sampler.run_mcmc的用法

`sampler.run_mcmc()` 是 MCMC (Markov Chain Monte Carlo) 模型中的一个关键方法，通常在 PyMC3 的 EnsembleSampler 类中使用。这个函数负责执行 Metropolis-Hastings 或其他类似算法来抽样目标分布，获取模型参数的估计值。它的基本用法包括以下几个步骤：

1. **初始化**:
- 先创建一个 `EnsembleSampler` 对象，提供所需的参数，如 `nwalkers`, `ndim`, 和 `lnprob0` 函数。

2. **设置起始位置**:
- 初始化一些参数向量（通常是随机的），作为各个 "步行者" 的起点，然后通过 `sampler.setup(nburn=...)` 设置 burn-in（预热）阶段，这是一个无记录的适应期，帮助步行者找到参数空间的全局最优区域。

3. **运行采样**:

   samples = sampler.run_mcmc(initial_positions, nsteps, progressbar=True)

这里，`initial_positions` 是步行者的起始位置，`nsteps` 是总共要进行的采样步数，`progressbar=True` 则显示采样进度。

4. **结果存储**:
- `samples` 是一个包含所有采样链的数组，你可以使用它来获取后验分布的估计，如平均值、置信区间等。

5. **评估和分析**:
- 根据需要，你可以检查是否满足收敛条件，比如R-hat统计量小于1.1，然后可以分析样本以了解参数的估计及其不确定性。