Python PyMC-Bernoulli模型检验

我目前正在尝试使用PyMC进行模型检查，其中我的模型是伯努利模型，我有一个测试版。我想做（I）gof图和（ii）计算后验预测p值

我已经用二项式模型运行了我的代码，但是我很难找到使贝努利模型工作的正确方法。不幸的是，在任何地方都没有我可以使用的例子。我的代码如下所示：

import pymc as mc
import numpy as np
alpha = 2
beta = 2
n = 13
yes = np.array([1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 0,0,0])

p = mc.Beta('p',alpha,beta)
surv = mc.Bernoulli('surv',p=p,observed=True,value=yes)
surv_sim = mc.Bernoulli('surv_sim',p=p)

mc_est = mc.MCMC({'p':p,'surv':surv,'surv_sim':surv_sim})
mc_est.sample(10000,5000,2)

import matplotlib.pylab as plt
plt.hist(mc_est.surv_sim.trace(),bins=range(0,3),normed=True)
plt.figure()
plt.hist(mc_est.p.trace(),bins=100,normed=True)

mc.Matplot.gof_plot(mc_est.surv_sim.trace(), 10/13., name='surv')

#here I have issues
D = mc.discrepancy(yes, surv_sim, p.trace())
mc.Matplot.discrepancy_plot(D)

我遇到的主要问题是确定

差异

函数的预期值。仅使用

p.trace（）

在这里不起作用，因为这些是概率。不知何故，我需要在这里加入样本量，但我很难做到这一点，就像我对二项模型所做的那样。我也不太确定，我是否正确地进行了

gof_绘图

---

希望有人能帮我！谢谢

根据

差异
功能，参数为：

observed : Iterable of observed values (size=(n,))
simulated : Iterable of simulated values (size=(r,n))
expected : Iterable of expected values (size=(r,) or (r,n))

因此，您需要纠正两件事：

1） 修改模拟结果，使其大小
n
（例如，示例中为13）：

surv\u sim=mc.Bernoulli（'surv\u sim'，p=p，size=n）

2） 使用
bernoulli_expval
方法封装您的
p.trace（）
：

D=mc.差异（是，surv\u sim.trace（），mc.bernoulli\u expval（p.trace（））

（
bernoulli_expval
只是吐回
p
）

通过这两个更改，我得到以下信息：

import pymc as mc
import numpy as np
alpha = 2
beta = 2
n = 13
yes = np.array([1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 0,0,0])

p = mc.Beta('p',alpha,beta)
surv = mc.Bernoulli('surv',p=p,observed=True,value=yes)
surv_sim = mc.Bernoulli('surv_sim',p=p)

mc_est = mc.MCMC({'p':p,'surv':surv,'surv_sim':surv_sim})
mc_est.sample(10000,5000,2)

import matplotlib.pylab as plt
plt.hist(mc_est.surv_sim.trace(),bins=range(0,3),normed=True)
plt.figure()
plt.hist(mc_est.p.trace(),bins=100,normed=True)

mc.Matplot.gof_plot(mc_est.surv_sim.trace(), 10/13., name='surv')

#here I have issues
D = mc.discrepancy(yes, surv_sim, p.trace())
mc.Matplot.discrepancy_plot(D)

根据
差异
功能，参数为：

observed : Iterable of observed values (size=(n,))
simulated : Iterable of simulated values (size=(r,n))
expected : Iterable of expected values (size=(r,) or (r,n))

因此，您需要纠正两件事：

1） 修改模拟结果，使其大小
n
（例如，示例中为13）：

surv\u sim=mc.Bernoulli（'surv\u sim'，p=p，size=n）

2） 使用
bernoulli_expval
方法封装您的
p.trace（）
：

D=mc.差异（是，surv\u sim.trace（），mc.bernoulli\u expval（p.trace（））

（
bernoulli_expval
只是吐回
p
）

通过这两个更改，我得到以下信息：

import pymc as mc
import numpy as np
alpha = 2
beta = 2
n = 13
yes = np.array([1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 0,0,0])

p = mc.Beta('p',alpha,beta)
surv = mc.Bernoulli('surv',p=p,observed=True,value=yes)
surv_sim = mc.Bernoulli('surv_sim',p=p)

mc_est = mc.MCMC({'p':p,'surv':surv,'surv_sim':surv_sim})
mc_est.sample(10000,5000,2)

import matplotlib.pylab as plt
plt.hist(mc_est.surv_sim.trace(),bins=range(0,3),normed=True)
plt.figure()
plt.hist(mc_est.p.trace(),bins=100,normed=True)

mc.Matplot.gof_plot(mc_est.surv_sim.trace(), 10/13., name='surv')

#here I have issues
D = mc.discrepancy(yes, surv_sim, p.trace())
mc.Matplot.discrepancy_plot(D)

非常感谢您的回复。带有
size
参数的提示非常棒！关于期望值，我没有使用
expval
函数，因为正如您所提到的，它只回吐
p
。因此，我再一次不确定这个解决方案，差异是否在做它应该做的事情。它现在做的是将数据和模拟的二进制结果与概率参数进行比较。另一个想法是：如果我将这个模型扩展到一个分类模型，我甚至更不确定如何处理它。我对
差异
函数不是很熟悉。年，
pymc
的作者之一建议使用
gof_图
生成后验预测图。我不知道为什么。非常感谢你的回复。带有
size
参数的提示非常棒！关于期望值，我没有使用
expval
函数，因为正如您所提到的，它只回吐
p
。因此，我再一次不确定这个解决方案，差异是否在做它应该做的事情。它现在做的是将数据和模拟的二进制结果与概率参数进行比较。另一个想法是：如果我将这个模型扩展到一个分类模型，我甚至更不确定如何处理它。我对
差异
函数不是很熟悉。年，
pymc
的作者之一建议使用
gof_图
生成后验预测图。我不知道为什么。