Bayesian 离散混合模型的Stan与PYMC3

我正在研究零计数时间数据。我构建了一个

stan

模型，该模型使用

model

块中的

if

语句处理这个零膨胀数据。这是他们在Stan参考指南中建议的。e、 g

model { 
   for (n in 1:N) { 
      if (y[n] == 0) 
         target += log_sum_exp(bernoulli_lpmf(1 | theta), bernoulli_lpmf(0 | theta) + poisson_lpmf(y[n] | lambda));
      else
         target += bernoulli_lpmf(0 | theta) + poisson_lpmf(y[n] | lambda);
   } 
}

这个

if

语句显然是必要的，因为斯坦使用螺母作为不处理离散变量的取样器（因此，我们将离散随机变量边缘化，而不是从中取样）。我对

pymc3

没有太多经验，但我的理解是，它可以处理吉布斯更新步骤（从离散伯努利似然中采样）。然后以零膨胀值为条件，它可以对依赖于泊松似然的参数执行Metropolis或NUTS更新

---

我的问题是：可以（如果可以）以这种方式使用

pymc3

从离散零膨胀变量中采样，并使用NUTS更新对连续变量进行更新吗？如果可以，在

stan

中，性能是否比上述实现有显著改善（这将离散随机变量边缘化）？此外，如果

pymc3

只能支持Gibbs+Metropolis更新，那么这种改变是否值得考虑？

是的，pymc3可以阻止更新连续和离散参数以提供离散采样。唯一的问题是，它将变得更慢、更不准确、更不健壮。由于Rao Blackwell定理，边缘化几乎总是效率/混合的一个胜利，也因为期望工作的准确性。Stan用户指南中关于潜在离散参数的章节（PyMC3中也提供了变化点模型）中的一个示例对此进行了解释。所以，如果你能在PyMC3（或bug或JAG）中边缘化，那将是效率和准确性方面的一大胜利。非常感谢Bob。我不知道和拉奥·布莱克威尔的关系。粗略地说，这个定理说，在期望中工作效率更高。通过边缘化离散参数，您的工作符合预期。是的，PyMC3可以阻止更新连续和离散参数，以提供离散采样。唯一的问题是，它将变得更慢、更不准确、更不健壮。由于Rao Blackwell定理，边缘化几乎总是效率/混合的一个胜利，也因为期望工作的准确性。Stan用户指南中关于潜在离散参数的章节（PyMC3中也提供了变化点模型）中的一个示例对此进行了解释。所以，如果你能在PyMC3（或bug或JAG）中边缘化，那将是效率和准确性方面的一大胜利。非常感谢Bob。我不知道和拉奥·布莱克威尔的关系。粗略地说，这个定理说，在期望中工作效率更高。通过边缘化离散参数，您可以按预期工作。