我和我的合作者发现，当我们尝试coda::gelman.diag()在模型拟合上运行时，通常会导致内存问题。我们显然可以在一定程度上通过细化和老化来调整它，但想知道我们可以使用哪些捷径。我们失去了“多变量 Rhat”，但看起来 JAGS 正在为每个受监控的参数创建一个带有估计 Rhat的输出 (rjags和R2jags) ……这可能就足够了吗？my.model.fit$BUGSoutput$summary
如果所有单变量 Rhat 估计BUGSoutput值都低于我们的目标值（比如 1.1），我们是否以任何方式反保守？除此之外还有理由打电话coda::gelman.diag()（gelman.diag也估计Rhat的置信上限）？
是否有好的经验法则可以让我们既包含足够长的链来获得高有效样本量，又可以避免内存限制coda::gelman.diag*()？