Sınırlayıcı katsayıların bir aralıkta olması ile ilgili olarak, Bayes tahmini yaklaşımı bunu başarmanın bir yoludur.
Özellikle, bir Markov Zinciri Monte Carlo'ya güvenmek gerekir. İlk olarak, Gibbs örnekleme algoritmasını düşünün, bu da kısıtlama olmadan MCMC'yi Bayes çerçevesine nasıl sığdıracağınızdır. Gibbs örneklemesinde, algoritmanın her adımında, her bir parametrenin (veya parametre grubunun) verilere ve diğer tüm parametrelere bağlı olarak arka dağılımından örnekleme yaparsınız. Wikipedia yaklaşımın iyi bir özetini sunar.
Aralığı sınırlamanın bir yolu bir Metropolis-Hastings adımı uygulamaktır. Temel fikir, sınırlarınızın dışındaki herhangi bir simüle edilmiş değişkeni atmaktır. Daha sonra, bir sonraki yinelemeye geçmeden önce sınırlarınız içinde olana kadar yeniden örneklemeye devam edebilirsiniz. Bunun dezavantajı, MCMC'yi yavaşlatan birçok kez taklit edilebileceğidir. Alternatif bir yaklaşım, aslen tarafından geliştirilen John Geweke bir de birkaç kağıtları ve bunu bir yazıda genişletilmiş Rodriguez-Yam, Davis, Sharpe bir kısıtlı çok değişkenli normal dağılımdan taklit etmektir. Bu yaklaşım, parametreler üzerindeki doğrusal ve doğrusal olmayan eşitsizlik kısıtlamalarını kaldırabilir ve bu konuda bazı başarılar elde ettim.