I'm阅读中（第13章“冒险协方差” 高超）一书统计反思理查德McElreath在那里，他提出以下层次模型：
（R是一个相关矩阵）
作者解释说，这LKJcorr是信息量较弱的先验，可作为相关矩阵的正则化先验。但是为什么会这样呢？LKJcorr分布具有什么特征，使其成为相关矩阵的先验？相关矩阵在实践中还使用了哪些其他先验条件？
I'm阅读中（第13章“冒险协方差” 高超）一书统计反思理查德McElreath在那里，他提出以下层次模型：
（R是一个相关矩阵）
作者解释说，这LKJcorr是信息量较弱的先验，可作为相关矩阵的正则化先验。但是为什么会这样呢？LKJcorr分布具有什么特征，使其成为相关矩阵的先验？相关矩阵在实践中还使用了哪些其他先验条件？
Answers:
LKJ发行版是H. Joe（1）的工作的扩展。Joe提出了一种在所有正定相关矩阵的空间上均匀生成相关矩阵的过程。（2）的贡献在于它扩展了Joe的工作，以显示存在一种更有效的方式来生成此类样本。
在（3）中找到了从相关矩阵采样的另一种方式，称为“洋葱”法。（可能与讽刺新闻杂志无关）
另一种选择是从正数半确定的Wishart分布中采样，然后将方差除以留下相关矩阵。Wishart型分布的问题在于非信息性变体是奇数或数字奇数的可能性很高，因此，当要求样本（数值）非奇数时，采样方法就很慢。
（1）乔。“基于偏相关生成随机相关矩阵。” 多元分析杂志，97（2006），第2177-2189页
（2）Daniel Lewandowski，Dorota Kurowicka，Harry Joe。“基于藤蔓和扩展洋葱方法生成随机相关矩阵。” 多元分析杂志，第100卷，2009年第9期，第1989-2001页
（3）S. Ghosh，SG亨德森。“随尺寸增加，相关随机向量生成的norta方法的性能。” ACM Transactions on Modeling and Computer Simulation（TOMACS），《建模与计算机仿真》（TOMACS），13（3）（2003），第276-294页。