我希望根据来自 MCMC 的样本准确描述多元后验概率分布的密度函数。据我所知，在大多数情况下，这是通过简单的参数拟合（例如，根据后验样本拟合或更新高斯分布）或使用核密度估计来完成的。但尤其是在更高维度上，KDE 通常很差；和参数分布可能不太适合后验的形状。

这个问题的答案提到，至少在某些情况下，可能会有更有效的估计。在我的情况下，我没有条件密度，所以我相信吉布斯采样的方法不能使用。本书章节“估计边际后密度”也只提到了适用于 Gibbs 采样的 KDE 和方法，但没有提到更一般的 MCMC 技术（他们谈论边际分布，而我想描述联合）。

我可以想象可以使用其他一般的密度估计技术（例如混合建模），但我希望你可以做得比这更好，尤其是当你对边际可能性也有很好的估计时。我错过了什么吗？谁能指出我正确的方向？