我正在更新一些我使用 pymc2 到 pymc3 的计算,当我的模型上有一些离散随机变量时,我遇到了采样器行为的一些问题。例如,考虑使用 pymc2 的以下模型:
import pymc as pm
N = 100
data = 10
p = pm.Beta('p', alpha=1.0, beta=1.0)
q = pm.Beta('q', alpha=1.0, beta=1.0)
A = pm.Binomial('A', N, p)
X = pm.Binomial('x', A, q, observed=True, value=data)
它并不能真正代表任何东西,它只是一个模型,其中一个未观察到的变量是离散的。当我使用 pymc2 对该模型进行采样时,我得到以下结果:
mcmc = pm.MCMC(model)
mcmc.sample(iter=100000, burn=50000, thin=100)
plot(mcmc)
但是当我对 PYMC3 进行同样的尝试时,我得到了这个:
with pm.Model() as model:
N = 100
p = pm.Beta('p', alpha=1.0, beta=1.0)
q = pm.Beta('q', alpha=1.0, beta=1.0)
A = pm.Binomial('A', N, p)
X = pm.Binomial('x', A, q, observed=10)
with model:
start = pm.find_MAP()
with model:
step = pm.NUTS()
trace = pm.sample(3000, step, start)
pm.traceplot(trace)
看起来变量 A 根本没有被采样。我没有阅读太多关于 pymc3 中使用的采样方法的内容,但我注意到它似乎特别针对连续模型。这是否意味着它排除了模型上离散的未观察到的变量,或者有什么方法可以做我想做的事情?