使用pymc解释MCMC运行的后验分布

Question

pymc很棒！它真的为MCMC开辟了我的世界，所以感谢您对它进行编码。

目前我正在使用pymc通过将函数拟合到观察值来估计一些参数和置信区间。对于大多数观察集，参数的后验分布（pymc.Matplot.plot(MCMCrun)）形状很好，类似于高斯，并且某个参数（在这种情况下为参数a）的最佳估计和不确定性来自来自：

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

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

和来自

的置信区间

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A，不应该低于零，在我之前我将A和B都设置为Uniform，正面并覆盖足够的合理参数空间。我的问题是：

解释A的后验分布的正确方法是什么？

采用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迭代吗？或者这是我得到的A的最佳估计，即它在0到7之间？

Answer 1

后验分布总结了参数的后验不确定性，条件是您使用模型的数据集，当然还有模型结构本身。从后验，你可以提取一个集中趋势（平均值或中位数）和后可信区间的度量，可以从适当的后验分位数中获得。