一起合作，负责设计研发氢弹[5]。
1953年6月，在化学物理期刊（Journal of Chemical Physics）上Metropolis等人发表了MCMC方法的开篇之作《通过快速计算机器计算状态方程》（Equations of State Calculations by Fast Computing Machines），论文的主要关注点是在
内计算以下积分公式（类似于贝叶斯的后验分布）②：
=∫F（θ）exp｛-e（θ）/kT｝dθ/∫exp｛-E（θ）/kT｝dθ
其中θ表示
里的N个粒子，粒子的能量E表示为：
其中V是一个势函数，
是θ中粒子i和j之间的欧氏距离。
通过温度T、玻尔兹曼（Boltzmann）常数k和正规因子
Z（T）=∫exp｛-E（θ）/kT｝dθ
可以将玻尔兹曼分布exp｛-E（θ）/kT｝参数化。
由于θ是2N维向量，所以不可能用数值积分计算。对于高维计算问题，由于exp｛-E（θ）/kT｝对于粒子系统随机配置的大多数实现值结果都非常小，所以标准的蒙特卡洛方法不能正确地逼近积分值。
为提高蒙特卡洛方法的有效性，Metropolis等人（1953）提出了N个粒子随机游走的修正方法，即对N个粒子中的每个粒子（X，Y）都做一个微小的随机移动，设
是（-1，1）上的随机数，对X和Y分别做一个随机的变换，令：
产生新粒子（X′，Y′），并且假定新粒子以概率
min｛1，exp（-ΔE/kT）｝
被接受，否则将重复原粒子。新粒子被接受后，可以计算新粒子结构和原粒子结构的能量差ΔE。要特别注意的是，Metropolis等人文章中一次只移动一个粒子，而不是一起移动所有的粒子，因此使这种算法看起来像Gibbs样本法的雏形[6]。
（三）Metropolis算法的推广
Nicholas Metropolis是物理学家，他在核物理研究中碰到的粒子分布高纬计算问题，对统计学提出了挑战。Hastings（1970）和他指导的唯一博士生Peskun（1973）圆满地解决了这个难题，攻克了常规蒙特卡洛方法遇到的维度瓶颈问题，将Metropolis算法一般化，并推广为一种统计模拟工具，形成了Metropolis-Hasting（M-H）算法。W.Keith Hastings 1930年出生于加拿大，1962年博士毕业于多伦多大学数学系（当时统计学在数学系中），1964年在贝尔实验室工作两年后，在母校数学系任统计教职，他的研究兴趣主要关注概率分布随机抽样的蒙特卡洛方法③。当时多伦多大学化学系John Valleau教授的研究团队面临一个“粒子系统的平均势能估计难题”，即在一个确定势场（defined potential field）中，100个粒子组成了一个粒子系统，由于每个粒子有6维坐标，所以粒子系统就有600个维度。那么，如何使用Metropolis方法估计高纬粒子系统的平均势能。当Hastings得知这个问题可以利用马尔可夫链、并通过抽取高纬分布的随机样本轻松解决时，他意识到这个方法对于统计学的重要意义，于是便全身心投入此方法及其变化的研究中，完成了MCMC方法史上里程碑的论文——Monte Carlo Sampling Methods Using Markov Chains and Their Applications（《马尔可夫链蒙特卡洛抽样方法及其应用》），发表在1970年的Biometrika上[7]。
M-H算法相对于Metropolis方法而言，看起来更像是专业的统计模拟工具，最重要的是，M-H算法不要求“建议分布函数”必须是对称的，从而应用起来更加灵活方便。Hastings在文章里举了三个例子：第一个目标分布是泊松分布，采用的建议分布是随机游走；第二个目标分布是正态分布，建议分布是均匀随机游走，但此均匀分布的中心不是马氏链的当前值
