MCMC連鎖のRhat・ESS診断
バグ・不具合を報告
既存のMCMC drawの混合状況とMonte Carlo推定精度を評価する。
各連鎖の同じ列は同じパラメータ・単位で入力してください。Rhatが1に近くてもposteriorの正しさは保証されず、divergenceや計算の妥当性も確認が必要です。
項目を入力・選択してから「計算する」を押してください。
選択内容に応じて、残りの入力項目を案内します。
計算結果
—
- bulk ESS
- —draw
- tail ESS
- —draw
- 平均のMCSE(パラメータと同じ単位)
- —
- warmup後のdivergence件数
- —
- 評価したdraw数(1連鎖あたり)
- —draw
値を入力して計算してください。
この計算機は使いやすかったですか?
回答はサイト改善のために保存します。入力値・計算結果は送りません。
ありがとうございます。よかったら、上の共有ボタンからこの計算機を紹介しませんか?
計算方法・適用範囲・出典
計算方法
先頭warmupを除去し、各連鎖を前半・後半の2つに分割(奇数drawは中央を1件除外)。全連鎖のmidrankをBlom正規スコア Φ⁻¹[(rank−3/8)/(S+1/4)] へ変換し、通常・中央値からの絶対偏差のfolded版split Rhatの最大値を使用。bulk ESSはrank score、tail ESSは5%/95%分位点のindicator ESSの小さい方。ESSは連鎖間分散補正とGeyerのinitial positive/monotone sequenceで推定。平均MCSEは元drawの標準偏差を元drawのESS_meanの平方根で除算。
rank正規化split Rhat、bulk/tail ESS、平均MCSE、パラメータ別数値表、選択パラメータの各連鎖traceとdivergence集計。
計算例(架空の数値)
同一値しか含まない連鎖では分散が0となりRhat・ESSは算定できません。連鎖ごとに異なる定数値なら混合不足として区別します。
適用対象と限界
MCMC実行後に取得した等長・同じ尺度の数値パラメータdraw。各連鎖の初期warmupは先頭から同数除外。MCMC自体の実行、適切なposterior/model/事前分布の保証、NUTS全診断、動的パラメータ名・単位、重み付きdraw、欠測補完を扱わない。
方法と出典
方法:Vehtari et al., Bayesian Analysis 16 (2021), Stan Reference Manual 2.39 Posterior Analysis(参照日2026-11-15)。データ記録日:2026-11-15。