python - 将参数传递给确定性变量，pymc

Question

我正在尝试使用 PyMC 实现一个非常简单的大数定律示例。目标是生成不同大小样本的许多样本平均值。例如，在下面的代码中，我重复采集 5 个样本组 (samples_to_average = 5)，计算它们的平均值，然后找到结果迹线的 95% CI。

下面的代码运行，但我想做的是将samples_to_average修改为一个列表，以便我可以在一次传递中计算一系列不同样本大小的置信区间。

import scipy.misc
import numpy as np
import pymc as mc

samples_to_average = 5 
list_of_samples = mc.DiscreteUniform("response", lower=1, upper=10, size=1000)

@mc.deterministic
def sample_average(x=list_of_samples, n=samples_to_average):
    samples = int(n)
    selected = x[0:samples] 
    total = np.sum(selected) 
    sample_average = float(total) / samples 
    return sample_average 

def getConfidenceInterval():   
    responseModel = mc.Model([samples_to_average, list_of_samples, sample_average])
    mapRes = mc.MAP(responseModel)
    mapRes.fit() 
    mcmc = mc.MCMC(responseModel)
    mcmc.sample( 10000, 5000)
    upper = np.percentile(mcmc.trace('sample_average')[:],95)
    lower = np.percentile(mcmc.trace('sample_average')[:],5)
    return (lower, upper)     


print getConfidenceInterval()

我见过的大多数使用确定性装饰器的示例都使用全局随机变量。然而，为了实现我的目标，我认为我需要做的是在 getConfidenceInterval() 中创建一个随机变量(具有正确的长度)，并将其传递给sample_average(而不是使用全局/默认参数提供sample_average)。

如何将 getConfidenceInterval() 中创建的变量传递到sample_average() 中，或者，我可以使用不同的samples_to_average 值评估多个模型的另一种方法是什么？如果可能的话，我想避免全局变量。

Answer 1

在解决您的问题之前，我想简化一下sample_average的编写方式，使其更紧凑且更易于理解。

sample_average = mc.Lambda('sample_average', lambda x=list_of_samples, n=samples_to_average: np.mean(x[:n]))

现在您可以将其推广到样本到平均值是参数数组的情况:

samples_to_average = np.arange(5, 25, 5)

sample_average = mc.Lambda('sample_average', lambda x=list_of_samples, n=samples_to_average: [np.mean(x[:t]) for t in n])

getConfidenceInterval 函数也必须进行如下更改:

def getConfidenceInterval():
    responseModel = mc.Model([samples_to_average, list_of_samples, sample_average])
    mapRes = mc.MAP(responseModel)
    mapRes.fit()
    mcmc = mc.MCMC(responseModel)
    mcmc.sample( 10000, 5000)
    average = np.vstack((t for t in mcmc.trace('sample_average')))
    upper = np.percentile(average, 95, axis = 0)
    lower = np.percentile(average, 5, axis = 0)
    return (lower, upper)

我使用 vstack 将样本平均值聚合到二维数组中，然后使用 Numpy 百分位数函数中的 axis 选项来计算每列的百分位数。