1.一种基于分层贝叶斯模型的二维Gibbs采样方法,包括如下步骤:(1)由分层贝叶斯模型建立P函数,其中含有CL和V两个变量,P函数如下:‑1 ‑1
p(η|y)∝p(y|η).p(η)=P(y|η)p(τ)p(β|μ,∑ )p(μ)p(∑ )P(y|η)为参数η条件下的血药浓度的似然函数;p(τ)为τ的先验分布;p(μ)为μ的先验分‑1 ‑1布;p(∑ )为∑ 的先验分布;
‑1 ‑1
p(β|μ,∑ )为给定参数μ,∑ 条件下CL,V的密度函数;
‑1
其中η=(βi,τ,μ,∑ );βi为第i个个体的CL,V,τ为yij的精度,μ为CL,V的均值,∑为CL,V的协方差矩阵;
(2)利用二维Gibbs采样方法对CL,V进行采样,Gibbs采样的步骤如下:
1)先给定一个平稳分布π(CL,V);
(0) (0)
2)在t=0时,随机生成一个初始状态(CL ,V );
(0) (0) (1)
3)在条件概率分布P(V|CL )中采样(CL ,V );这时的接受拒绝采样中的条件分布(0)函数为P(V|CL ),可取q(x)~U(a,b)和辅助均匀分布U(0,1);
(1) (1) (1)
4)在条件概率分布P(CL|V )中采样(CL ,V );这时的接受拒绝采样中的条件分布(1)函数为P(CL|V ),可取q(x)~U(a′,b′)和辅助均匀分布U(0,1);
5)轮换坐标轴,一直采取样本到目标数量为止(3)结合步骤(1)建立的P函数,将步骤(2)的Gibbs采样应用到二维目标参数中进行采样:(k) (k+1)
1)从P(V|CL ,y)中采样V ;
(k+1) (k+1)
2)从P(CL|V ,y)中采样CL ;
(0)
3)仿真时初始值取θ =(0,0),采出n+k个样本,根据马尔科夫链的性质,为保证样本(n)均从平稳分布中取出,舍弃前迭代k次的样本,即对前k个样本预烧,最终获得目标样本θ(n) (n)=(CL ,V )。
2.根据权利要求1所述的基于分层贝叶斯模型的二维Gibbs采样方法,其特征是:步骤(1)所述的P函数包含三个层次,该三个层次形式如下:(1)P(y|η)、p(τ):yobj为观测的血药浓度,ypre为由样本CL和V所预测的血药浓度,即ypre=function(CL,V),由房室模型计算,2
P(y|η)是yobj的密度函数,其中yobj~N(ypre,σ),设 其中τ~Gamma(0.0001,0.0001)2
σ的共轭先验分布理论上服从倒Gamma分布,因此τ服从Gamma分布,其参数选择为τ提供了一个非常平坦的、无信息的分布;
‑1
(2)p(β|μ,∑ ):参数向量服从多元正态分布,具体如下:β~MVNp(μ,∑)
其中,μ=(μ1,μ2)。MVNp表示p维多元正态分布(此时p=2);μ1,μ2分别为待估参数CL,V的均值;∑是CL,V方差‑协方差矩阵,主对角线分别为CL和V的方差,副对角线为CL和V的相关系数;
(3)p(μ):μ通常服从多元正态分布,参数分布根据先验信息设定,具体如下:其中,可用群体的CL和V的均值估计;Ω是μ的协方差矩阵,可用群体的CL和y的协方差矩阵估计;
‑1 ‑1
p(∑ ):∑ 通常服从威沙特分布;参数分布根据先验信息设定,具体如下:‑1
∑ ~Wishart(∑0,ρ)∑0是根据先验信息得到的方差‑协方差矩阵,ρ为自由度,通常取值为参数的个数;
最终,得到参数的完全联合后验分布:‑1
其中,η=(βi,τ,μ,∑), 是一个多元的Gamma函数(此时p=2),trace(∑ ∑)是矩阵的迹。