哈密 頓蒙特卡羅和離散參數空間

我剛剛開始在stan中構建模型；為了熟悉該工具，我正在完成貝葉斯數據分析（第 2 版）中的一些練習。Waterbuck練習假設數據， 和未知。由於哈密頓蒙特卡羅不允許離散參數，我已經聲明作為一個真正的lbeta並使用該函數對實值二項分佈進行編碼。

結果的直方圖看起來與我通過直接計算後驗密度發現的幾乎相同。但是，我擔心可能有一些微妙的原因我不應該相信這些結果。由於實值推斷將正概率分配給非整數值，我們知道這些值是不可能的，因為在現實中不存在分數水巴克。另一方面，結果似乎很好，因此在這種情況下，簡化似乎對推理沒有影響。

以這種方式建模是否有任何指導原則或經驗法則，或者這種將離散參數“提升”為真正不好的做法的方法？

首先，請隨時在我們的用戶列表（http://mc-stan.org/mailing-lists.html）上提出這樣的問題，我們不僅討論與 Stan 實現/優化/等相關的問題，還討論實用的統計和建模問題。

至於你的問題，這絕對是一個好方法。有很多方法可以更嚴格地證明它的合理性（例如，查看離散 CDF 與其連續近似之間的差異）但基本上只要您的方差大於幾倍統一，那麼缺失的離散化就不會真正有任何對後續推論的影響。

這種近似無處不在，一個常見的例子是將多項分佈近似為獨立泊松分佈的乘積，然後將其近似為高斯分佈。

引用自：https://stats.stackexchange.com/questions/70481