问题标签 [pymc3]

我想为参数定义一个指数先验，如下所示

因此我在pymc中定义了它

我也希望它满足以下约束

但是当我运行我的 MCMC 代码时发生的事情MASS变化非常缓慢，而我希望它在 和 之间以这三个数量级更快地1e+13变化1e16。我如何定义我的先验以便在参数空间中进行相当大的更改？

我想写一个模型，如下所示。主要思想是我有几个条件（或治疗），所有参数都是独立估计每个条件的，除了对所有条件都相同的 kappa 参数。

当我运行模型时，我收到以下消息。

编辑按照 chris-fonnesbeck 的回答，我尝试了以下方法：

我得到错误：

UserWarning 与起点的优化有关，如果我不使用 pm.find_MAP()，则将其删除。其余的错误仍然存​​在。

我正在尝试在 Python 中完成我的第一个最大似然估计。其中一个步骤需要我计算模型参数的可能性。我发现了一些可以在这里总结的示例数据：

如果我通过 statsmodels.api 运行一个简单的模型。我从 results.summary() 中得到 -14.601 的值。

查看 OLS 的源代码，这似乎是对数似然的基本计算

当我尝试用 PyMC 实现它时，我得到了不同的结果。这可能是我对 loc 和 scale 的一些错误计算。

在这里，我得到了 -135.29 的值。我觉得我一定是误算了我的 scale 和 loc 值，但这可能是我的实现中的一些其他错误。除了正常的对数似然之外，也许 OLS 正在使用其他一些可能性？一般来说，我对 statsmodels、PyMC 和 MLE 还是很陌生。有谁知道我在这里做错了什么？

我正在用一个简单的多级模型尝试 PyMC3。当同时使用假数据和真实数据时，随机效应分布的轨迹相互移动（见下图），并且似乎是同一轨迹的偏移量。这是 NUTS 的预期伪影还是表明我的模型存在问题？

这是真实数据的跟踪图：

这是模型的IPtyhon 笔记本和用于创建假数据的函数。这是相应的要点。

我正在尝试使用 pymc3 编写我自己的变量stochastic和deterministic变量，但旧的pymc2.3已发布配方解释了我们如何参数化变量不再有效。例如，我尝试使用这种方法，但失败了：direct

我收到以下错误消息：

我想知道如何在pymc3不使用装饰器和可用pymc分布的情况下定义自己的先验或可能性？

我想实现 在 PyMC 3 中为贝叶斯半参数模型实现 Dirichlet 过程（来源：here ）中引用的 Dirichlet 过程示例。

pymc.deterministic 在示例中，使用装饰器计算断棒概率：

您将如何在使用 Theano 进行梯度计算的 PyMC 3 中实现这一点？

编辑：我使用以下方法尝试了以下解决方案theano.scan：

可悲的是，这真的很慢，并且没有获得合成数据的原始参数。

有没有更好的解决方案，这是否正确？

我的模型有三个参数，比如theta_1、theta_2和nu。

我想从后部采样theta_1，theta_2 ， nu边缘化（可以分析完成），即从p(theta_1, theta_2 | D)而不是p(theta_1, theta_2, nu | D)其中D是数据。之后，我想根据theta_1和theta_2的新值重新采样nu。因此，一次采样扫描将包括以下步骤

1. 从p(theta_1, theta_2 | D)绘制theta_1和theta_2（将nu边缘化）
2. 从p(nu | theta_1, theta_2, D)绘制nu（nu被边缘化）

换句话说，一个折叠的 Gibbs 采样器。

我将如何使用 PyMC3 来解决这个问题？我认为我应该实现一个单独的阶跃函数，但我不确定如何在这里构建可能性。在 PyMC3 中实现阶跃函数时，如何访问模型规范？

运行泊松回归模型时出现内存问题。加载数据并为模型做好准备后，python 使用了大约 650 MB 的内存。一旦我创建模型，

内存使用量高达 3 GB。只有 350 个 8 位整数的数据点，所以我不知道什么在使用这么多的内存。

在玩了一会儿之后，我发现向模型添加任何东西都会使其内存达到 3 GB，甚至像这样简单的东西

关于正在发生的事情或我如何看得更深的任何建议？我正在使用新的 iMac、Python 2.7 和最新版本的 PyMC3。谢谢。

我已经开始尝试 pymc3 并且需要实现多项逻辑回归模型。我研究了 twiecki 的教程，并且了解他对分层回归模型的实现（请参阅https://twiecki.github.io/blog/2014/03/17/bayesian-glms-3/），以及一些基本示例pymc3 中的二元逻辑回归。我还没有看到对多项逻辑回归的任何扩展。使用 pymc3 的 GLM 是否对此提供支持？或者如何在不使用 GLM 的情况下实现这一点？这是我尝试解决问题的 iPython 笔记本的链接，尽管我知道我在这里遗漏了一些重要的东西：http: //nbviewer.ipython.org/github/mvictor212/pymc-multinom-logit/blob/master/ MultinomialLogisticRegression%20-%20Radon%20Level.ipynb

我在 pymc3 中实现了一个线性回归模型，其中未知的权重向量被限制为概率质量函数，因此被建模为 Dirichlet 分布，如下面的代码所示：

通过运行对后验进行采样后：

我分析了狄利克雷变量的踪迹，发现它们的值不相加（下面是一个例子）：

我不熟悉 theano 变量，并且发现很难探索 Dirichlet RV 在 pymc3 中的表达方式......我做错了什么，还是应该将跟踪中返回的值归一化以便它们总和为一个？

快速更新 看起来该函数pm.find_MAP()采用了一种梯度下降优化。这没有考虑到表示从狄利克雷分布中抽取的向量是概率质量函数（其值应为正且它们的总和应为 1）这一事实所产生的约束。这种约束显然也没有在算法的采样阶段强制执行，并且随着似然分布的精度向零漂移，会导致收敛问题。