当涉及离散变量时，pymc3与pymc2的困难

Question

我正在更新一些计算，其中我使用pymc2到pymc3，当我在模型上有一些离散的随机变量时，我在采样器行为方面遇到了一些问题。例如，请考虑使用pymc2的以下模型：

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。当我用pymc2对这个模型进行采样时，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。我没有读过很多关于pymc3中使用的采样方法，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，或者是否有某种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（尽管人们正在努力将其概括为此）。您要做的是为不同类型的变量分配不同的步骤方法。例如：

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

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