我正在尝试使用pymc3创建自定义可能性。该分布称为广义最大似然(GEV),其具有位置(loc),比例(比例)和形状(c)参数。 主要的意思是选择β分布作为比例参数之前,并在GEV可能性中确定位置和比例参数。 GEV分布不包含在pymc3标准分布中,因此我必须创建自定义可能性。我用Google搜索并发现我应该使用 densitydist 方法,但我不知道为什么它不正确。
请参阅以下代码:
import pymc3 as pm
import numpy as np
from theano.tensor import exp
data=np.random.randn(20)
with pm.Model() as model:
c=pm.Beta('c',alpha=6,beta=9)
loc=1
scale=2
gev=pm.DensityDist('gev', lambda value: exp(-1+c*(((value-loc)/scale)^(1/c))), testval=1)
modelo=pm.gev(loc=loc, scale=scale, c=c, observed=data)
step = pm.Metropolis()
trace = pm.sample(1000, step)
pm.traceplot(trace)
如果这是一个愚蠢的问题,我很抱歉,但我无法弄明白。
我正在研究年度最大流量,我正在尝试实施“广义最大似然广义极值”中描述的方法 水文数据的分位数估计“由Martins和Stedinger编写。
答案 0 :(得分:2)
如果你的意思是广义极值分布(https://en.wikipedia.org/wiki/Generalized_extreme_value_distribution),那么这样的东西应该有效(对于c!= 0):
import pymc3 as pm
import numpy as np
import theano.tensor as tt
from pymc3.distributions.dist_math import bound
data = np.random.randn(20)
with pm.Model() as model:
c = pm.Beta('c', alpha=6, beta=9)
loc = 1
scale = 2
def gev_logp(value):
scaled = (value - loc) / scale
logp = -(scale
+ ((c + 1) / c) * tt.log1p(c * scaled)
+ (1 + c * scaled) ** (-1/c))
alpha = loc - scale / c
bounds = tt.switch(value > 0, value > alpha, value < alpha)
return bound(logp, bounds, c != 0)
gev = pm.DensityDist('gev', gev_logp, observed=data)
trace = pm.sample(2000, tune=1000, njobs=4)
pm.traceplot(trace)
您的logp功能无效。 python中的指数为**
,部分表达式对负值无效。