这个答案基于包 rjags，它带有一个 n.adapt 参数。首先我将讨论适应、老化和细化的含义，然后我将讨论语法（我感觉你很清楚老化和细化的含义，但不了解适应；完整的解释可能使这个答案对未来的读者更有用）。
Burn-in 正如您在介绍 MCMC 采样时可能了解的那样，MCMC 链中的一些迭代必须作为老化丢弃。这是因为在拟合模型之前，您不知道您是否已经在特征集（合理后验概率区域）内初始化了 MCMC 链。在该区域之外初始化的链需要进行有限（有时很大）次数的迭代才能找到该区域并开始探索它。这一探索时期的 MCMC 样本不是从后验分布中随机抽取的。因此，将每个 MCMC 链的第一部分作为“老化”丢弃是标准的。有几种事后技术可以确定必须丢弃多少链。
细化 一个单独的问题出现了，因为在除了最简单的模型之外的所有模型中，MCMC 采样算法都会产生连续抽取基本上是自相关的链。因此，基于 MCMC 链的所有迭代（老化后）总结后验可能是不可取的，因为有效的后验样本大小可能比分析师意识到的要小得多（请注意，STAN 的哈密顿蒙特卡洛采样实现显着减少在某些情况下会出现这个问题）。因此，在“细化”链上进行推理是标准的，其中只有一小部分 MCMC 迭代用于推理（例如，仅每五次、十次或一百次迭代，取决于自相关的严重性）。
适应 JAGS 用来采样后验的 MCMC 采样器由影响其精确行为的可调参数控制。适当调整这些参数可以提高采样速度或去相关性。JAGS 包含自动调整这些参数的机制，并在绘制后验样本时这样做。这个过程称为适应，但它是非马尔可夫的；结果样本不构成马尔可夫链。因此，必须在适配后单独进行老化。用适应期代替老化是不正确的。然而，有时在适应后只需要相对较短的老化。
语法
让我们看一个非常具体的示例（OP 中的代码实际上并没有显示参数喜欢n.adapt或thin使用的位置）。我们将要求 rjags 以这样的方式拟合模型，以使每一步都清晰。
n.chains = 3
n.adapt = 1000
n.burn = 10000
n.iter = 20000
thin = 50
my.model <- jags.model(mymodel.txt, data=X, inits=Y, n.adapt=n.adapt) # X is a list pointing JAGS to where the data are, Y is a vector or function giving initial values
update(my.model, n.burn)
my.samples <- coda.samples(my.model, params, n.iter=n.iter, thin=thin) # params is a list of parameters for which to set trace monitors (i.e. we want posterior inference on these parameters)
jags.model()构建有向无环图，然后为 给定的多次迭代执行适应阶段n.adapt。
update()通过在不保存任何后验样本的情况下运行 MCMC 进行迭代，在每条链上执行老化n.burn（如果要检查完整的链并在事后丢弃老化期，请跳过此步骤）。
coda.samples()（来自 coda 包）按 指定的迭代次数运行每个 MCMC 链n.iter，但它不会保存每个迭代。相反，它只保存第 n 次迭代，其中 n 由下式给出thin. 同样，如果您想事后确定细化间隔，则在此阶段无需细化。在这个阶段进行细化的一个优点是尾句语法使得这样做很简单。您不必了解coda.samples()自己返回的 MCMC 对象的结构并对其进行细化。如果 n.iter 非常大，则可以在此阶段实现细化的更大优势。例如，如果自相关真的很糟糕，您可能会运行 200 万次迭代并仅保存每千分之一 ( thin=1000)。如果您在这个阶段没有瘦身，您（和您的 RAM）将需要操作具有三个链的对象，每个链包含 200 万个数字。但是通过不断细化，最终的对象在每条链中只有 2000 个数字。