0

我正在使用 PYMC 2.3.4。我觉得棒极了。现在我想在文档的第 7.3 节（https://pymc-devs.github.io/pymc/modelchecking.html）中显示的拟合和绘图差异做一些好处，在文档中他们说你需要 3差异图的输入

  1. x：数据
  2. x_sim：后验分布样本
  3. x_exp:expected value 前两个能看懂，第三个看不懂

这是代码

Sero=[0,1,4,2,2,7,13,17,90]

Pop=[ 15,145,170,132,107,57,68,57,251]

for i in range(len(Pop)):
   prob[i] = pymc.Uniform(`prob_%i' % i, 0,1.0)

serobservation=pymc.Binomial('serobservation',n=Pop,p=prob,value=Sero,observed=True)
pobservation=pymc.Binomial('pobservation',n=Pop,p=prob)
mod=pymc.Model([serobservation,pobservation,prob])
mc=pymc.MCMC(mod)
mc.sample(20000)

一切正常，然后我尝试绘制差异，但我不知道将什么作为预期值你能帮忙吗？到目前为止，我已经这样做了：

D = pymc.discrepancy( Sero,pobservation,serobservation)
pymc.Matplot.discrepancy_plot(D, name='D', report_p=True)

但我有错误

AttributeError: 'Binomial' object has no attribute 'trace'

我能做些什么？您能否为我提供一个如何创建预期值的虚拟示例？此外，当我使用该功能时

pymc.Matplot.gof_plot(pobservation,Sero )

只绘制了数组最后一个条目的图 我怎样才能为每个条目绘制一个图？

谢谢你的帮助

4

1 回答 1

2

如果您使用的是内置随机变量，则有一些expval函数是该分布的预期值（在二项式的情况下，函数只是binomial_expval，也就是p*n）。

一般来说，我建议使用gof_plot来生成后验预测图，而不是discrepancy_plot. 您的代码存在一些问题：

  1. 目前尚不清楚为什么要构建prob节点列表，而不仅仅是指定向量值Uniform：

    prob = pymc.Uniform('prob', 0, 1, size=len(Pop))

  2. 你永远不需要Model直接实例化；只是MCMC：

    mc=pymc.MCMC([serobservation,pobservation,prob])

通过这些更改，我得到了 8 个 GOF 图，每个数据一个。这是一个包含我得到的图的 zip 文件。

于 2015-06-10T02:46:50.123 回答