PyMC3确定性变量的后验预测检查

问题描述

TL; DR

在pm.Deterministic上进行后验预测检查的正确方法是什么？将随机性（呈现确定性也随机性）作为输入的确定性变量？

太短; 没听懂

假设我们有一个像这样的pymc3模型：

import pymc3 as pm

with pm.Model() as model:
    # Arbitrary, trainable distributions.
    dist1 = pm.Normal("dist1", 0, 1)
    dist2 = pm.Normal("dist2", dist1, 1)

    # Arbitrary, deterministic theano math.
    val1 = pm.Deterministic("val1", arb1(dist2))

    # Arbitrary custom likelihood.
    cdist = pm.DensityDistribution("cdist", logp(val1), observed=get_data())

    # Arbitrary, deterministic theano math.
    val2 = pm.Deterministic("val2", arb2(val1))

我可能会误会，但我的意图是要对dist1和dist2进行采样，并将这些采样输入确定性变量中。 只能对观察到的随机变量进行后验预测检查吗？

使用pymc3.sampling.sample_ppc从dist2和其他随机变量中获取后验预测样本dist2 pymc3.sampling.sample_ppc ，但是给定了这些样本，我模型的大部分值来自val1和val2的状态。

问题出现在pm.Deterministic(.)似乎返回th.TensorVariable 。 因此，在调用此方法时：

ppc = pm.sample_ppc(_trace, vars=[val1, val2])["val1", "val2"]

...和pymc3试图在这个代码块pymc3.sampling ：

    410        for var in vars:
--> 411            ppc[var.name].append(var.distribution.random(point=param,
    412                                                          size=size))

...抱怨是因为th.TensorVariable显然没有.distribution 。

那么，通过确定性方法携带随机后验样本的正确方法是什么？ 我需要明确地创建一个th.function是采取随机采样后，计算确定性值？ 鉴于pymc3已经具有图形的事实，这似乎很愚蠢。