，而是
；第三个目标分布是多元分布，Hastings引进了Gibbs抽样的策略，每次只更新其中一个变量，这样的转移矩阵同样满足平稳条件，因为每次都离开了目标不变变量。三年后，Peskun发表了题为Optimum Monte-Carlo Sampling Using Markov Chains（《最优马尔可夫链蒙特卡洛抽样方法》）的文章，比较了Metropolis和Barker的接受概率的形式，也证明了在离散情形下Metropolis是最优的选择，这里的最优性可以通过经验平均值的渐近方差来表示[8]。
三、MCMC方法的发展
从Peskun之后，在统计学研究领域里关于MCMC方法的研究沉寂了近十年之久。随后，在模式识别、图像分析和空间统计学等领域中，出现了关于MCMC方法应用的文章，其中Geman and Geman发表了在MCMC方法史上具有重要突破性的文章[9]。该文基于随机松弛（stochastic relaxation）算法，采用Gibbs分布对图像的贝叶斯恢复进行了研究，提出了Gibbs采样的概念并将其引入到统计应用领域，Robert和Casella（2011）将此文称为“革命的种子”，吹响了MCMC方法革命的号角。
1987年，Tanner和Wong在论文中采用基于多个条件分布进行模拟的方法，这种思路等价于从联合分布进行模拟，基本具备了Gibbs采样的雏形。这篇文章被选入了美国统计学会杂志（Journal of the American Statistical Association）的讨论论文[10]。需要指出的是，Tanner和Wong的论文虽然已经基本具备了Gelfand和Smith（1990）文章的雏形，但与后者相比，其影响有限。原因之一是Tanner和Wong的论文似乎只是应用到缺失数据问题，特别是论文的题目中就有“数据补全”这样的字眼；另一原因是Tanner和Wong论文的理论基础不是马尔可夫链，而是函数分析，特别是要求马尔可夫转移核一致有界而且连续，也许正因如此影响了很多数学背景不强的潜在研究人员。
一系列以MCMC方法和贝叶斯为主题的学术会议，展示了Gibbs抽样爆炸式的发展过程。1986年夏，Adrian Smith做了关于分层模型（hierarchical models）的系列学术演讲；1989年6月，在魁北克省舍布鲁克市（Sherbrooke，Québec）举行的贝叶斯学术会议上，Adrian Smith第一次详细阐释了Giibs抽样的本质，这种方法的广度与深度震撼了与会者。1990年，Gelfand和Smith发表论文Sampling-based Approaches to Calculating Marginal Densities（《基于抽样的边际分布计算方法》），将这种思想阐述得更为深刻和完整，成为主流统计学界大规模使用MCMC方法的真正起点[11]。
20世纪90年代，是MCMC方法发展的黄金时期，并在理论研究方面获得了很多突破：1991年，Alan Gelfand，Prenatal Goel和Adrian Smith在俄亥俄州立大学（Ohio State University）举办了MCMC方法会议，相关讨论成果都已成为MCMC领域非常有影响力的论文。1992年的5月，皇家统计学会（Royal Statistical Society）召开了关于“Gibbs抽样与其他MCMC方法”的会议，有四篇论文得到了众多学者的重视，并发表在JRSSB 1993年的第一期上。
在理论研究获得飞速发展的同时，MCMC的应用研究也取得了可喜的成果，MCMC方法之所以发展迅速，一个重要的原因就是它的简便实用。以Gelfand和Smith提出的非常简单的随机效应模型为例：
