From: Bayesian Models for Astrophysical Data, Cambridge Univ. Press

(c) 2017,  Joseph M. Hilbe, Rafael S. de Souza and Emille E. O. Ishida 

 

you are kindly asked to include the complete citation if you used this material in a publication 

Code 8.13 Bayesian random intercept Poisson model in Python

===============================================

import numpy as np
import pymc3 as pm

from scipy.stats import norm, uniform, poisson

# Data
np.random.seed(1656)                                                     # set seed to replicate example
N = 2000                                                                          # number of obs in model 
NGroups = 10

x1 = uniform.rvs(size=N)
x2 = uniform.rvs(size=N)

Groups = np.array([200 * [i] for i in range(NGroups)]).flatten()


a = norm.rvs(loc=0, scale=0.5, size=NGroups)
eta = 1 + 0.2 * x1 - 0.75 * x2 + a[list(Groups)]


mu = np.exp(eta)

y = poisson.rvs(mu, size=N)


with pm.Model() as model: 
    # Define priors
    sigma_a = pm.Uniform('sigma_a', 0, 100)
    beta1 = pm.Normal('beta1', 0, sd=100)
    beta2 = pm.Normal('beta2', 0, sd=100)
    beta3 = pm.Normal('beta3', 0, sd=100)
    
    # priors for random intercept (RI) parameters
    a_param = pm.Normal('a_param',
                         np.repeat(0, NGroups),                                           # mean
                         sd=np.repeat(sigma_a, NGroups),                         # standard deviation
                         shape=NGroups)                                                    # number of RI parameters

    eta = beta1 + beta2*x1 + beta3*x2 + a_param[Groups]
    
    # Define likelihood
    y = pm.Poisson('y', mu=np.exp(eta), observed=y)
    
    # Fit
    start = pm.find_MAP()                                                                 # Find starting value by optimization
    step = pm.NUTS(scaling=start)                                                    # Initiate sampling 


    trace = pm.sample(20000, step, start=start, progressbar=False)     

# Print summary to screen
pm.summary(trace)

===============================================

Output on screen:

Applied interval-transform to sigma_a and added transformed sigma_a_interval to model.

sigma_a_interval:

  Mean             SD               MC Error         95% HPD interval
  -------------------------------------------------------------------
  -5.202           0.268            0.003            [-5.716, -4.660]

  Posterior quantiles:
  2.5            25             50             75             97.5
  |--------------|==============|==============|--------------|
  -5.684         -5.388         -5.223         -5.035         -4.612


beta1:

  Mean             SD               MC Error         95% HPD interval
  -------------------------------------------------------------------
  0.966            0.187            0.006            [0.592, 1.331]

  Posterior quantiles:
  2.5            25             50             75             97.5
  |--------------|==============|==============|--------------|
  0.579          0.852          0.969          1.088          1.322


beta2:

  Mean             SD               MC Error         95% HPD interval
  -------------------------------------------------------------------
  0.214            0.052            0.001            [0.115, 0.315]

  Posterior quantiles:
  2.5            25             50             75             97.5
  |--------------|==============|==============|--------------|
  0.113          0.179          0.214          0.249          0.315


beta3:

  Mean             SD               MC Error         95% HPD interval
  -------------------------------------------------------------------
  -0.742           0.053            0.000            [-0.846, -0.638]

  Posterior quantiles:
  2.5            25             50             75             97.5
  |--------------|==============|==============|--------------|
  -0.847         -0.779         -0.742         -0.707         -0.639


a_param:

  Mean             SD               MC Error         95% HPD interval
  -------------------------------------------------------------------
  0.373            0.187            0.006            [0.008, 0.755]
  0.346            0.187            0.006            [-0.015, 0.732]
  0.147            0.188            0.006            [-0.219, 0.531]
  -1.117           0.199            0.006            [-1.518, -0.726]
  0.152            0.187            0.006            [-0.206, 0.542]
  -0.268           0.189            0.006            [-0.634, 0.125]
  0.192            0.188            0.006            [-0.173, 0.580]
  0.471            0.186            0.006            [0.106, 0.846]
  0.122            0.188            0.006            [-0.241, 0.509]
  -0.446           0.192            0.006            [-0.827, -0.063]

  Posterior quantiles:
  2.5            25             50             75             97.5
  |--------------|==============|==============|--------------|
  0.014          0.252          0.371          0.489          0.761
  -0.012         0.225          0.344          0.462          0.736
  -0.216         0.025          0.144          0.262          0.537
  -1.514         -1.242         -1.118         -0.988         -0.721
  -0.208         0.031          0.149          0.268          0.540
  -0.634         -0.389         -0.270         -0.150         0.125
  -0.173         0.070          0.190          0.307          0.581
  0.116          0.352          0.468          0.585          0.860
  -0.238         0.000          0.121          0.238          0.514
  -0.817         -0.572         -0.447         -0.326         -0.052


sigma_a:

  Mean             SD               MC Error         95% HPD interval
  -------------------------------------------------------------------
  0.568            0.164            0.002            [0.310, 0.900]

  Posterior quantiles:
  2.5            25             50             75             97.5
  |--------------|==============|==============|--------------|
  0.339          0.455          0.536          0.646          0.983