PyMC初学者：如何从拟合模型中实际采样

我正在尝试一个非常简单的模型：在假设我知道精度的情况下拟合法线，我只想找到均值。下面的代码似乎正确适合普通。但是在拟合之后，我想从模型中采样，即生成类似于我的data变量的新数据。我知道我可以trace("mean")用来获取均值变量的样本。但是如何从模型本身获取新样本？

我看过文档，例如http://pymc-devs.github.io/pymc/database.html#accessing-sampled-data。我还查看了很多示例，例如采矿灾难，以及概率编程笔记本中的一些示例，而没有一个提及。我（或多或少是MCMC初学者）期望从拟合模型中取样才是重点！我想念什么？

from pymc import *
data = np.array([-1, 0, 4, 0, 2, -2, 1, 0, 0, 2, 1, -3, -1, 0, 0, 1, 0, 1])
mean = Uniform("mean", -4, 4)
precision = 2.0**-2
obs = Normal("obs", mean, precision, value=data, observed=True)
model = Model( {"mean": mean, "obs": obs})
mcmc = MCMC(model)
mcmc.sample(10000, 1000, 1)
# I can get samples for the "mean" variable
mean_samples = mcmc.trace("mean")[:]
hist(mean_samples)
# but how can I do the equivalent of mcmc.trace("obs")?

您正在寻找所谓的预测分布。包括这很简单。在创建之前Model，添加其他随机变量：

predictive = mc.Normal( "predictive", mean, precision )
model = Model( {"mean": mean, "obs": obs, "pred":predictive})

...

predictive_traces = mcmc.trace("predictive")[:]
hist( predictive_traces )

这将从拟合的模型生成人工数据。感谢您引起我的注意，我将其包含在BMH项目中。

几年后，当使用PyMC3寻找相同的东西时，就降落了这里，因此我将留下与新版本相关的答案：（来自Posterior Predictive Checks）。

ppc = pm.sample_ppc(trace, samples=500, model=model, size=100)

现在，ppc包含500个生成的数据集（每个包含100个样本），每个数据集都使用与后验不同的参数设置。