Như đã nêu trong nhiều ý kiến, Markov Chain Monte Carlo là trường hợp đặc biệt của phương pháp Monte Carlo, được thiết kế để tính gần đúng số lượng liên quan đến phân phối thông qua mô phỏng số giả ngẫu nhiên. Như vậy, nó không có mối liên hệ nào với một mô hình thống kê cụ thể và các trường hợp sớm nhất của phương pháp, như trong Metropolis et al. (1953), không liên quan đến thống kê, Bayes hay người thường xuyên. Nếu bất cứ điều gì các phương thức này tự nhiên là "thường xuyên" (dù sao cũng là một loại không xác định) thì chúng dựa vào sự ổn định của tần số hoặc trung bình theo kỳ vọng khi số lượng mô phỏng tăng lên, hay còn gọi là Định luật số lớn.
Do đó, có thể trong các vấn đề phức tạp không thuộc Bayes để sử dụng các phương pháp MCMC để thay thế các tích phân có thể điều chỉnh được. Kiểm tra ví dụ
- tối ưu hóa các khả năng không có biểu thức dạng đóng, như trong các mô hình hiệu ứng ngẫu nhiên và biến tiềm ẩn. Thuật toán EM có thể không hoạt động do bước "E" khó hiểu, trong trường hợp đó, kỳ vọng cần được thay thế bằng xấp xỉ Monte Carlo hoặc xấp xỉ Chuỗi Monte Carlo . Với một đánh giá có thể của lỗi. Hoặc nó có thể không hoạt động do bước "M" khó hiểu, trong trường hợp đó, tối đa hóa đôi khi có thể được thay thế bằng thủ tục tối đa hóa Markovian như trong ủ mô phỏng . Hoặc sử dụng các bước Gibbs .
- phương pháp mô phỏng suy luận trong kinh tế lượng, như phương pháp mô phỏng của khoảnh khắc , suy luận gián tiếp , khả năng thực nghiệm .
- xấp xỉ các khả năng với các hằng số chuẩn hóa có thể điều chỉnh được như Ising, Potts và các mô hình trường ngẫu nhiên Markov khác, sử dụng các thuật toán trao đổi ví dụ .
- p
- một lần nữa trong kinh tế lượng, các công cụ ước tính kiểu Laplace , "bao gồm các phương tiện và lượng tử của các phân phối bán sau được định nghĩa là các phép biến đổi của các hàm tiêu chí thống kê dựa trên cơ sở tổng quát, như các phương pháp trong GMM, IV phi tuyến, khả năng theo kinh nghiệm và phương pháp khoảng cách tối thiểu" và Hong, 2003), dựa trên các thuật toán MCMC.