如何设置随机状态实现tfcausalimpact运行结果稳定复现

你遇到的结果波动是因为仅设置了numpy随机种子，没有覆盖tfcausalimpact内部采样使用的随机数生成器，按照以下步骤操作即可实现结果完全复现：

可行实现方案 #

• 步骤1：统一设置所有依赖库的全局随机种子，覆盖numpy、TensorFlow和Python内置随机模块
• 步骤2：初始化CausalImpact实例时显式传入seed参数，固定内部MCMC采样的随机状态
• （可选）若运行报错不识别seed参数，先升级tfcausalimpact到最新版本：pip install --upgrade tfcausalimpact

修改后的完整可复现代码 #

import random
import numpy as np
import pandas as pd
import tensorflow as tf
from statsmodels.tsa.arima_process import ArmaProcess
from causalimpact import CausalImpact

# 统一设置所有随机种子
SEED = 12345
random.seed(SEED)
np.random.seed(SEED)
tf.random.set_seed(SEED)

# 原有模拟数据生成逻辑
ar = np.r_[1, 0.9]
ma = np.array([1])
arma_process = ArmaProcess(ar, ma)
X = 100 + arma_process.generate_sample(nsample=100)
y = 1.2 * X + np.random.normal(size=100)
y[70:] += 5

data = pd.DataFrame({'y': y, 'X': X}, columns=['y', 'X'])
pre_period = [0, 69]
post_period = [70, 99]

# 初始化时传入seed参数固定结果
ci = CausalImpact(data, pre_period, post_period, seed=SEED)
print(ci.summary())
print(ci.summary(output='report'))
ci.plot()

效果说明 #

修改后多次运行代码，得到的后验推断结果、置信区间等输出会完全一致，不会再出现两次运行结果不同的问题。

内容的提问来源于stack exchange，提问作者user263961