在频率学派看来，对方差分量进行估计比较困难；对于传统贝叶斯学派来说，这也是一个噩梦，因为此时的积分难以求得；对以MCMC为特征的现代贝叶斯分析来说，在给定参数μ，
先验信息的情况下，问题可以很方便地通过Gibbs抽样解决。基于该随机效应模型，学者们利用Gibbs抽样迅速得到了贝叶斯线性混合模型的参数估计，该随机效应模型的其他应用还包括空间统计、变点分析、回归中的变量选择和基因组学等。
到了20世纪90年代中期，MCMC理论渐趋成熟，理论突破开始变缓，但仍然取得了一些成果。许多动态系统可以用状态空间模型（state-space model）来描述，而序贯蒙特卡洛模拟（Sequential Monte Carlo，SMC）是分析状态空间模型的重要工具。Roberts和Rosenthal（2007）建立了SMC与MCMC的联系，提出了适应性MCMC[12]。
Green（1995）提出的逆跳的马尔可夫链蒙特卡洛模拟（Reversible Jump Markov Chain Monte Carlo，RJMCMC），可被视为MCMC方法第二次革命的开端，所构建的马氏链不仅可以在一个模型的参数空间内进行转移，还可以在不同模型（维度可以不同）之间跳跃，从而为贝叶斯模型选择提供了强大工具[13]。Richardson和Green（1997）将RJMCMC应用到混合阶估计中；Brooks，Giudici和Roberts提出了提高RJMCMC转移效率的方法；Marin和Robert将RJMCMC应用到变量选择中。由于MCMC方法得到的并非独立样本，具有自相关性，因此不能直接用于参数估计，尤其是不能用于直接估计参数的标准误差。为了克服自相关性，Hobert等人提出在原始马氏链转移链基础上间隔抽取构成新的样本序列，从而克服自相关性，可以得到参数估计以及估计误差[14]。
四、MCMC方法直观性实例
MCMC方法实质上就是利用马尔可夫链进行蒙特卡洛模拟。它可以分解成两个MC：前一个MC是马尔可夫链（Markov Chain），后一个MC是蒙特卡洛方法（Monte Carlo）。在此，按照蒙特卡洛方法、马尔可夫链和Metropolis-Hastings算法的次序，介绍MCMC方法的直观性实例。
（一）蒙特卡洛方法（Monte Carlo）：圆周率π的估计
蒙特卡洛方法与数值计算中的其他确定性算法不同，是一种以概率统计理论为基础的非确定性随机模拟算法，也称统计模拟方法。它使用随机数（或伪随机数）解决很多不确定性的计算问题，将所求解的问题同一定的概率分布相联系，并用电子计算机实现统计模拟或抽样，从而获得问题的近似解。一般来说，蒙特卡洛方法可以粗略地分成两类：
一类是所求解的问题本身具有内在的随机性，借助计算机的运算能力可以直接模拟这种随机的过程。例如在核物理研究中，分析中子在反应堆中的传输过程。中子与原子核作用受到量子力学规律的制约，人们只能知道它们相互作用发生的概率，却无法准确获得中子与原子核作用时的位置以及裂变产生的新中子的行进速率和方向。科学家依据其概率进行随机抽样得到裂变位置、速度和方向，进而在模拟大量中子的行为后经过统计就能获得中子传输的范围，以此作为反应堆设计的依据。
另一类是所求解的问题可以转化为某种随机分布的数字特征值，比如随机事件出现的概率，或者随机变量的期望值。通过随机抽样的方法，以随机事件出现的频率估计其概率，或者以样本的数字特征估算随机变量的数字特征，并将其作为问题的解。这种方法多用于求解复杂的多维积分问题（http://zh.wikipedia.org/）。
