我们讨论了一些原则，以指导有效的Metropolis–Hastings提案的设计，这些提案用于在没有深度分裂模式的情况下表现良好的目标分布。我们通过使用各种目标分布开发和评估新的建议内核来说明它们。这里，效率是通过相对于独立采样器的方差比来衡量的。第一个原理是在MCMC样本中引入负相关性或减少正相关性：提出新的东西，提出不同的东西这就解释了为什么高斯随机游走等单模方案不如均匀随机游走，而均匀随机游动又不如避免数值非常接近当前值的双模方案。我们评估了三个新的双模方案，分别称为Box、Airplane和StrawHat，发现它们的性能与早期的Bactrian内核类似，这表明方案的总体形状很重要，但具体的分布形式并不重要。我们提出了“镜像”内核，它在目标分布另一侧的当前值的镜像周围生成新值（实际上是当前值的“相反”）。这引入了负相关性，在许多情况下导致$<trans\; data-src=">">></trans>\mathrm{<trans\; data-src="100">100</trans>}\mathrm{<trans\; data-src="\%">\%</trans>}$第二个原则适用于多维目标，即一系列精心设计的一维提案可能比单个提案更有效率$\mathrm{<trans\; data-src="d">d日</trans>}$-维度建议。第三，我们建议将变量转换作为设计高效MCMC内核的通用策略。我们将这些原理应用于具有强相关性的高维高斯目标、逻辑回归问题和分子钟定年问题，以说明它们的实用性。