BEAST2常用术语
重点：Mixing越高，ESS越高，
Bayesian
贝叶斯推理是统计推理的分支，允许使用先验知识在评估新数据存在下的模型参数的可能性。贝叶斯推论已被称为“主观”推断，因为它允许在先验分布的选择中允许某种主体性。先验分布可以强烈影响后验（结果）。我们将贝叶斯推论视为数据探索性分析的有用工具，并以严格比较不同的假设。然而，使用前沿的使用必然会涉及研究人员的更大责任，以确保他们没有通过他们的前任将无意中的偏见引入他们的结果。出于这个原因，测试您结论的敏感性是非常重要的。
Burn-In
舍弃MCMC运行开始时的样本集。通常，随机启动状态具有非常低的后验支持率，并且在到达具有更好的后支撑件的状态空间的区域之前需要多个提案。保持初始（低后面）状态导致偏置估计，因为假设在MCMC样本中，每个状态被对其后续进行比例进行采样，而起始样本比预期的比例更频繁地表示，因此丢弃这些状态。
Coalescent
Convergence
当静态分布的MCMC链样本时，据说达到了收敛。在跟踪器中，当感兴趣的参数有一条没有显示趋势的迹象时，这是显而易见的。确定收敛需要多少步是非常艰难的，但一般时当ESS至少200时，该迹线看起来像毛茸茸的毛虫，重复运行导致非常相似的估计有很好的机会收敛。
Equilibrium
如果达到静态分布，则据说MCMC链条在平衡状态下，无论使用起始位置如何，都可达到平衡。
ESS(Effective Sample Size)
有效的样本尺寸 - 从马尔可夫链相当的后部分布有效独立的速度。
HPD(Highest Posterior Density)
x％最高后密度间隔是参数空间中最短的间隔，其包含后概率的x％。
Likelihood
可能性Pr{D|参数，树}是指定为演化模型的观察到的序列数据的概率（即树，转变/颠转比，伽马形状参数，不变位点比例，突变率_et焦点）。
MCMC
马尔可夫链蒙特卡罗 - 这是一种从后验分布绘制样品的随机算法，从而获得分布的估计。
Mixing
在MCMC PARLANCACE中，混合是指MCMC算法对参数或一组参数进行采样的效率。如果MCMC链孔混合，则意味着链中的自相关是低，ESS高，所获得的估计是准确的。混合良好的链条将具有看起来像直毛毛细胞的参数痕迹，链条围绕其均匀趋势波动如此迅速地波动。Tutorial 2有一系列迹象显示（烧焦后）这种毛茸茸的毛毛虫期望。