例如，假设要计算一个不规则图形的面积，图形的不规则程度和分析性计算（比如积分）的复杂程度成正比，与利用定积分方法计算不规则图形面积的方法（任意细分后求和再取极限得到精确值）不同，蒙特卡洛方法的简单直观思路为：假想有一袋小玻璃珠子，把玻璃珠子均匀地朝这个图形上撒，再数此图形中有多少颗玻璃珠子，而玻璃珠子的数目就近似代表图形的面积。当玻璃珠子越小、撒得越多的时候，结果就越精确。借助计算机程序可以生成大量均匀分布坐标点（代替玻璃珠子），然后统计出图形内的点数，通过它们占总点数的比例和坐标点生成范围的面积，就可以求出图形面积。
利用蒙特卡洛方法，可以非常简便地近似计算圆周率π：在一个边长为单位1的正方形内，画出一个半径为1的1/4圆，见图1。
向正方形内随机投点，设总投点数为N；统计圆内的点数，用n表示，则n与总点数N的比值就近似等于1/4圆的面积（π/4）和正方形面积（1）之比，即π/4，所以π≈4n/N。
通过计算机来模拟上述随机投点过程：首先，每次随机生成两个服从均匀分布的0到1之间的随机数，设为x和y，分别以x和y为横纵坐标，就得到图中的一个随机投点；其次，再判断这个点是否在圆内，而固定x只需判别y是否小于或等于
即可；最后，生成N个随机点，加总圆内点的总数n，计算4n/N即可。当随机点N取值越大时，其结果越接近于圆周率（当投点达到3万次时，用蒙特卡洛方法可以得到π≈3.1436）。
（二）马尔可夫链（Markov Chain）：股市的表现
理解了蒙特卡洛方法的基本思路，再看马尔可夫链及其平稳分布的相关理论。马尔可夫链（以下简称马氏链）的定义如下：
简言之，即马氏链的下一个状态只依赖于当前状态，而与已经过去的状态没有关系。它是介于独立和相关之间的一种理想形式，例如在研究时间序列时，为了便于分析，希望昨天、今天和明天表示的三种随机状态（或变量）完全独立，但实际上可能它们完全相关，变量之间相互独立太理想，完全相关又太复杂，马氏链对此进行了简化，假设明天只与今天相关，而与昨天无关（独立）④。换言之，即在马氏链过程中，在给定当前知识或信息的情况下，只有当前的状态用来预测将来，过去（即当前以前的历史状态）对于预测将来（即当前以后的未来状态）是无关的。
下面以来自wikipedia的例子来说明马氏链及其平稳性：假设股票市场在一周内的表现有三种可能状态：熊市——状态1、牛市——状态2、平衡市——状态3。股市行情的转化见图2。
由图2可见，如果当前股市为牛市，则下周为熊市的概率为7.5%、平衡市的概率为2.5%、依然为牛市的概率为90%，其他行情转化与之类似，则该马氏链的一步转移概率矩阵为：
考虑三种初始情况：当前行情为牛市、当前行情为熊市、当前行情为平衡市，它们对应的初始概率分布为：
。分析在这三种情况下股市行情在未来30个星期之内的转移变化情况，见图3。
从图3发现，从第20周开始，三种情况下分布都开始收敛。最为奇特的是，不论初始状态是三种行情中的哪一种，最终都会收敛到平稳概率分布π=（0.625，0312，0.063）。也就是说，收敛行为与初始状态无关，收敛行为主要是由概率转移矩阵P决定的。
所有的MCMC方法均以马氏链定理为理论基础。根据马氏链定理，满足一定条件的马氏链的转移序列会形成一个具有平稳分布的样本。一个自然的想法是，如果想获得某个分布（称为目标分布）的样本，是否可以设计一个马氏链（其平稳分布为目标分布），然后采集这个马氏链的转移序列来作为目标分布的随机样本呢？答案是肯定的。
至此可以看到，用MCMC方法进行随机模拟的关键是设计一条马尔科夫链，使其平稳分布与目标分布一致，而纷繁众多的MCMC方法之间的区别就在于从不同的角度出发设计马氏链。
（三）Metropolis-Hastings算法：“千岛湖植物考察”
为了更加生动形象地说明Metropolis-Hastings算法，用“千岛湖植物考察”为例进行说明⑤。
