用pym解释MCMC序列的后验分布

Question

^ {CD1>}很棒！它真的为MCMC打开了我的世界，所以感谢你编写它。在

目前我正在使用pymc来估计一些参数和置信区间，方法是将函数拟合到观察值中。对于大多数观测集，参数的后验分布（pymc.Matplot.plot(MCMCrun)）形状良好，类似高斯，某个参数（本例中的参数a）的最佳估计和不确定性来自：

param_estimate = MCMCrun.a.stats()['mean']

param_estimate = MCMCrun.a.stats()['standard deviation']

置信区间从

lower,upper = scipy.stats.mstats.mquantiles(MCMCrun.a.trace(), [0.025, 0.975])

然而在某些情况下，后验分布看起来像

正如你所看到的，不应该低于零，在我之前，我把A和B都设置为一致的，正的，并覆盖足够的合理参数空间。我的问题是：

解释后验分布的正确方法是什么？

取迹线的平均值现在将产生一个不在后验分布峰值的值，因此不具有真正的代表性。我应该继续运行更多的迭代吗？或者这是我得到的A的最佳估计值，也就是说，它在0和~7之间？在

Answer 1

后验分布总结了参数中的后验不确定性，这取决于您适合模型的数据集，当然还有模型结构本身。从后面，你可以提取一个中央趋势的度量（平均值或中位数）和一个后验可信区间，这可以从后验的适当分位数中获得。在