在4.1.3版本的R语言中建立加权有向ergm模型，模型中的变量包含边和几何几何加权二元共享伙伴，参照分布项设置为泊松分布，借助MCMCpack包对模型分别使用MH采样函数以及Gibbs采样函数下的MCMC算法进行参数估计，迭代1000次，并且绘制后验密度图、迭代轨迹图、自相关图像

建立加权有向ergm模型可以使用ergm包，首先需要安装和加载该包。假设我们有一个有向网络数据`netdata`，其中包含了边和几何几何加权二元共享伙伴两个变量，我们可以使用以下代码建立模型：

library(ergm)
model <- ergm(netdata ~ edges + gwidegree(0.5, fixed=TRUE) + gwesp(0.5, fixed=TRUE), 
              response = "weight",
              constraint = "nonnegative")

其中`edges`表示边变量，`gwidegree`表示几何几何加权二元共享伙伴的入度和出度，`gwesp`表示几何几何加权二元共享伙伴的三元组，`response`设置为"weight"表示对边权进行建模，`constraint`设置为"nonnegative"表示边权不能为负数。

接下来，我们可以使用MCMCpack包中的`metrop`函数进行MH采样，代码如下所示：

library(MCMCpack)
set.seed(123)
mcmc <- MCMCmetrop1R(model, burnin = 100, mcmc = 1000, thin = 1, verbose = TRUE)

其中`burnin`表示烧掉的迭代次数，`mcmc`表示总的迭代次数，`thin`表示每隔几次迭代保留一次样本，`verbose`设置为TRUE表示输出采样过程中的信息。

接下来，我们可以使用MCMCpack包中的`gibbs`函数进行Gibbs采样，代码如下所示：

set.seed(123)
mcmc <- MCMCgibbsR(model, burnin = 100, mcmc = 1000, thin = 1, verbose = TRUE)

同样的，`burnin`表示烧掉的迭代次数，`mcmc`表示总的迭代次数，`thin`表示每隔几次迭代保留一次样本，`verbose`设置为TRUE表示输出采样过程中的信息。

最后，我们可以使用`coda`包中的函数对MCMC采样得到的样本进行分析，代码如下所示：

library(coda)
mcmc_summary <- summary(as.mcmc(mcmc))
mcmc_density <- densityplot(as.mcmc(mcmc))
mcmc_trace <- traceplot(as.mcmc(mcmc))
mcmc_autocorrelation <- autocorr.plot(as.mcmc(mcmc))

其中`summary`函数可以输出MCMC采样得到的参数估计结果，`densityplot`函数可以绘制后验密度图，`traceplot`函数可以绘制迭代轨迹图，`autocorr.plot`函数可以绘制自相关图像。

需要注意的是，以上代码中的参数设置可能需要根据实际情况进行调整。