Python 用pymc解释MCMC运行的后验分布

pymc

太棒了！它真的为MCMC打开了我的世界，所以感谢您编写它

目前，我正在使用

pymc

通过将函数拟合到观测值来估计一些参数和置信区间。对于大多数观测集，参数的后验分布（

pymc.Matplot.plot（MCMCrun）

）形状良好，类似高斯分布，特定参数（本例中为参数

a

）的最佳估计和不确定性来自：

param_estimate=MCMCrun.a.stats（）['mean']

param_estimate=MCMCrun.a.stats（）[“标准偏差”]

和置信区间

lower，upper=scipy.stats.mstats.mquantiles（MCMCrun.a.trace（），[0.025,0.975]）

然而在某些情况下，后验分布如下

正如你们所看到的，A不应该低于零，在我之前的文章中，我将A和B都设置为均匀的，正的，并且覆盖足够的合理参数空间。我的问题是:

什么是解释A的后验分布的正确方法？

---

获取轨迹的平均值将产生一个不在后验分布峰值的值，因此不具有真正的代表性。我应该继续运行更多的迭代吗？或者这是我将得到的最佳估计值，即它在0到~7之间？

后验分布总结了参数中的后验不确定性，这取决于适合模型的数据集，当然还有模型结构本身。从后验数据中，可以提取中心趋势（平均值或中位数）的度量值和后验可信区间，这可以从后验数据的适当分位数中获得