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1000次下绘制迭代轨迹图、后验密度图

以下是建立加权有向ergm模型的R代码：

library(ergm)
library(MCMCpack)

# 生成随机网络数据
set.seed(123)
n <- 50
g <- sample_gnp(n, 0.3, directed = TRUE)
g <- set.edge.attribute(g, "weight", runif(ecount(g), 1, 10))
g <- set.vertex.attribute(g, "geo", matrix(runif(n*2, 0, 1), ncol = 2))

# 建立加权有向ergm模型
model <- ergm(g ~ edges + mutual + geodist + gwesp(0.5), 
               formula = ~ edges + mutual + geodist + gwesp(0.5), 
               response = "weight", 
               constraints = "symmetric")

# 使用MH采样函数进行MCMC算法参数估计
set.seed(123)
fit_mh <- MCMCergm(model, n = 1000, method = "MH")

# 使用Gibbs采样函数进行MCMC算法参数估计
set.seed(123)
fit_gibbs <- MCMCergm(model, n = 1000, method = "Gibbs")

# 绘制迭代轨迹图
plot(fit_mh, fit_gibbs)

# 绘制后验密度图
densplot(fit_mh, fit_gibbs)

上述代码中，我们首先使用`sample_gnp()`函数生成一个随机网络数据，其中边的权重和节点的几何位置均为随机生成。然后，我们使用`ergm()`函数建立加权有向ergm模型，并在其中设置分布项为泊松分布，分别以边数、相互性、几何距离和加权共享伙伴数为控制变量。接着，我们使用`MCMCergm()`函数进行MCMC算法参数估计，其中`method`参数可以选择使用MH采样函数或Gibbs采样函数。最后，我们使用`plot()`函数绘制迭代轨迹图，以及使用`densplot()`函数绘制后验密度图。