现在称为Gibbs 采样的算法形成马尔可夫链，并对其输入使用蒙特卡洛模拟，因此它确实属于 MCMC（马尔可夫链蒙特卡洛）方法的适当范围。从历史上看，这种方法至少可以追溯到 20 世纪中叶，但它并不为人所知，后来被Geman 和 Geman（1984）的开创性论文推广，该论文研究了统计物理学与使用Gibbs 分布（有关一些历史参考资料，请参阅Casella 和 George 1992，第 167 页）。

出于某种原因，在他的论文中，Efron 提到 Gibbs 采样器，就好像它超出了 MCMC 的范围。他在您给出的引文中以及在论文的其他一些部分中都这样做了。由于他对该技术的开篇引用是指“Gibbs 采样器”（在引号中给出），因此他可能暗示了一个历史事实，即原始方法是通过统计物理学中的 Gibbs 分布开发的，并且没有被纳入MCMC 的一般统计理论直到很久以后。这是我对他为什么以这种方式提及它的最佳猜测。

更新：由于Efron 教授还活着，我冒昧地写信给他，问他为什么用这种方式描述 Gibbs 采样器。以下是他的回复（经他许可转载）：

这主要是出于历史原因……另一方面，Gibbs 算法看起来与 MCMC 配方完全不同，需要一些工作才能证明它在某种意义上是相同的。（Efron 2018，个人通信，原文省略号）

去维基百科。更好的是，与这些 MCMC 研究人员一起去：

• Tierney (1994)，“用于探索后验分布的马尔可夫链”；
• Geyer (2011)，“马尔可夫链蒙特卡洛简介”；
• 罗伯特和卡塞拉 (2011)，“马尔可夫链蒙特卡洛简史”。

Gibbs 采样器是马尔可夫链蒙特卡罗算法的一个示例。事实上，它是 Metropolis-Hastings 算法的一个特例。从分布中生成随机抽取的任何算法$\pi(\theta)$通过模拟具有$\pi(\theta)$因为它的平稳分布是马尔可夫链蒙特卡罗算法，而这正是吉布斯采样器所做的。