当给定余下相关的参数，这些参数的完全条件分布可以分别表示如下：
在马尔可夫链蒙特卡洛算法的第t次迭代时，按如下的过程进行抽样。
①对于s和g，从建议分布中抽取它们可能的值，并且按照如下的接受概率进行更新。
②对于α，同样从建议分布中抽取可能的值，并且按照如下的接受概率进行更新。
需要说明的是，虽然这里对于s和g是按照整体来进行抽样的，但并不代表必须这样做，对它们分别进行抽样也是可以的。建议分布的选取理论上是可以任意选择的，但是很多研究表明建议分布的选取会影响到算法的收敛速度。因此，为了算法更好更快地收敛，建议选择使样本相关较小的分布。关于这方面的内容，可以参考相关的文献。
本章小结
参数估计是获得认知诊断结果的技术。参数估计方法的合适性主要是看其实现过程的高效性和估计结果的稳定一致性。
不同的参数估计方法均是基于已有的信息，包括测试样本数据信息和过去的经验信息（先验信息），结合具体的模型，通过寻找极大似然估计值来推断被试特征的过程。测试样本数据信息和先验信息的质量是影响参数估计结果的主要因素。测试样本数据信息的质量受到被试样本质量和容量、测验题目质量和数量的影响，先验信息的质量主要受到我们关于被试特质和题目特征的认知深度的影响。对测试样本信息和先验信息的认识和使用方式也是影响参数估计结果的关键因素，并由此形成了不同的参数估计方法和实现策略。
思考题
1.什么是先验分布？什么是后验分布？
2.边际极大似然估计的一般过程是什么？
3.极大后验估计和期望后验估计方法的关键不同之处是什么？
