2. 先验参数越界导致采样失败的排查

问题定位：先验参数越界如何让采样器崩溃

在 MCMC 采样中，先验分布的超参数（如正态先验的 sigma、Gamma 先验的 alpha/beta、Beta 先验的 a/b）必须落在各自分布的合法定义域内。一旦把 sigma 误设为负值，采样器在计算对数先验密度时会得到 NaN 或直接抛出定义域异常，整条采样链在初始化阶段就中断。排查的关键不是急着改采样器参数，而是先确认先验参数本身是否满足约束。

复现：构造一个会失败的采样模型

下面用 PyMC 构造一个最小可复现模型：观测数据为 5 个样本，先验均值 mu 用正态先验，先验标准差 sigma 被误设为 -0.5。运行采样时，采样器在计算对数先验密度时遇到负的标准差，抛出定义域异常。

import numpy as np
import pymc as pm

# 观测数据（示例）
y_obs = np.array([1.2, 0.8, 1.5, 0.9, 1.1])

# 错误配置：sigma 被误设为负值
with pm.Model() as broken_model:
    mu = pm.Normal("mu", mu=0, sigma=10)
    sigma = pm.HalfNormal("sigma", sigma=-0.5)   # 越界：HalfNormal 的 sigma 必须 > 0
    y = pm.Normal("y", mu=mu, sigma=sigma, observed=y_obs)

    try:
        trace = pm.sample(draws=500, tune=500, chains=2, random_seed=42)
    except Exception as e:
        print("采样失败:", type(e).__name__, e)

预期现象：HalfNormal 的 sigma 参数为负时，PyMC 在构建分布对象阶段就会抛出 ValueError，提示参数必须为正。若换成自定义先验或某些后端，错误可能延迟到 logp 求值时以 NaN 形式出现，表现为采样链全部拒绝、r_hat 异常或直接报 NaN 相关错误。

修复：参数合法性校验 + 修正先验

修复分两层：第一层在模型构建前对先验超参数做显式校验，把错误尽早暴露；第二层把 sigma 修正为合法值。校验函数应覆盖常见先验的约束：正态/半正态的 sigma > 0，Gamma 的 alpha > 0, beta > 0，Beta 的 a > 0, b > 0。

def validate_prior_params(params: dict):
    """检查先验超参数是否落在合法定义域内。"""
    rules = {
        "sigma": lambda v: v > 0,
        "alpha": lambda v: v > 0,
        "beta":  lambda v: v > 0,
        "a":     lambda v: v > 0,
        "b":     lambda v: v > 0,
    }
    for name, value in params.items():
        if name in rules and not rules[name](value):
            raise ValueError(
                f"先验参数 {name}={value} 越界，必须满足约束"
            )
    return True

# 修正后的配置
prior_params = {"mu": 0.0, "sigma": 0.5}
validate_prior_params(prior_params)   # 通过

with pm.Model() as fixed_model:
    mu = pm.Normal("mu", mu=0, sigma=10)
    sigma = pm.HalfNormal("sigma", sigma=prior_params["sigma"])
    y = pm.Normal("y", mu=mu, sigma=sigma, observed=y_obs)
    trace = pm.sample(draws=500, tune=500, chains=2, random_seed=42)

验证与判读

修复后应确认三件事：采样无异常抛出；pm.summary(trace) 中 r_hat 接近 1（经验上小于 1.01）；sigma 的后验样本全部为正。若仍出现 NaN 或链不收敛，说明问题不在先验参数越界，应转向其他排查方向（如数据尺度、采样器步长）。