R JAGS中如何对[0,1]区间概率参数实现截断正态近似？

概率参数取值被严格限制在[0,1]区间，直接在原始概率尺度使用无约束dnorm()设定分布，必然会出现采样值超出区间的问题。max(dnorm(...), 0)写法无效的核心原因是：JAGS模型语法不支持在随机节点的分布定义中嵌套通用算术函数做区间约束，且这类写法本质是修改密度计算值，而非约束参数的采样范围，逻辑上不成立。

以下两种方案完全兼容rjags、R2jags、coda工具链，可直接落地：

方案1：JAGS原生截断语法（保留原概率尺度正态近似逻辑） #

如果需要完全保留原始概率尺度的正态分布形态，仅剔除[0,1]区间外的取值，直接使用JAGS内置的分布截断修饰符T(lower, upper)即可。该语法会在采样时自动拒绝落在指定区间外的候选值，区间内的密度形态和原正态分布完全一致，等价于截断正态近似。
模型代码示例：

model {
  # 替换原有易出界的写法 p ~ dnorm(post_mu, post_tau)
  p ~ dnorm(post_mu, post_tau) T(0, 1)

  # 其余模型逻辑无需改动
}

注意：此处的T()是JAGS专属的分布截断语法，不是R中的转置函数，直接写在JAGS模型字符串中即可，无需额外加载包或自定义函数。

方案2：变换尺度正态近似（采样稳定性更高，更推荐） #

如果后验概率没有大量集中在0或1边界，更推荐在logit变换后的无约束尺度上做正态近似，从根源上避免出界问题，且MCMC采样的混合效率远高于截断正态，不会出现边界处采样效率低的问题。
实现逻辑是先对logit变换后的无约束参数做正态建模，再通过JAGS内置的逆logit函数映射回[0,1]概率尺度，代码示例：

model {
  # logit尺度为无约束实数域，正态采样不会有范围问题
  logit_p ~ dnorm(mu_logit, tau_logit)
  # 逆变换得到概率值，结果天然落在(0,1)区间
  p <- ilogit(logit_p)

  # 其余模型逻辑无需改动
}

使用该方案需要提前基于后验样本或拉普拉斯近似结果，计算得到logit尺度下的正态近似均值mu_logit和精度tau_logit。

补充说明 #

如果是模型运行完成后，基于coda导出的MCMC样本做后验正态近似（而非在JAGS模型内定义节点分布），不需要修改JAGS模型代码，直接在R端对拟合得到的正态分布做[0,1]区间截断即可。

内容的提问来源于stack exchange，提问作者Zhili Qiao