我对logp有一个非常内在的困惑。我想通过na网页上的一个例子进行解释，这样我就不会很好地解释它。
我在本教程中将disaster_model.py描述为illlustrated： http://pymc-devs.github.io/pymc/tutorial.html
我启动了一个python shell，在导入了所有必需的模块后，我做了以下
In [2]: import disaster_model
Out[2]: -2.9780301980174
In [3]: disaster_model.switchpoint.logp
Out[3]: -4.709530201312334
In [4]: disaster_model.late_mean.logp
Out[4]: -2.407183392124894
In [5]: disaster_model.early_mean.logp
Out[5]: -2.9780301980174
M = MCMC(disaster_model)
M.sample(iter = 10000, burn = 1000, thin = 10)
In [11]: M.switchpoint.logp
Out[11]: -4.709530201312334
In [12]: M.early_mean.logp
Out[12]: -3.2263189370368117
In [13]: M.late_mean.logp
Out[13]: -0.9012784557735074
In [14]: M.disasters.logp
Out[14]: -164.37141285002255
我将重新强调该行（用disaster_model.py编写）
disasters = Poisson('disasters', mu=rate, value=disasters_array, observed=True
因此，灾难的价值永远不会改变。
现在我的问题是
1）除了switchpoint之外，为什么每个变量的日志概率都会发生变化？
（请解释为什么日志概率应该改变，如果它们应该改变，那么为什么swithpoint没有改变）
2）新旧日志概率代表什么？
（这是ipython shell而不是python，但它几乎不重要）
答案 0 :(得分：1)
反而迟到了，但无论如何。你的问题。
1）除了switchpoint之外，为什么每个变量的日志概率都会发生变化？
logp属性给出变量的对数概率，给定其父项。 switchpoint的先验分布是从0到110年的离散均匀分布，其父母是均匀分布的下界和上界。无论考虑switchpoint的什么值，其概率质量为1/111，因此其先验对数概率为ln（1/111）= -4.70953，并且永远不会改变。
其他变量（early_mean和late_mean）的对数概率发生变化，因为MCMC算法会跳过随机变量的空间，因为它们的先验分布被定义为指数，而不是统一。
2）新旧日志概率代表什么？
在您的问题中，对数概率表示随机变量early_mean，late_mean和switchpoint的“当前”值的对数先验概率。您可以通过评估early_mean并与np.log(scipy.stats.expon.pdf(M.early_mean.value, scale=1))进行比较来自行验证M.early_mean.logp。请注意，指数分布中的scale参数反映了disaster_model.py中定义的scale参数。