如何在R中正确实现多元t分布及单变量边缘分布抽样

结论：代码仅满足边缘分布要求，未保留分量间相关性 #

• 从单变量边缘分布来看，你的实现是正确的：
  多元t分布的每个分量确实服从自由度为α₁、位置参数为β₁,i、尺度参数为(δ₁/α₁)Σ₁,ii的单变量t分布，代码中对每个分量单独计算尺度参数，并用rmvt传入单变量协方差矩阵的方式，能得到符合要求的单变量样本。
• 但存在核心缺陷：
  代码对每个分量独立抽样，完全忽略了原多元t分布中各分量由Σ₁定义的相关性结构，抽样得到的样本是各分量独立的，和真实的k维多元t分布不符。

正确的多元t分布抽样实现 #

若要生成符合原分布（保留分量间相关性）的样本，应直接对整个k维向量抽样，而非循环单独抽取：

library(mvtnorm) 

n_samples <- 1000  

# 构造完整的尺度矩阵
scaled_sigma <- (delta_1 / alpha_1) * sigma1
# 直接生成k维多元t分布样本
samples_beta_apriori <- rmvt(n = n_samples, sigma = scaled_sigma, df = alpha_1, delta = beta_1)

# 循环绘制每个分量的直方图（验证边缘分布）
for (i in 1:length(beta_1)) {
    hist(samples_beta_apriori[, i], breaks = 30, freq = FALSE, col = "orange",
         main = paste("Prior Distribution beta_", i, sep = ""),
         xlab = "Value", ylab = "Probability Density")
}

补充说明 #

• rmvt函数支持直接传入k维协方差矩阵，生成的多元t样本会自动保留分量间的相关性，且其边缘分布完全符合你给出的单变量t分布定义。
• 若仅需验证边缘分布形态，原代码的直方图结果和正确抽样一致；但如果后续分析需要用到分量间的相关性（如回归建模、联合推断），原代码的抽样结果会导致错误结论。

内容的提问来源于stack exchange，提问作者julialucy