MCMCChains と AbstractMCMC を概観する．
A Blog Entry on Bayesian Computation by an Applied Mathematician
$$
$$
具体的なサンプラーは次の稿も参照：
AbstractMCMC.jl (GitHub / Juliapackages / HP) は MCMC サンプリングのための抽象的なインターフェースを提供するパッケージ．後述の Turing.jl エコシステムの基盤となる．
LogDensityProblems.jl：対数密度を扱うフレームワーク．
AdaptiveMCMC.jl (Juliapackages / Docs) は適応的な乱歩 MH アルゴリズムを提供するパッケージ．
Mamba.jl (Docs / GitHub) Markov chain Monte Carlo (MCMC) for Bayesian analysis in julia
KissMCMC (Juliapackages / GitHub) は ‘Keep it simple, stupid, MCMC’ ということで，計量な MCMC を提供するパッケージ．
DynamicHMC.jl (GitHub) は NUTS サンプラーを提供するパッケージ．Tamás K. Papp による．
SGMCMC.jl (GitHub) は Oxford CSML チームによる，Bayesian deep learning に向けたサンプラーを提供するパッケージ．
代表的なものは次の２つである：
ただし，現状の Soss.jl v0.21.2 (6/22/2022) は FillArrays のバージョンを 0.13.11 以下に制限してしまうため（最新は 1.11.0），これが Turing.jl の最新バージョン v0.33.1 と衝突してしまう．
インストールは１つの環境にどちらか１つのみにすることが推奨される．
(Storopoli, 2021) も参照．
AbstractMCMC.jl の枠組みAbstractMCMC.jl は，DensityProblem をはじめとした AbstractModel と AbstractSampler のデータ構造を提供する，Turing エコシステムの根幹部分を支えるパッケージである．
LogDensityProblemAbstractMCMC.jl は，Tamás K. Papp による LogDensityProblem.jl の wrapper を提供している．
sample 関数なども，AbstractModel の他に，longdensity オブジェクトに対するメソッドも定義されている．
MCMCChains.jl と AbstractMCMC.jlTuring によるエコシステムは，この MCMC のデザインパターンを利用している．
using MCMCChains
using StatsPlots
# Define the experiment
n_iter = 100
n_name = 3
n_chain = 2
# experiment results
val = randn(n_iter, n_name, n_chain) .+ [1, 2, 3]'
val = hcat(val, rand(1:2, n_iter, 1, n_chain))
# construct a Chains object
chn = Chains(val, [:A, :B, :C, :D])
# visualize the MCMC simulation results
plot(chn; size=(840, 600))sample 関数sample 関数は，MCMCCahins での実装 と AbstractMCMC での実装 との２つがある．
AbstractModel に対するデフォルトは次のように始まる：
function mcmcsample(
rng::Random.AbstractRNG,
model::AbstractModel,
sampler::AbstractSampler,
N::Integer;
progress=PROGRESS[],
progressname="Sampling",
callback=nothing,
discard_initial=0,
thinning=1,
chain_type::Type=Any,
initial_state=nothing,
kwargs...,
)inisital_params を指定した場合：
function mcmcsample(
rng::Random.AbstractRNG,
model::AbstractModel,
sampler::AbstractSampler,
::MCMCThreads,
N::Integer,
nchains::Integer;
progress=PROGRESS[],
progressname="Sampling ($(min(nchains, Threads.nthreads())) threads)",
initial_params=nothing,
initial_state=nothing,
kwargs...,
)autocor 関数Chains オブジェクトに対する autocor 関数が，次のように定義されている：
function autocor(
chains::Chains;
append_chains = true,
demean::Bool = true,
lags::AbstractVector{<:Integer} = _default_lags(chains, append_chains),
kwargs...
)
funs = Function[]
func_names = @. Symbol("lag ", lags)
for i in lags
push!(funs, x -> autocor(x, [i], demean=demean)[1])
end
return summarize(
chains, funs...;
func_names = func_names,
append_chains = append_chains,
name = "Autocorrelation",
kwargs...
)
end