为何JAGS输出迭代从1000而非0开始？未设置燃烧期

你看到的迹图迭代范围是正常现象，根源在于rjags的默认运行逻辑：

• jags.model()默认会先执行1000次适应期迭代（adaptation），这部分迭代用于让MCMC链调整参数以趋近目标后验分布，不会被保存为样本，但会被计入迭代计数的起始基准。
• 后续调用coda.samples(model, n.iter=1000)时，程序会在适应期结束后再运行1000次采样迭代——这才是你最终获取的样本。因此迹图x轴显示的1000到2000，对应的就是这1000次有效采样，summary(samples)统计的也正是这部分数据。

如果你希望迹图x轴显示0到1000，有两种处理方式，但需注意合理性：

1. 跳过适应期（不推荐） #

初始化模型时手动设置n.adapt=0，直接跳过适应期：

model <- jags.model(
  textConnection(modelstring),
  data = jags_data,
  n.chains = 4,
  n.adapt = 0  # 关闭默认适应期
)

samples <- coda.samples(model = model, variable.names = c("alpha", "mu", "tau"), n.iter = 1000)
plot(samples)  # 此时迹图x轴会显示0到1000

警告：适应期是MCMC链收敛的关键步骤，跳过它可能导致样本未收敛，分析结果不可靠，新手不建议尝试。

2. 遵循标准流程添加燃烧期（推荐） #

贝叶斯分析中，除了适应期，通常还需要设置燃烧期（burn-in），即丢弃采样初期未稳定的迭代。你可以通过update()函数实现：

model <- jags.model(
  textConnection(modelstring),
  data = jags_data,
  n.chains = 4
)

# 运行500次燃烧期迭代（仅用于让链稳定，不存入样本）
update(model, n.iter = 500)

# 采集1000次有效样本
samples <- coda.samples(model = model, variable.names = c("alpha", "mu", "tau"), n.iter = 1000)
plot(samples)  # 此时迹图x轴会显示1500到2500（1000适应+500燃烧+1000采样）

这种方式能确保你获取的是收敛后的有效样本，更符合贝叶斯分析规范。

另外，新手可以用gelman.diag(samples)检查链的收敛状态，这是判断MCMC结果可靠性的常用方法。

内容的提问来源于stack exchange，提问作者peely458