Đối với việc hạn chế các hệ số nằm trong một phạm vi, cách tiếp cận Bayes để ước tính là một phương tiện để thực hiện điều này.
Cụ thể, người ta sẽ dựa vào Chuỗi Markov Monte Carlo. Đầu tiên, hãy xem xét thuật toán lấy mẫu Gibbs, đó là cách bạn sẽ phù hợp với MCMC trong khung Bayes mà không có hạn chế. Trong lấy mẫu Gibbs, trong mỗi bước của thuật toán, bạn lấy mẫu từ phân phối sau của từng tham số (hoặc nhóm tham số) có điều kiện trên dữ liệu và tất cả các tham số khác. Wikipedia cung cấp một bản tóm tắt tốt về cách tiếp cận.
Một cách để hạn chế phạm vi là áp dụng một bước của Metropolis-Hastings. Ý tưởng cơ bản là chỉ cần loại bỏ bất kỳ biến mô phỏng nào nằm ngoài giới hạn của bạn. Sau đó, bạn có thể tiếp tục lấy mẫu lại cho đến khi nó nằm trong giới hạn của bạn trước khi chuyển sang lần lặp tiếp theo. Nhược điểm của điều này là bạn có thể bị kẹt mô phỏng rất nhiều lần, làm chậm MCMC. Một cách tiếp cận khác, ban đầu được John Geweke phát triển trong một vài bài báo và được Rodriguez-Yam, Davis, Sharpe mở rộng trong một bài báo để mô phỏng từ một phân phối thông thường đa biến bị hạn chế. Cách tiếp cận này có thể xử lý các ràng buộc bất bình đẳng tuyến tính và phi tuyến tính trên các tham số và tôi đã có một số thành công với nó.