使用 pymc 解释 MCMC 运行 的后验分布
Interpreting the posterior distributions of a MCMC run using pymc
pymc太棒了！它真的为 MCMC 打开了我的世界，所以感谢你编写代码。
目前我正在使用 pymc 通过将函数拟合到观察值来估计一些参数和置信区间。对于大多数观察集，参数的后验分布 (pymc.Matplot.plot(MCMCrun)) 形状很好，类似高斯分布，并且某个参数（在这种情况下为参数 a）的最佳估计和不确定性来自来自 :
param_estimate = MCMCrun.a.stats()['mean']
param_estimate = MCMCrun.a.stats()['standard deviation']
和来自
的置信区间
lower,upper = scipy.stats.mstats.mquantiles(MCMCrun.a.trace(), [0.025, 0.975])
但是在某些情况下后验分布看起来像
如您所见，A 不应低于零，在我之前，我将 A 和 B 都设置为均匀、正并覆盖足够的合理参数 space。我的问题是：
解释 A 的后验分布的正确方法是什么？
取轨迹的平均值现在将产生一个不在后验分布峰值处的值，因此不具有真正的代表性。我应该继续 运行 次迭代吗？或者这是我将得到的 A 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，条件是你拟合模型的数据集，当然还有模型结构本身。从后验中，您可以提取集中趋势的度量（均值或中位数）和后验可信区间，这可以从后验的适当分位数中获得。
pymc太棒了！它真的为 MCMC 打开了我的世界，所以感谢你编写代码。
目前我正在使用 pymc 通过将函数拟合到观察值来估计一些参数和置信区间。对于大多数观察集，参数的后验分布 (pymc.Matplot.plot(MCMCrun)) 形状很好，类似高斯分布，并且某个参数（在这种情况下为参数 a）的最佳估计和不确定性来自来自 :
param_estimate = MCMCrun.a.stats()['mean']
param_estimate = MCMCrun.a.stats()['standard deviation']
和来自
的置信区间lower,upper = scipy.stats.mstats.mquantiles(MCMCrun.a.trace(), [0.025, 0.975])
但是在某些情况下后验分布看起来像
如您所见，A 不应低于零，在我之前，我将 A 和 B 都设置为均匀、正并覆盖足够的合理参数 space。我的问题是：
解释 A 的后验分布的正确方法是什么？
取轨迹的平均值现在将产生一个不在后验分布峰值处的值，因此不具有真正的代表性。我应该继续 运行 次迭代吗？或者这是我将得到的 A 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，条件是你拟合模型的数据集，当然还有模型结构本身。从后验中，您可以提取集中趋势的度量（均值或中位数）和后验可信区间，这可以从后验的适当分位数中获得。