Python 与PyMC3的贝叶斯相关

我试图将其转换为PyMC3，但得到了完全不同的结果。最重要的是，多元正态分布的平均值很快变为零，而它应该在400左右（就像PyMC2一样）。因此，估计的相关性很快趋于1，这也是错误的

完整的代码可在此和中找到

PyMC2的相关代码为

def analyze(data):
    # priors might be adapted here to be less flat
    mu = pymc.Normal('mu', 0, 0.000001, size=2)
    sigma = pymc.Uniform('sigma', 0, 1000, size=2)
    rho = pymc.Uniform('r', -1, 1)

    @pymc.deterministic
    def precision(sigma=sigma,rho=rho):
        ss1 = float(sigma[0] * sigma[0])
        ss2 = float(sigma[1] * sigma[1])
        rss = float(rho * sigma[0] * sigma[1])
        return np.linalg.inv(np.mat([[ss1, rss], [rss, ss2]]))

    mult_n = pymc.MvNormal('mult_n', mu=mu, tau=precision, value=data.T, observed=True)

    model = pymc.MCMC(locals()) 
    model.sample(50000,25000) 

我的上述代码到PyMC3的端口如下：

def precision(sigma, rho):
    C = T.alloc(rho, 2, 2)
    C = T.fill_diagonal(C, 1.)
    S = T.diag(sigma)
    return T.nlinalg.matrix_inverse(T.nlinalg.matrix_dot(S, C, S))


def analyze(data):
    with pm.Model() as model:
        # priors might be adapted here to be less flat
        mu = pm.Normal('mu', mu=0., sd=0.000001, shape=2, testval=np.mean(data, axis=1))
        sigma = pm.Uniform('sigma', lower=1e-6, upper=1000., shape=2, testval=np.std(data, axis=1))
        rho = pm.Uniform('r', lower=-1., upper=1., testval=0)

        prec = pm.Deterministic('prec', precision(sigma, rho))
        mult_n = pm.MvNormal('mult_n', mu=mu, tau=prec, observed=data.T)

    return model

model = analyze(data)
with model:
    trace = pm.sample(50000, tune=25000, step=pm.Metropolis())

---

PyMC3版本会运行，但显然不会返回预期结果。非常感谢您的帮助。

pymc的呼叫签名。正常

In [125]: pymc.Normal?
Init signature: pymc.Normal(self, *args, **kwds)
Docstring:
N = Normal(name, mu, tau, value=None, observed=False, size=1, trace=True, rseed=True, doc=None, verbose=-1, debug=False)

请注意，

pymc.Normal

的第三个位置参数是

tau

，而不是标准偏差，

sd

因此，由于

pymc

代码使用

mu = Normal('mu', 0, 0.000001, size=2)

相应的

pymc3

代码应使用

mu = pm.Normal('mu', mu=0., tau=0.000001, shape=2, ...)

或

因为

tau=1/sigma**2

---

通过这一更改，pymc3代码将生成（类似于）

---

愚蠢的错误，如果mu的优先级被错误指定，那么它就不能像预期的那样工作。非常感谢你指出这一点。

mu = pm.Normal('mu', mu=0., sd=math.sqrt(1/0.000001), shape=2, ...)