使用Pymc拟合Chi-squared分布报错及实现正确性问询

报错原因 #

你遇到的AttributeError: 'TransformedRV' object has no attribute 'create_likelihood'报错，核心原因是pm.GLM.from_formula的family参数要求传入的是PyMC预定义的GLM分布族实例，而你直接传入了pm.ChiSquared生成的随机变量对象，该对象没有GLM族要求的create_likelihood方法，因此触发属性错误。

原实现的合理性问题 #

你的需求是拟合取值范围3~40的正实数数据，卡方分布本身是正实数分布，适配数据的取值范围是没问题的，但你的调用方式不符合PyMC的GLM接口规范，因此无法运行。
补充说明：卡方分布是Gamma分布的特例（自由度为ν的卡方分布等价于形状参数为ν/2、尺度参数为2的Gamma分布），你可以根据需求选择直接适配卡方分布，或者用Gamma分布做更灵活的拟合。

解决方案 #

方案1：使用GLM接口+Gamma族适配 #

如果你希望继续使用GLM的formula接口，可以用Gamma分布族替代，适配正实数数据的拟合需求，代码示例如下：

with pm.Model() as gamma_model:
    # 传入GLM预定义的Gamma分布族，log链接保证预测值为正
    family = pm.glm.families.Gamma(link=pm.glm.families.links.log())
    pm.GLM.from_formula(formula, data=X_train, family=family)
    # 执行采样
    normal_trace = pm.sample(draws=2000, chains=2, tune=500)

方案2：手动构建模型，严格使用卡方分布 #

如果你需要严格使用卡方分布做似然，建议放弃GLM接口，手动构建贝叶斯模型，自由度更高，代码示例如下：

import pymc as pm
import aesara.tensor as at

# 替换为你的实际响应变量列名
target_col = "y"
X = X_train.drop(target_col, axis=1)
y = X_train[target_col]

with pm.Model() as chi2_model:
    # 回归参数先验
    intercept = pm.Normal("intercept", mu=0, sigma=10)
    beta = pm.Normal("beta", mu=0, sigma=10, shape=X.shape[1])
    # 线性预测项，用指数链接保证输出为正，适配卡方自由度的正取值要求
    nu = pm.Deterministic("nu", at.exp(intercept + at.dot(X.values, beta)))
    # 卡方分布似然
    pm.ChiSquared("y_obs", nu=nu, observed=y)
    # 采样
    chi2_trace = pm.sample(draws=2000, chains=2, tune=500)

内容的提问来源于stack exchange，提问作者azal