Python 多维PyMC3观测

我的模型有一个对数正态RV，C，形状（W，D）。W中的每一行和D中的每一列都有一个正在拟合的参数。我试图将我的观察结果指定为（W，D）矩阵，但是，这会导致theano编译错误

引发异常（'编译失败（返回状态=%s）：%s'%
异常：（“编译节点时发生以下错误”，Alloc（Elemwise{switch，no_inplace}.0，TensorConstant{10}，TensorConstant{10}），“\n”，“编译失败（返回状态=3）：”，“[Alloc（，TensorConstant{10}，TensorConstant{10}）]”

我使用的模型来自答案。模型和观测数据如下：

logloss=np.数组（[[6.85856503,6.35784227,7.15773548,6.7262334,4.34380542，
4.68213123, 4.20469262, 2.07944154, 1.38629436, 0.        ],
[6.74405919, 6.57228254, 6.45833828, 5.43807931, 3.58351894,
2.94443898,3.25809654,2.56494936,1.60943791,nan]，
[6.89060912, 7.11314211, 6.42810527, 6.90975328, 5.33271879,
3.25809654，3.61091791，3.97029191，南，南]，
[7.41276402, 6.93537045, 6.18208491, 6.06610809, 5.70378247,
6.04025471,2.48490665，楠，楠，楠]，
[6.83733281, 6.91572345, 6.53087763, 6.55961524, 3.58351894,
4.81218436，楠，楠，楠，楠]，
[7.05789794, 7.12286666, 5.98393628, 5.28320373, 3.63758616,
楠,楠,楠,楠,楠],，
[7.2984451,7.31455283,6.8721281,6.64509097,nan，
楠,楠,楠,楠,楠],，
[7.12286666，6.73340189，6.26720055，南，南，
楠,楠,楠,楠,楠],，
[7.18992217，6.9902565，楠，楠，楠，
楠,楠,楠,楠,楠],，
[7.25347038，楠，楠，楠，
楠，楠，楠，楠，楠]]
logprem=np.数组（[8.66768002,8.49862181,8.60410456,8.54966038,8.55910259，
8.56216656, 8.51559191, 8.60630237, 8.56140145, 8.50956416])
D=10
W=10
logprem=tt.\u共享（logprem）.T.重复（D，轴=1））
使用pm.Model（）作为模型：
logelr=pm.Normal（'logelr'，-0.4，np.sqrt（10））
#列向量
alpha=pm.Normal（“alpha”，0，sigma=np.sqrt（10），形状=（W-1,1））
#行向量
β=pm.Normal（“β”，0，sigma=np.sqrt（10），形状=（1，D-1））
#预加零并广播到（W，D）
alpha_aug=tt.连接（[tt.零（（1,1）），alpha]，轴=0.重复（D，轴=1）
#附加零并广播到（W，D）
beta_aug=tt.连接（[beta，tt.零（（1,1））]，轴=1.重复（W，轴=0）
#从技术上讲，这些指数将被逆转
#例如，这里的a[0]，a[9]分别对应于本文中的a_10，a_1。
a=pm.均匀（'a'，0，1，形状=D）
#注意：[：：-1]按指定的顺序对其进行排序
#这样（sigma\u 0>sigma\u 1>…）
sigma=pm.Deterministic（'sigma'，tt.extra_ops.cumsum（a）[：：-1]。重塑（（1，D）））
#现在这里的一切都有形状（W，D）或者是标量（logelr）
mu=logprem+logelr+alpha_-aug+beta_-aug
#西格玛将自动广播
C=pm.Lognormal（'C'，mu=mu，sigma=sigma，shape=（W，D），观测值=logloss）

nan家怎么了？矩阵真的只有一个（部分）观测值吗？如果你指出这个模型的来源可能会有所帮助。当然，这是一个精算索赔准备金的模型。每一行都是事故年，每一列都是开发年龄。最近的事故年只有一个发展期，第二个最近的事故年有两个发展期，以此类推。目标是通过填充南部来“摆正三角形”。描述模型的论文，特别是论文第5节，交叉分类模型。直接问题可以通过将

logloss

转换为张量来解决，可以使用

tt.\u shared

或将其移动到模型上下文下并使用

pm.Data（）

。然而，更大的问题是，观察变量仅评估可能性，因此，如果您想要插补

C

，则需要在不进行观察的情况下对其进行采样，并单独评估实际观察值的可能性。此外，PyMC3不处理nan的-不确定最好的解决方法。