我的模型有三个参数，例如 theta_1 ， theta_2 和 nu 。
我想从后面采样 theta_1 ， theta_2 nu 被边缘化（可以通过分析方式完成），即来自 p（theta_1，theta_2 | D）而不是 p（theta_1，theta_2，nu | D）其中 D 是数据。之后，我想根据 theta_1 和 theta_2 的新值重新取样 nu 。因此，一次采样扫描将包括步骤
换句话说，一个倒塌的吉布斯采样器。
我如何使用PyMC3解决这个问题？我认为我应该实现一个单独的步骤函数，但我不确定如何构造这里的可能性。在PyMC3中实现步进函数时，如何访问模型规范？
答案 0 :(得分：1)
步骤方法和可能性的概念在这个问题上有些混淆，但我看到你正在开车。步骤方法通常与可能性无关，可能性作为参数传递给步骤方法。例如PyMC 3中的check out the slice sampler step method。可能性是随机对象，它们以有向非循环图中父节点的值为条件返回对数似然值。
如果您正在进行Gibbs采样，您通常不关心评估可能性，因为您直接从模型参数的条件中进行迭代采样。我们目前在PyMC 3中没有Gibbs，并且在PyMC 2中有一些基本的Gibbs支持。它实现起来有点麻烦，因为它涉及识别模型中的共轭关联。此外，在PyMC 3中，您可以访问基于渐变的采样器（Hamiltonian），它比Gibbs更有效，因此您可能 想要实现Gibbs的原因有几个。
尽管如此，PyMC为实现自定义步骤方法和类似方法提供了极大的灵活性。只要步骤（astep）函数返回一个新点，你几乎可以做你喜欢的事情。我们无法保证它会成为一个好的采样器，