高度依赖于testval的PyMC3二项开关点模型

Question

我在PyMC3中建立了以下二项式开关点模型：

with pm.Model() as switchpoint_model:

    switchpoint = pm.DiscreteUniform('switchpoint', lower=df['covariate'].min(), upper=df['covariate'].max())

    # Priors for pre- and post-switch parameters
    early_rate = pm.Beta('early_rate', 1, 1)
    late_rate = pm.Beta('late_rate', 1, 1)

    # Allocate appropriate binomial probabilities to years before and after current
    p = pm.math.switch(switchpoint >= df['covariate'].values, early_rate, late_rate)

    p = pm.Deterministic('p', p)

    y = pm.Binomial('y', p=p, n=df['trials'].values, observed=df['successes'].values)

它似乎运行得很好，只是它完全以开关点(999)的一个值为中心，如下所示。

​

​

经过进一步研究，该模型的结果似乎高度依赖于初始值(在PyMC3中，"testval")。下面显示了当我设置testval = 750时会发生什么。

switchpoint = pm.DiscreteUniform('switchpoint', lower=gp['covariate'].min(), 
upper=gp['covariate'].max(), testval=750)

​

​

通过附加不同的起始值，我得到了类似的不同结果。

对于上下文，这是我的数据集的样子：

​

我的问题是：

1. 我的模型被错误地指定了吗？
2. 如果它被正确地指定，我应该如何解释这些结果？特别是，如何比较/选择由不同测试生成的结果？我唯一的想法就是用世界人工智能大会来评估样本外的表现.

Answer 1

带有离散值的模型是有问题的，所有使用导数的好的采样技术都不再起作用，而且它们的行为很像多模态分布。在这种情况下，我不太明白为什么这会有那么大的问题，但是您可以尝试为开关点使用一个连续变量(这在概念上也更有意义吗？)