在PyMC中如何将贝叶斯层次模型m1的后验分布完整传递至第二层推断n1？

要在PyMC中实现“用m1完整后验分布推断n1，传递不确定性”的需求，最直接的方式是将m1的后验样本作为第二层模型中m1的经验先验，具体步骤如下：

步骤1：拟合第一层模型，获取m1的后验样本 #

先构建并拟合第一层模型，得到m1的后验采样结果：

import pymc as pm
import arviz as az

# 第一层模型：推断m1
with pm.Model() as model_level1:
    # 定义m1的先验（根据实际需求调整）
    m1 = pm.Normal("m1", mu=0, sigma=1)
    # 第一层观测数据（替换为真实数据）
    y1 = pm.Normal("y1", mu=m1, sigma=0.5, observed=[1.2, 0.8, 1.5])
    # 采样获取后验
    trace_level1 = pm.sample(2000, tune=1000, return_inferencedata=True)

步骤2：构建第二层模型，用m1的后验样本作为经验先验 #

提取m1的后验样本，用pm.Empirical将其作为第二层模型中m1的分布，随后仅对n1进行推断：

# 提取m1的后验样本数组
m1_posterior_samples = az.extract(trace_level1, var_names=["m1"]).m1.values.flatten()

with pm.Model() as model_level2:
    # 将m1的后验样本作为经验分布，不参与采样
    m1 = pm.Empirical("m1", observed=m1_posterior_samples)
    # 定义n1的先验（根据实际需求调整）
    n1 = pm.Normal("n1", mu=m1, sigma=0.3)
    # 第二层观测数据（替换为真实数据）
    y2 = pm.Normal("y2", mu=n1, sigma=0.2, observed=[0.9, 1.1, 0.7])
    # 采样时仅对n1进行推断
    trace_level2 = pm.sample(2000, tune=1000, return_inferencedata=True)

pm.Empirical会直接以输入的样本集作为m1的分布，在采样n1时，每次都会从m1的后验样本中随机抽取值，完整保留m1的不确定性并传递给n1的推断结果。

关于你提到的两种方法的局限性 #

• 共享变量（Shared variables）：这类变量主要用于在多个模型间共享参数的点估计值，无法传递参数的分布不确定性，不符合需求。
• 数据容器（Data containers）：比如pm.Data的作用是动态替换模型中的观测数据，而非传递参数的后验分布，不适用于当前场景。

注意事项 #

• 确保m1的后验样本数量充足（建议至少1000个独立样本），这样经验分布才能准确反映m1的真实后验。
• 如果计算资源有限，可以对m1的后验样本进行 thinning（比如每隔N个样本取一个），但需保证样本的独立性。
• 若场景允许，也可以直接构建联合分层模型一次性拟合m1和n1，但分阶段的方法更贴合你“先推断m1，再推断n1”的需求。

内容的提问来源于stack exchange，提问作者ArKa