गैर-रैखिक मिश्रित-प्रभाव मॉडल का बायेसियन अनुमान आमतौर पर मार्कोव-चेन मोंटे कार्लो (MCMC) विधियों पर निर्भर करता है क्योंकि पिछले वितरण को सुलझाना मुश्किल होता है। जबकि यह लापता अवलोकनों के साथ दीर्घकालिक डेटा के लिए व्यापक रूप से उपयोग किया जाता है, MCMC एल्गोरिदम के प्रदर्शन को अक्सर बिना किसी प्रश्न के लिया जाता है, इसके बावजूद कि उनका अनुमान गुणवत्ता पर महत्वपूर्ण प्रभाव पड़ता है। यह पत्र MCMC-आधारित अनुमान की जांच करता है जो बायेसियन गैर-रैखिक मिश्रित-प्रभाव मॉडल के लिए है, जिसमें लापता डेटा है, जो सम्मिलन व्यवहार और संगणकीय दक्षता पर ध्यान केंद्रित करता है। हम एक हाइब्रिड सैंपलिंग ढांचा प्रस्तावित करते हैं जो गिब्स सैंपलिंग को मेट्रोपोलिस-हैस्टिंग्स (MH) और अनुकूलन MH एल्गोरिदम के साथ जोड़ता है ताकि मिश्रण और स्थिरता में सुधार हो सके। सम्मिलन निदान, प्रभावी नमूना आकार और संगणकीय प्रदर्शन को व्यवस्थित रूप से मूल्यांकित किया गया है। अनुकरण अध्ययन अनुक्रमण की लंबाई, बर्न-इन अनुपात, और नमूना आकार के प्रभावों का मूल्यांकन करते हैं, और विधि का उदाहरण ऑर्थोडोन्टिक वृद्धि डेटा और लीड-एक्सपोज्ड बच्चों के उपचार (TLC) परीक्षण का उपयोग कर चित्रित किया गया है।
लुलाह आलनाजी (सैट,) ने इस प्रश्न का अध्ययन किया।