У меня есть следующая модель в pymc2:
import pymc
from scipy.stats import gamma
alpha = pymc.Uniform('alpha', 0.01, 2.0)
scale = pymc.Uniform('scale', 1.0, 4.0)
@pymc.deterministic(plot=False)
def beta(scale=scale):
return 1.0 / scale
@pymc.potential
def p_factor(alpha=alpha, scale=scale, lmin=lmin, n=len(sample)):
dist = gamma(alpha, loc=0., scale=scale)
fp = 1.0 - dist.cdf(lmin)
return -(n+1)*np.log(fp)
obs = pymc.Gamma("obs", alpha=alpha, beta=beta, value=sample, observed=True)
Физической основой этой модели является функция светимости галактик (LF), т.е. , вероятность того, что галактика имеет светимость L. Для некоторых типов галактик LF представляет собой просто гамма-функцию. Потенциал объясняет усечение данных, поскольку исследования галактик обычно пропускают значительную часть целей, особенно с низкой светимостью. В этой модели мне не хватает всего ниже lmin
Подробности этого метода можно найти в этой статье Келли и др..
Эта модель работает: я выполняю MAP
и MCMC
на модели и могу восстановить параметры alpha
и scale
из моих смоделированных данных sample
с возрастающей неопределенностью по мере роста lmin
.
Теперь я хотел бы вставить гауссовы ошибки измерения. Для простоты все данные имеют одинаковую точность. Я не изменяю возможность включения ошибок.
alpha = pymc.Uniform('alpha', 0.01, 2.0)
scale = pymc.Uniform('scale',1.0, 4.0)
sig = 0.1
tau = math.pow(sig, -2.0)
@pymc.deterministic(plot=False)
def beta(scale=scale):
return 1.0 / scale
@pymc.potential
def p_factor(alpha=alpha, scale=scale, lmin=lmin, n=len(sample)):
dist = gamma(alpha, loc=0., scale=scale)
fp = 1.0 - dist.cdf(lmin)
return -(n+1) * np.log(fp)
dist = pymc.Gamma("dist", alpha=alpha, beta=beta)
obs = pymc.Normal("obs", mu=dist, tau=tau, value=sample, observed=True)
Но наверняка я делаю что-то не так, потому что эта модель не работает. Когда я запускаю pymc.MAP
на этой модели, я восстанавливаю начальные значения alpha
и scale
.
vals = {'alpha': alpha, 'scale': scale, 'beta': beta,
'p_factor': p_factor, 'obs': obs, 'dist': dist}
M2 = pymc.MAP(vals)
M2.fit()
print M2.alpha.value, M2.scale.value
>>> (array(0.010000000006018368), array(1.000000000833973))
Когда я запускаю pymc.MCMC
, alpha
и beta
вообще не отслеживаются.
M = pymc.MCMC(vals)
M.sample(10000, burn=5000)
...
M.stats()['alpha']
>>> {'95% HPD interval': array([ 0.01000001, 0.01000502]),
'mc error': 2.1442678276712383e-07,
'mean': 0.010001588137798096,
'n': 5000,
'quantiles': {2.5: 0.0100000088679046,
25: 0.010000382359859467,
50: 0.010001100377476166,
75: 0.010001668672799679,
97.5: 0.0100050194240779},
'standard deviation': 2.189828287191421e-06}
снова исходные значения. На самом деле, если я изменю alpha
, чтобы начать, скажем, с 0,02, восстановленные значения alpha
равны 0,02.
Это блокнот с рабочей моделью и смоделированными данными.
Это блокнот с моделью ошибок и смоделированными данными.
Любое руководство по выполнению этой работы будет очень признательно.