MCMC 診斷插件為包含來自一個或多個平行馬爾可夫鏈的後驗樣本的數據集計算收斂診斷以及等尾和 HPD 可信區間。 包括兩個後驗概率計算器。 此加載項不執行 MCMC，但允許直接分析和審查後驗樣本。
下面的對話框顯示了來自 Mehrotra & Heyse (2004) 的 40 個不良事件的貝葉斯分層模型中 3 個獨立運行的馬爾可夫鏈的 60,000 個 MCMC 樣本的示例。提供了獨立的馬爾可夫鏈，以便計算 Gelman-Rubin 診斷。
下圖顯示了診斷面板，其中每個參數都使用多個圖表和分析進行匯總。這些分析包括
- 鏈 1 的非參數密度曲線和匯總統計的直方圖
- MCMC 樣本的跡線圖對於鏈條 1
- 用於評估鏈 1 跨時間樣本自相關的繪圖和檢驗
- 如果提供了多個鏈，則提供所有鏈的跟踪圖以評估收斂性以及 Gelman-Rubin 診斷
為鏈 1 提供了包含等尾和最高後驗密度 (HPD) 可信區間的森林圖。
提供了一個單變量概率計算器來計算每個參數在提供的範圍內的概率。在這裡，我計算了參數為正的概率，這表明新療法存在過度風險。
多元概率計算器可讓您計算參數集何時共同滿足標準。在這裡，我計算了前五個參數同時為正的概率。 這可以解釋為前五個不良事件同時顯示過度風險的概率。
去support.sas.com/resources/papers/proceedings13/179-2013.pdf了解更多詳情。
Mehrotra DV & Heyse JF. （2004 年）。 使用錯誤發現率評估臨床安全性數據。 醫學研究中的統計方法13：227-238。
