PyMC错误：hasattr（）：属性名称必须是字符串

Question

我在PyMC中的模型上运行推理时遇到问题。我想在一个相当复杂的模型上运行MCMC，和我得到约

hasattr(): attribute name must be string 

我得到这样的代码块的最后一行的错误（道歉，这是复杂的，但我真的不知道问题出在哪里）。

import pymc 
from matplotlib import pyplot as plt 
import numpy as np 

# a is a temp variable 
# A is the data : a (2, 779)-shaped array of 0 and 1 only 
a = np.loadtxt("PLOM3/data/stoch.csv") 
A = np.zeros((2, len(a)-1)) 
A[0, :] = a[:-1] 
A[1, :] = a[1:] 

num_cities = 2 



# Time 
t = range(len(A) - 1) 

# Noise term on p 
epsilon = pymc.Uniform("epsilon", 0, 1) 

# Exponential parameter 
gamma = 1./A.mean(axis = 1) 

# Rate of imports 
lambda_ = pymc.Exponential("lambda_", gamma, size=num_cities) 

# Importations 
Y = [pymc.Poisson("Y", lambda_[i], size = A.shape[1]) for i in range(num_cities)] 

# Coefficients 
alpha = [pymc.Uniform("alpha", 0, 1) for i in range(num_cities)] 
beta = [pymc.Uniform("beta", 0, 1) for i in range(num_cities)] 

# Refactory Period 
delta = pymc.Exponential("delta", 0.2) 

# Delay 
d = pymc.Uniform("d", 0, 12, size = num_cities) 

# Time since last epidemic 
tau = np.zeros_like(A) 
tmp = np.where(A[i, :] == 1)[0] 
for i in range(2) : 
    for j in range(len(tmp)-1) : 
     tau[i, tmp[j]:tmp[j+1]] = tmp[j] 
      tau[i, tmp[-1]:] = tmp[-1] 

# Bernoulli probabilities 
@pymc.deterministic 
def p(delta = delta, tau = tau, alpha = alpha, Y = Y, beta = beta, epsilon = epsilon, t = t) : 
    out = np.zeros((2, 1)) 
    for i in range(2) : 
     if t > (tau[i, t] + delta) : 
      out[i] = alpha[i] * Y[i] + beta[~1] * A[~1, t - d[i]] + epsilon 

# Time Series 
X = [pymc.Bernoulli("X", p, size = A.shape[1], value = A[i, :], observed = True) for i in range(num_cities)] 



model = pymc.Model([X, p, delta, alpha, beta, Y, lambda_, gamma, epsilon]) 
mcmc = pymc.MCMC(model) 

任何帮助将非常感激。 PyMC上很少有很好的教程。我遵循Cameron Davidson-Pilon出色的书，但到目前为止，我无法找到任何内容，为什么这可能会给我这个错误。再次

感谢。

---

针对Cam.Davidson.Pilon：

该模型描述了在小种群麻疹。重要的因素是人口规模小于麻疹的承载能力，所以麻疹在每一次流行后都不再流行，而是一直流行。然后通过移民再次出现，并在该国发生流行病时通过国家间的城市间迁移。

背景是冰岛，1900 - 1964年（传染病）。我们假设麻疹可以通过来自海外的泊松过程（Y变量）以lambda速率输入，或者从某些延迟（d）输入到冰岛其他城市（X）。观察X，每月抽样一次，如果当月有疫情，则为1，否则为0。

对于每个城市我都有X_i和Y_i。我们假设X_i的值是伯努利分布的，具有流行病p_i的概率，这是移民进入该特定城市的函数，具有重要性α_i，并且还具有从其他城市迁移的功能，如果它们具有流行性X_j，j =/= i），系数β_ij以及代表麻疹可能来自哪里的不确定性的背景噪声等级epsilon。我们也施加了一个不应期三角洲，让一个城市中的易感个体重生。

事情我不能确定：

• 小量可能是不必要的和/或一件好事
• 我想强加alpha_i + sum_j beta_ij约束，I =/= Ĵ，小于1
• 我想有增量多分布在以指数的形式，但显然不连续的，因为我们只有月度数据
• 就发现那d必须DiscreteUniform
• 当我传球X_j进入确定p_i，我可以平滑它，以允许时间抖动，可能只是使用与汉宁窗口的卷积

我认为，关于发生了什么事情。请让我知道，如果有什么不清楚！再次，任何投入最受欢迎。再次

感谢，

昆汀

Answer 1

我可以提供一些建议，并修复您的问题。

包含inline for循环的行应该包含在pymc.Container类中，这使得它们对pymc友好。

同样，您应该区分这些列表中每个变量的名称。例如：

Y = pymc.Container([pymc.Poisson("Y_%d"%i, lambda_[i], size = A.shape[1]) for i in range(num_cities)]) 

这些修复程序应该可以工作。感谢您阅读文本！这个例子看起来不错而且有趣，我会对这个例子的背景感兴趣。