将参数传递给确定性变量，pym

Question

我试图用PyMC实现大数定律的一个非常简单的例子。目标是生成不同大小样本的多个样本平均值。例如，在下面的代码中，我重复地取一组5个样本（samples_to_average=5），计算它们的平均值，然后找到结果跟踪的95%置信区间。在

下面的代码运行，但我想做的是将samples_to_average修改为一个列表，这样我就可以在一个过程中计算不同样本大小范围的置信区间。在

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修饰符的例子都使用全局随机变量。但是，为了实现我的目标，我想我需要在getConfidenceInterval（）中创建一个随机变量（长度正确），并将其传递给sample_average（而不是使用globals/default参数提供sample_average）。在

如何将在getConfidenceInterval（）中创建的变量传递到sample_average（）中，或者，我可以使用samples_to_average的不同值来评估多个模型？如果可能的话，我想避免使用全局变量。在

Answer 1

在回答你的问题之前，我想简化sample_average的编写方式，这样它就更简洁，更容易理解。在

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

现在可以将其推广到samples_to_average是一个参数数组的情况：

^{pr2}$

getConfidenceInterval函数也必须更改，如下所示：

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一个2D数组中，然后使用Numpy的percentile函数中的axis选项计算每列的百分位。在