PyMC MCMC 分析 - .summary()

Question

我刚接触PyMC，遇到了一些问题，想要获取与我的先验相关的参数，比如均值和标准差。

我在一个叫做'model.py'的文件中描述我的模型，内容如下：

    import pymc
    import numpy

    #constants
    r_div=numpy.loadtxt("r_div", comments="#", unpack=False)
    map=numpy.loadtxt("map", comments="#", delimiter=",", unpack=False)
    M_star=3*10^6;

    #data
    n=numpy.loadtxt("n")

    #priors
    alpha_0=pymc.Uniform('alpha_0end',-10,10, value=0)
    logA_0=pymc.Uniform('logA_0end',-10,10,value=-6.1246)

    #model

    @pymc.deterministic(plot=False)

    def r(logA_0=logA_0,alpha_0=alpha_0,M_star=M_star,r_div=r_div):

        r=r_div*numpy.exp(logA_0)*((numpy.exp(map[:,1])/M_star)**(alpha_0))

        return r

            #likelihood
            Distribution=pymc.Poisson('Distribution',mu=r,value=n,observed=True)

然后我在ipython中使用以下脚本来运行MCMC链：

            import pymc
            import model
            M=pymc.MCMC(model)
            M.sample(100000, burn=10000)
            M.summary()

一切看起来都很顺利，直到我执行最后一个命令M.summary()时，出现了错误：

---

AttributeError Traceback (most recent call last) in () ----> 1 M.summary()

AttributeError: 'MCMC'对象没有'summary'这个属性

我确信链已经成功运行，因为命令M.trace('alpha_0end')[:]显示有链的元素，但我无法获取任何关于先验的信息，比如均值或标准差。我尝试了不同的summary命令组合。例如：M.alpha_0end.summary()

如果能知道有没有简单的方法来获取先验的标准差和均值，那就太好了。

Answer 1

这个总结子程序是在2012年2月添加的（a04551094a70451a4afee4e11be8b6872e74fe46）。当时的版本号是2.2-grad。

如果你的 pm.__version__ 是2.2-grad或者更低，那说明你使用的pymc版本太旧，无法使用这个功能。版本2.2-beta或更高的版本应该可以正常使用。

Answer 2

我无法运行你的代码，但在这个简单的例子中，M.summary()对我来说是可以正常工作的：

In [1]: import pymc as pm

In [2]: pm.__version__
Out[2]: '2.3.2'

In [3]: X = pm.Normal('X', 0, 1)

In [4]: M = pm.MCMC(dict(X=X))

In [5]: M.sample(100000, burn=10000)
 [-----------------100%-----------------] 100000 of 100000 complete in 5.0 sec
In [6]: M.summary()

    X:

        Mean             SD               MC Error        95% HPD interval
        ------------------------------------------------------------------
        -0.0             1.003            0.003            [-1.897  2.026]


        Posterior quantiles:

        2.5             25              50              75             97.5
         |---------------|===============|===============|---------------|
        -1.961           -0.673          0.0            0.675         1.964