某旅游风景点“千岛湖”由大大小小上千个岛组成，千岛湖风景区植物种类非常丰富。植物学家要去各小岛进行植物考察研究，考察的时间安排是依据各岛上植物种类数来确定的，植物种类数多的岛屿考察时间长，植物种类数少的岛屿考察时间短。但在考察之前，植物学家并不清楚各个岛的植物种类数，甚至不知道一共有多少个岛，所以不能事先确定留在每一个岛上的天数，也无法得知在各岛考察时间占总考察时间的比率——考察时间分布。那么，如何帮助植物学家安排在各岛的行程路线和考察时间？为了用图形进行直观介绍，将岛屿简化为9个，并假设岛屿一字排开（如下页图4中a），植物学家来到某一岛屿后，不仅可以了解该岛上的植物种类数，还可以了解相邻岛的植物种类数。
精通MCMC的统计学者向植物学家建议用M-H算法的思想，通过“两步随机试探法”来决定考察路线和停留时间。植物学家到达某岛屿后，由于岛屿是一字排开，所以面临三种选择（三个状态）：一是继续停留在岛屿上（保持原状态）；二是到临近左面岛屿（转移到前状态）；三是到临近右面岛屿（转移到后状态）。这三种状态可以转化为两种随机选择：一是去或留，二是左或右。但M-H算法突破常理，用“逆向思维”来确定选择过程，先确定左或右，再决定去或留（究其原因可能是先基于左或右岛的情况，再与当前岛屿比较，最后决定是走还是留）。“两步随机试探法”的具体实施过程如下：
第一步，随机确定方向——向左还是向右：植物学家在某岛屿上考察时（假设在第5个岛屿），就“可能”计划前往邻近岛屿（第4个岛或第6个岛），到底是向左还是向右呢？植物学家通过随机掷一枚均匀硬币来决定，如果硬币为正面，就计划向左去第4个岛；如果硬币为反面，则计划向右去第6个岛。
第二步，基于第一步的信息，部分随机确定意愿——出发还是停留：假设第一步硬币为正面，根据第一步规则，植物学家应计划“可能”向左去第4个岛，但“可能”去，也“可能”不去。如何确定呢？统计学者给出的策略是，从当前岛（第5个岛）的管理者那里可以得到目标岛（左面第4个岛）的植物种类数，比较目标岛和当前岛的植物种类数量，再决定是否出发。
如果目标岛的植物种类数比所处当前岛的植物种类数多，那么植物学家就一定前往目标岛进行考察研究；如果目标岛的植物种类数比所处当前岛的少，那么植物学家又需要“另外一步随机试探法”来确定意愿——依概率出发或是停留。
什么是依概率出发呢？举例说明：假设目标岛有150种植物，而所处当前岛有200种植物，则前往目标岛的概率就为0.75（150/200），继续留在当前岛的概率为0.25（1-0.75）。那么植物学家到底是出发还是停留呢？似乎还没有确切答案，此时的随机判断方法是：在地上画一条1米长的线段，然后随机向该线段内投一个石子，如果石子落在0和0.75米之间，则出发去目标岛考察研究；如果石子落在0.75和1之间，则继续留在当前岛。
以上植物学家的随机试探方法本质上就是马氏链的转移矩阵，那么该植物学家设计的马式链的平稳分布（各个岛屿的考察研究的时间分布）是否与其目标分布（即各个岛屿的植物种类数分布）相同呢？用R软件来模拟结果。
图4中a显示出各个岛的相对植物种类数，这也是植物学家在各个岛屿逗留时间的目标分布。图4中b显示出植物学家按照前述“两步随机试探法”进行了5000次转移，转移轨迹如图4b所示。注意图4中b的移动轨迹：第一天，植物学家在最中间的岛即第5个岛上；第2天它仍然停留在第5个岛屿上；第3天转移到了第4个岛屿上；第4天转移到了第3个岛屿上；第5天又回到了第4个岛屿上……图4中的c显示在各个岛屿植物考察研究的频数直方图，可以看出各岛屿被考察的相对频数，与图4中a显示出的各个岛的相对植物种类数相似，两图走势是一样的，这也说明植物学家设计的马式链的平稳分布与目标分布相同。
上述过程反映了M-H算法抽取样本的基本原理。“千岛湖植物考察”的例子只是M-H算法的一种特殊情况：目标分布是一维离散分布，建议分布也是离散的，分别以0.5的概率建议向左或向右移动。M-H算法更一般的是研究高维连续型分布，建议分布也更复杂，但实质与此例是相同的。以下给出M-H算法的一般步骤：
