是否可以半自动化MCMC收敛诊断程序来设置老化时间？

我想自动选择MCMC链的老化选项，例如通过基于收敛性诊断删除前n行。

此步骤可以安全地自动化到什么程度？即使我仍然仔细检查自相关，mcmc跟踪和pdf，也可以自动选择老化长度。

我的问题很笼统，但是如果您可以提供处理R mcmc.object的细节，那就太好了；我在R中使用rjags和coda软件包。

这是自动化的一种方法。反馈非常感谢。这是按照标准惯例，用计算代替最初的外观检查，然后进行后续外观检查的尝试。

该解决方案实际上包含了两个可能的解决方案，首先，计算老化以在达到某个阈值之前除去链长，然后使用自相关矩阵计算稀疏间隔。

1. 计算向量中最大变量的最大中值Gelman-Rubin收敛诊断收缩因子（grsf）的向量
2. 查找所有变量的grsf低于某个阈值的最小样本数，例如示例中的1.1，实际上可能更低
3. 从此点到链的末端对链进行子采样
4. 使用最自相关链的自相关使链变薄
5. 通过迹线图，自相关图和密度图直观地确认收敛

mcmc对象可以在这里下载：jags.out.Rdata

# jags.out is the mcmc.object with m variables
library(coda)    
load('jags.out.Rdata')
# 1. calculate max.gd.vec, 
# max.gd.vec is a vector of the maximum shrink factor
max.gd.vec     <- apply(gelman.plot(jags.out)$shrink[, ,'median'], 1, max)
# 2. will use window() to subsample the jags.out mcmc.object
# 3. start window at min(where max.gd.vec < 1.1, 100) 
window.start   <- max(100, min(as.numeric(names(which(max.gd.vec - 1.1 < 0)))))
jags.out.trunc <- window(jags.out, start = window.start)
# 4. calculate thinning interval
# thin.int is the chain thin interval
# step is very slow 
# 4.1 find n most autocorrelated variables
n = min(3, ncol(acm))
acm             <- autocorr.diag(jags.out.trunc)
acm.subset      <- colnames(acm)[rank(-colSums(acm))][1:n]
jags.out.subset <- jags.out.trunc[,acm.subset]
# 4.2 calculate the thinning interval
# ac.int is the time step interval for autocorrelation matrix
ac.int          <- 500 #set high to reduce computation time
thin.int        <- max(apply(acm2 < 0, 2, function(x) match(T,x)) * ac.int, 50)
# 4.3 thin the chain 
jags.out.thin   <- window(jags.out.trunc, thin = thin.int)
# 5. plots for visual diagnostics
plot(jags.out.thin)
autocorr.plot(jags.win.out.thin)

-更新-

正如在R中实现的那样，自相关矩阵的计算比期望的要慢（在某些情况下> 15分钟）要慢一些，GR收缩因子的计算也要小一些。有一个关于如何加快步骤4在计算器的问题在这里

-更新第2部分-

其他答案：

1. 无法诊断收敛，只能诊断缺乏收敛（Brooks，Giudici和Philippe，2003）

2. 软件包runjags中的 autorun.jags函数可自动计算运行长度和收敛诊断。直到Gelman rubin诊断值低于1.05时，它才开始监视链。它使用Raftery和Lewis诊断程序计算链长。

3. Gelman等人（Gelman 2004 Bayesian Data Analysis，第295页，Gelman和Shirley，2010年）指出，他们使用保守的方法丢弃链的第一半。尽管是一个相对简单的解决方案，但实际上，这足以解决我特定的一组模型和数据问题。

#code for answer 3
chain.length <- summary(jags.out)$end
jags.out.trunc <- window(jags.out, start = chain.length / 2)
# thin based on autocorrelation if < 50, otherwise ignore
acm <- autocorr.diag(jags.out.trunc, lags = c(1, 5, 10, 15, 25))
# require visual inspection, check acceptance rate
if (acm == 50) stop('check acceptance rate, inspect diagnostic figures') 
thin.int <- min(apply(acm2 < 0, 2, function(x) match(TRUE, x)), 50)
jags.out.thin <- window(jags.out.trunc, thin = thin.int)