PyMC：利用 Adaptive Metropolis MCMC 中的稀疏模型结构答案

【问题标题】：PyMC: Taking advantage of sparse model structure in Adaptive Metropolis MCMCPyMC：利用 Adaptive Metropolis MCMC 中的稀疏模型结构
【发布时间】：2015-07-03 14:03:00
【问题描述】：

我有一个结构如下图所示的模型：

我有几个人（在这张图片中索引为 1...5）。人口参数（A 和 B，但可以有更多）确定每个个体潜在变量 L[i] 的分布。潜变量L[i] 以概率方式确定观察X[i]。这个模型是“稀疏的”，因为大多数节点没有直接连接它们的边。

我正在尝试使用 PyMC 来推断总体参数以及每个人的潜在变量。（一个更详细地描述了我的具体场景的相关问题是here。）我的问题是：我应该使用 Adaptive Metropolis 而不是另一种方法，如果是，是否有任何“技巧”来分组随机变量正确吗？

如果我正确理解 Adaptive Metropolis 采样（我可能不会...），该算法会通过考虑这些变量如何为未知数（A、B 和所有到目前为止，在运行中构建的后验分布中是相关的。如果A 和B 负相关，则增加A 的提案将倾向于减少B，反之亦然，以增加提案被接受的机会。

问题是，在这个模型中，每个L[i] 都是从A 和B 确定的基础人口分布中独立抽取的。因此，虽然它们会被视为在后验中相关，但这些相关性实际上仅归因于 A 和 B，因此它们在某种程度上是“混淆”。所以当我调用函数时，

M.use_step_method(pymc.AdaptiveMetropolis, stochastics)

所有L[i] 是否应该一起出现在随机指标列表中？或者我应该多次调用 use_step_method，每次都使用stochastics=[A, B, L[i]] 来获取L[i] 之一？我的想法是，为不同的随机变量组多次调用该函数将构建问题，并通过告诉 PyMC 只关注重要的相关性来使 PyMC 更容易。这是正确的吗？

【问题讨论】：

标签： python algorithm bayesian pymc mcmc

【解决方案1】：

这可能是一个不令人满意的答案，但 PyMC3 似乎有一个非常相似的分层模型的示例：https://pymc-devs.github.io/pymc3/GLM-hierarchical/ 将您的代码迁移到 PyMC3 将使您能够访问更新的示例，例如 No-U-Turn Sampler (坚果）

【讨论】：