1.任意设定马氏链的起始点
=
。
2.构造建议分布q（x′|x）。
（2）从U（0，1）中产生随机数u。
不断循环以上过程，为什么就得到了目标分布的随机样本了呢？尤其是从一个与π（x）毫不相关的建议分布q（x′|x）产生随机数，然后经过一个简单的判断过程，最终竟然得到了服从目标分布的随机数！事实上，建议分布q（x′|x）和接受概率α（
，x′）共同扮演了马氏链的转移核（类似于离散马式链的转移矩阵）的作用，根据马氏链定理，可证明其会收敛于目标分布π（x）（见图5）。
图5所示为对一个二元正态分布进行MCMC随机模拟的路径（实线），其中实线表示的是接受建议分布产生的转移建议，细虚线表示建议分布产生的转移建议被拒绝。由此可见，建议分布q（x′|x）产生的转移建议就像脱缰的“野马”，四处乱窜，而接受概率就像一条随机出现的“无形缰绳”，时时牵拽着这头野马，让它在目标分布所形成的“水草丰美”的区域内漫步。
五、MCMC方法、R软件与现代贝叶斯分析
贝叶斯定理简捷直观，贝叶斯推断清晰自然，由于应用领域广泛，受到了众多学者的青睐。除了先验分布的选择之外，贝叶斯分析在发展过程中遭遇最大的瓶颈就是后验分布的计算，特别是面对复杂高维的问题时，难以用解析的方法求得明确的后验分布。
计算技术的进步和MCMC方法的发展，重新唤醒了人们对贝叶斯分析这个古典统计思想的认识。Metropolis等学者另辟蹊径，没有沿用先通过复杂的数学分析方法积分得到后验分布，再求其期望值、中位数和置信区间这些统计特征值的传统方法，而是充分利用现代计算技术，基于马尔可夫理论，使用蒙特卡洛模拟方法，回避后验分布表达式复杂的计算，创造性地使用MCMC方法，直接对后验分布的独立随机样本进行模拟，再通过分析模拟样本来获得相关统计特征值信息。MCMC方法的发展，解开了贝叶斯分析计算的“紧箍咒”，现代贝叶斯分析重获春天，再次生机勃发。
在近年颇为流行的统计分析软件R中，基于MCMC采样的现代贝叶斯分析越来越方便，许多可以实现MCMC的R程序包如雨后春笋般出现。在R主站上搜索关于MCMC的程序包，目前共有103个，而相对于传统的贝叶斯计算软件包（如BUGS、WinBUGS、OpenBUGS等），这些程序包功能更加强大与灵活。R中MCMC相关程序包大致可以分为5类：
1.用于一般统计模型拟合。比较核心的包有：MCMC包，可以自定义后验分布函数，并从中进行M-H采样；MCMCpack包，包含了许多经典统计模型的贝叶斯分析工具；bayesSurv包，提供了进行贝叶斯生存回归分析的函数；DPpackage包，所包含的函数可以完成贝叶斯非参数、半参数分析；bayesm包，可以用于微观经济研究中的各种贝叶斯分析，如线性回归模型、多项logit模型、多项probit模型、密度估计等。
2.用于特殊统计模型的贝叶斯分析。例如MCMCglmm包，专门求解贝叶斯广义线性混合模型；lmm包，拟合贝叶斯线性混合模型；BayesTree包，完成贝叶斯回归树分析。
3.将R与其他采样器连接起来的程序包。R的优势在于方便灵活的统计分析，进行超大规模的模拟运算可能逊色于专业的采样器（如WinBUGS，BUGS）。R提供了与各种专业采样器连接起来的接口，并封装在程序包中，可自由加载使用。在R中定义贝叶斯分析模型，然后利用接口传递给采样器并在采样器中进行MCMC模拟，模拟结束后，再利用接口将结果传递到R中，在R中对模拟结果进行分析。这类包有：R2WinBUGS（与WinBUGS的接口）；BRUGS（与OpenBUGS的接口）；rjags、R2jags与runjags（与JAGS的接口）。
