JAGS中创建用户自定义分布的可行性与操作方法问询

JAGS原生不支持直接通过模型语法声明全新的命名自定义分布，但有两种成熟的方案可以实现从非内置分布中采样参数的需求：

• 使用通用似然适配技巧（zeros/ones trick，无需扩展JAGS本身，适合临时需求）
  这是最常用的轻量方案，核心思路是引入伪观测数据，将自定义分布的对数似然转换为JAGS内置分布的似然形式，让MCMC采样时能正确计算后验：
  • zeros trick：基于泊松分布实现，适用于所有可以写出对数似然的自定义分布
    操作步骤：
    1. 先计算你的自定义分布在当前参数取值下的对数似然值llik
    2. 设定一个常数C，取值要略大于所有可能情况下-llik的最大值，保证泊松分布参数始终为正
    3. 在模型中加入代码：dummy ~ dpois(-llik + C)，同时给伪变量dummy传入固定观测值0

举个简单的实现示例，假设你需要对观测值y拟合自定义的拉普拉斯分布，模型代码示例如下：

model {
  # 先验设定
  mu ~ dnorm(0, 1e-3)
  sigma ~ dunif(0, 10)
  
  # 计算拉普拉斯分布的对数似然
  llik <- log(0.5) - abs(y - mu) / sigma
  
  # zeros trick实现
  C <- 1000 # 取值需保证 -llik + C 始终为正
  dummy ~ dpois(-llik + C)
}

• ones trick：基于伯努利分布实现，原理和zeros trick类似
  操作步骤：

  1. 计算自定义分布的对数似然值llik
  2. 设定常数C，取值略大于所有可能情况下llik的最大值，保证exp(llik - C)的结果在0到1之间
  3. 在模型中加入代码：dummy ~ dbern(exp(llik - C))，同时给伪变量dummy传入固定观测值1

• 编写JAGS扩展模块（适合需要频繁复用的自定义分布）
  如果某个自定义分布需要在多个项目中反复使用，可以基于JAGS的模块开发接口用C编写自定义分布的实现，编译为动态链接库后，在运行JAGS时用load.module()命令加载，之后就可以和内置分布一样直接调用，采样效率比前一种trick更高，但需要掌握基础的C开发能力和JAGS模块开发规则。

使用zeros/ones trick时要注意校验对数似然的计算逻辑，同时合理设置常数C的取值，C过大会导致数值精度损失，过小则会出现似然计算错误，进而导致采样链不收敛。

内容的提问来源于stack exchange，提问作者Ridwan Adejumo Suleiman