当涉及离散变量时，pymc3 与 pymc2 的困难

Question

我正在更新一些我使用 pymc2 到 pymc3 的计算，当我的模型上有一些离散随机变量时，我遇到了采样器行为的一些问题。例如，考虑以下使用 pymc2 的模型：

import pymc as pm

N = 100
data = 10

p = pm.Beta('p', alpha=1.0, beta=1.0)
q = pm.Beta('q', alpha=1.0, beta=1.0) 
A = pm.Binomial('A', N, p)
X = pm.Binomial('x', A, q, observed=True, value=data)

它并不能真正代表任何东西，它只是一个模型，其中一个未观察到的变量是离散的。当我使用 pymc2 对该模型进行采样时，我得到以下结果：

mcmc = pm.MCMC(model)
mcmc.sample(iter=100000, burn=50000, thin=100)
plot(mcmc)

但是当我尝试使用 PYMC3 时，我得到了这个：

with pm.Model() as model:
    N = 100
    p = pm.Beta('p', alpha=1.0, beta=1.0)
    q = pm.Beta('q', alpha=1.0, beta=1.0) 
    A = pm.Binomial('A', N, p)
    X = pm.Binomial('x', A, q, observed=10)

with model:
    start = pm.find_MAP()

with model:
    step = pm.NUTS()
    trace = pm.sample(3000, step, start)

pm.traceplot(trace)

看起来变量 A 根本没有被采样。我没有阅读太多关于 pymc3 中使用的采样方法的信息，但我注意到它似乎特别针对连续模型。这是否意味着它排除了模型上离散的未观察到的变量，或者有什么方法可以做我想做的事情？

Answer 1

NUTS 采样器不适用于离散变量（尽管人们正在努力对其进行推广）。您想要做的是将不同的步骤方法分配给不同类型的变量。例如：

step1 = pm.NUTS(vars=[p, q])
step2 = pm.Metropolis(vars=[A])

trace = pm.sample(3000, [step1, step2], start)