4.处理MCMC样本的包。coda包是核心的处理MCMC样本的包，可以用于收敛诊断与输出分析，几乎所有关于MCMC的包都会依赖于coda包，足见此包的重要性。
5.辅助学习贝叶斯分析课程的包。这是R最人性化的一面，不仅提供了分析问题的工具，还是学习贝叶斯分析方法的良师益友。在有关贝叶斯分析的参考书目里，经典的当属《Bayesian Data Analysis》（《贝叶斯数据分析》Gelman，2003），为了方便学习，该书对应的包BayesDA可以从CRAN加载使用，该包涵盖了书中所涉及的数据集和函数，对于贝叶斯爱好者来说，这无异于一学习利器。类似的包还有LearnBayes（《Bayesian Computation with R》、《基于R的贝叶斯计算书中的对应包》Jim Albert，2009），此包由浅入深，其中编写的rwmetrop（）和rgibbs（）两个函数对于理解M-H算法和Gibbs采样很有帮助。
六、结论与启示
MCMC方法产生于物理和原子弹工作的研究中，在计算物理学（如粒子输运计算、量子热力学计算、空气动力学计算）等领域应用广泛，之后基于MCMC的现代贝叶斯分析在生物医学、金融工程学和宏观经济学等方面的应用，也得到了蓬勃的发展[15-16]。
2013年被称为“大数据元年”，随着信息技术的疾速发展，自然科学中基因测序高维数据和社会科学中互联网海量数据对统计分析理论和方法提出了严峻的挑战。统计学向何处去？“离数学越来越远，与信息科学越来越近”的“统计与信息”相结合的趋势似乎不可阻挡；基于云计算的随机模拟算法、贝叶斯统计与频率统计相融合的大数据分析新范式也初见端倪。
MCMC方法的发展和现代贝叶斯分析的复兴改变了我们解决问题的思路，它意味着一种思维范式的转换。现代贝叶斯拓宽了分析的视野，即从样本空间的“有限范围”放眼到样本外“无边区域”；MCMC方法改变了计算的重点，即从“精确解析”到“算法模拟”。MCMC带领我们进入一个全新的统计世界，在那里“小样本”变成了“大数据”，“准确”也被高精度的“近似”所替代。
60年前，当Ulam和约翰·冯·诺依曼发明蒙特卡洛方法时，他们无法想象目前在处理基因组学和气候学的巨型数据集时使用MCMC方法；250年前，当理查德·普莱斯宣读贝叶斯论文时，他也无法预测18世纪的贝叶斯定理会成为21世纪Google计算的新力量（用Google去搜索“18世纪的贝叶斯定理成为Google计算的新力量”）；当今的统计学界是否也会有一种方法将被60年后的学者采用？是否也将有一个定理会被250年后的同仁们所纪念？这个问题似乎可以基于MCMC方法，用贝叶斯定理去分析。
①之所以用赌城“蒙特卡洛”来命名这种随机模拟算法，Metropolis（1987）说是由于乌拉姆（Ulam）的叔叔特别沉迷于摩纳哥的大赌场——Monte Carlo Casino（http://en.wikipedia.org/wiki/Monte_Carlo_method）。
②此文章到2013年9月10日被引用次数为25191次。
③关于Hastings的资料较少，较详细的网络资料见http://probability.ca/hastings/。
④马氏链直观的解释是荷花池中青蛙的跳跃过程；有趣的解释是，芭蕾舞团在招考少儿芭蕾舞女演员时，预计她未来的体型，只需看她的母亲而不需要看她的姥姥。
⑤本例受John K.Kruschke（2011）（Doing Bayesian Data Analysis:A Tutorial with Rand BUGS）书中“总统候选人巡岛演讲拉选票”章节启发。
标签：贝叶斯论文; mcmc论文; 蒙特卡洛论文; 贝叶斯定理论文; 概率分布论文; 马尔可夫链模型论文; 统计学分布论文; 随机算法论文; 概率计算论文; 统计学论文; 植物学论文; 概率论论文;