PyMC3中使用黑盒似然函数出现MissingInputError如何解决？

问题原因 #

错误发生在采样结束后ArviZ转换结果格式的阶段，和采样逻辑本身无关。你给DensityDist传入的observed参数是包含随机变量k的tensortheta，ArviZ存储观测值时会尝试执行eval()计算这个tensor的实际值，但此时采样流程已经结束，没有对应k的输入上下文，所以抛出输入缺失错误。

解决方案 #

方案1：直接禁用自动转换InferenceData #

调用pm.sample时添加return_inferencedata=False参数，直接返回PyMC3原生的MultiTrace对象，跳过ArviZ的观测值读取步骤：

trace = pm.sample(ndraws, tune = nburn, discard_tuned_samples=True, return_inferencedata=False)

如果后续需要用ArviZ做分析，可以手动从MultiTrace中提取参数值构造InferenceData，不需要读取观测项即可完成大部分后处理操作。

方案2：修正黑盒似然的注册写法（更推荐） #

你不需要把参数作为观测值传入DensityDist，黑盒似然所有数据已经内置，直接用pm.Potential注册对数似然项即可，完全不会触发观测值读取逻辑。
把模型块里的这两行：

# Convert the prior to a theano tensor variable
theta = tt.as_tensor_variable([k])

# Create density distribution for our numerical likelihood
pm.DensityDist("likelihood", lambda y: logl(y), observed={'y':theta})

替换为：

theta = tt.as_tensor_variable([k])
pm.Potential("likelihood", logl(theta))

这种写法更符合黑盒似然的使用逻辑，既不会触发报错，也不影响采样结果。

额外优化建议 #

你遇到的Could not pickle model, sampling singlethreaded警告是因为自定义Theano Op写在主脚本作用域无法序列化，如果需要开启多进程加速采样，把LogLike类和自定义对数似然函数放到独立的.py文件中导入使用即可。

内容的提问来源于stack exchange，提问作者GreenLlama