研究了稀疏约束下高维贝叶斯线性回归的马尔可夫链蒙特卡罗（MCMC）方法的计算复杂性。我们首先证明了贝叶斯方法在相对温和的条件下可以在设计矩阵上实现可变选择一致性。然后我们证明了后验浓度的统计准则并不意味着MCMC算法需要快速混合的计算需求。通过为变量选择引入截断稀疏性先验，我们提供了一组条件，以保证变量选择的一致性和特定Metropolis–Hastings算法的快速混合。混合时间与协变量的数量呈线性关系，直至对数因子。我们的证明通过构造一个标准路径集合来控制马尔可夫链的谱间隙，该集合受到贪婪变量选择算法所采取步骤的启发。