pymc太好了！这确实为MCMC打开了我的世界，因此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测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)）形状良好，呈高斯型，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：param_estimate = MCMCrun.a.stats()['mean']param_estimate = MCMCrun.a.stats()['standard deviation']
和置信区间lower,upper = scipy.stats.mstats.mquantiles(MCMCrun.a.trace(), [0.025, 0.975])
但是在某些情况下，后验分布看起来像
如您所见，A不应小于零，在我之前的文章中，我将A和B都设置为Uniform（正数），并且要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？
现在取迹线的均值将得出一个不在后验分布峰值处的值，因此并不真正具有代表性。我应该继续运行更多迭代吗？还是这是我得到的A的最佳估计，即它在0到〜7之间？
最佳答案
后验分布总结了参数中的后验不确定性，条件是要使模型适合您的数据集，当然还要取决于模型结构本身。从后验中，您可以提取中央趋势（均值或中位数）和后验可信区间的量度，这可以从后验的适当分位数获得。