Question

文档中有some examples个用于简单线性模型的公式：

with Model() as model:
    GLM.from_formula('y ~ x', data)
    trace = sample(2000, cores=2)

文档还具有examples的分层GLM模型：

with pm.Model() as model:
    # Uninformative prior for alpha and beta
    ab = pm.HalfFlat('ab',
                       shape=2,
                       testval=np.asarray([1., 1.]))
    pm.Potential('p(a, b)', logp_ab(ab))

    X = pm.Deterministic('X',tt.log(ab[0]/ab[1]))
    Z = pm.Deterministic('Z',tt.log(tt.sum(ab)))

    theta = pm.Beta('theta', alpha=ab[0], beta=ab[1], shape=N)

    p = pm.Binomial('y', p=theta, observed=y, n=n)
    trace = pm.sample(1000, tune=2000, nuts_kwargs={'target_accept': .95})

我是PyMC的新手，我试图了解如何构建层次模型。

是否可以使用patsy中更简洁的GLM公式来获得相同的层次模型？
我可以任意将多个patsy公式链接到一棵树上吗？
给定一个由patsy公式生成的模型，我能否找出生成了哪些随机变量-即，为了更明确地获得相同的模型，我必须写些什么？

GLM公式与显式随机变量

0 个答案: