Python 是否可以使用分类随机变量在PyMC3中创建分层模型？

我试图使用PyMC3比较两个模型（来自Jake Vanderplas的博客），但我无法让修改后的代码正常工作（Jake的博客文章中解释了函数

best_theta（）

和

logL（）

，该文章以表格形式提供）：

这会引发一个异常，因为变量

choice

是一个RV对象，而不是一个整数（与PyMC2不同），如中所述。然而，在我的代码中，

choice

的值对于使其工作非常重要

---

我的问题是，有没有一种方法可以访问RV

选项的值，或者更一般地使用分类随机变量建立一个层次模型（即，使用分类RV的值来计算另一个RV的对数可能性）？
我对此进行了快速尝试。然而，这种方法需要改变很多，因为向量化模型通常更方便。这也暴露了一个bug，我修复了这个bug（），所以你需要从当前的主机更新它才能工作

以下是完整的NB：

这似乎还不太管用，因为结果并不完全相同，但这是朝着正确方向迈出的一步。
嘿，谢谢！我喜欢你的解决方案，型号规格比我的更清楚。正如你可能知道的，我只是从PyMC3开始。因此，正如我所知，您可以引用RV对象，就像您在当前MCMC步骤中引用它们的当前值一样，但只能在另一个RV的上下文中引用。换句话说，你的
coefs[choice，：（choice+1）]
代码片段是合法的，因为
coefs
本身就是一个（集合）RV，而我的
indmodel[choice]
代码片段是非法的，因为
indmodel
是一个常规ol'列表。对吗？
degrees = [1, 2, 3]

# best_theta() finds the best set of parameters for a given model
thetas = [best_theta(d) for d in degrees]

n = len(degrees)
prob = np.array([ 1 for _ in degrees ])

# model specs
from pymc3 import Model, Dirichlet, Categorical, DensityDist

with Model() as bfactor:
    choices = Dirichlet('choices', prob, shape=prob.shape[0])

    choice = Categorical('choice', choices)

    indmodel = [0] * len(degrees)
    for i, d in enumerate(degrees):
        # logL() calculates the log-likelihood for a given model
        indmodel[i] = DensityDist('indmodel', lambda value: logL(thetas[i]))

    fullmodel = DensityDist('fullmodel', lambda value: indmodel[choice].logp(value))