我看到PyStan在使用posterior_interval()的地方没有RStan的功能，但是我们可以使用numpy.percentile()代替我目前使用PyStan中的“AA>函数”来获得最大化后验似然的参数集。我现在还想获得后面结果的外部95%置信区间，所以我想知道pystan.StanModel.optimizing()函数是否与numpy.percentile()函数一起使用？
我试着找出参数分布的95%区间，但这并没有给出一个很好的置信区间尤其是，我不认为它是好的，因为当我期望后验分布呈现多模态分布时，我使用optimizing进行的置信区间在后验二维高斯斑块内。
我想95%的间隔应该从后面开始。我会使用百分位函数和优化函数来获得95%可信的后验结果吗？
最佳答案
要获得后验估计的界，需要对后验估计进行采样，而pystan.StanModel.optimizing不需要相反，使用pystan.StanModel.sampling方法从后面生成mcmc绘制。
如果您只需要标准置信限的读数，那么pystan.StanFit.stansummary()方法可能就足够了，因为这将为每个参数打印2.5%、25%、50%、75%和97.5%的分位数。例如，
fit = sm.sampling(...) # eight schools model
print(fit.stansummary())
Inference for Stan model: anon_model_19a09b474d1901f191444eaf8a6b8ce2.
4 chains, each with iter=10000; warmup=5000; thin=1; post-warmup
draws per chain=5000, total post-warmup draws=20000.
mean se_mean sd 2.5% 25% 50% 75% 97.5% n_eff Rhat
mu 7.98 0.05 5.04 -2.0 4.76 7.91 11.2 18.2 10614 1.0
tau 6.54 0.08 5.65 0.24 2.49 5.25 8.98 20.65 4552 1.0
eta[0] 0.39 6.7e-3 0.94 -1.53 -0.23 0.42 1.02 2.18 20000 1.0
eta[1] 3.3e-4 6.2e-3 0.88 -1.74 -0.58-2.5e-3 0.57 1.75 20000 1.0
eta[2] -0.2 6.6e-3 0.93 -2.01 -0.84 -0.22 0.41 1.68 20000 1.0
eta[3] -0.03 6.3e-3 0.89 -1.8 -0.61 -0.03 0.56 1.75 20000 1.0
eta[4] -0.35 6.7e-3 0.88 -2.04 -0.94 -0.36 0.22 1.44 17344 1.0
eta[5] -0.22 6.6e-3 0.9 -1.96 -0.81 -0.24 0.35 1.59 18298 1.0
eta[6] 0.34 6.8e-3 0.88 -1.43 -0.23 0.36 0.93 2.04 16644 1.0
eta[7] 0.05 6.6e-3 0.93 -1.77 -0.58 0.04 0.66 1.88 20000 1.0
theta[0] 11.4 0.07 8.23 -1.83 6.04 10.22 15.42 31.52 13699 1.0
theta[1] 7.93 0.04 6.21 -4.58 4.09 7.89 11.79 20.48 20000 1.0
theta[2] 6.17 0.06 7.72 -11.43 2.06 6.65 10.85 20.53 16367 1.0
theta[3] 7.72 0.05 6.53 -5.29 3.68 7.7 11.75 21.04 20000 1.0
theta[4] 5.14 0.04 6.35 -9.35 1.44 5.64 9.38 16.49 20000 1.0
theta[5] 6.11 0.05 6.66 -8.44 2.22 6.44 10.41 18.52 20000 1.0
theta[6] 10.63 0.05 6.76 -1.25 6.04 10.08 14.51 25.66 20000 1.0
theta[7] 8.4 0.06 7.85 -7.56 3.89 8.17 12.76 25.3 16584 1.0
lp__ -4.89 0.04 2.63 -10.79 -6.47 -4.66 -3.01 -0.43 5355 1.0
或者如果您需要特定的分位数，您可以使用前面提到的
numpy.percentile。但是，正如您正确地观察到的，这不适合于多模式分发。这种情况在a different answer中讨论过，但请注意，如果一个人预先期望多个模式，则通常使用混合模型将模式分离为不同的单峰随机变量。
关于python - y斯坦后不确定性间隔，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/53636609/