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 6.20 Generalized Poisson model in Python using Stan

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

import numpy as np
import pystan 
import statsmodels.api as sm

from  scipy.misc import factorial
from scipy.stats import uniform, rv_discrete

def sign(delta):
    """Returns a pair of vectors to set sign on 
       generalized Poisson distribution.

​

       input: delta, scalar
                  extra parameter from generalized Poisson

​

       output: value, sig
                   pair of scalars
                   value -> absolute value of delta
                   sig -> if delta < 0, sig = 0.5
                              else sign > 1.5
    """
    if delta > 0:
        value = delta                      
        sig = 1.5
    else:
        value = abs(delta)
        sig = 0.5

    return value, sig

​

​

class gpoisson(rv_discrete):
    """Generalized Poisson distribution."""
   
    def _pmf(self, n, mu, delta, sig):

        if sig < 1.0:
            delta1 = -delta
        else:
            delta1 = delta

        term1 = mu * ((mu + delta1 * n) ** (n - 1))
        term2 = np.exp(-mu- n * delta1) / factorial(n)

        return term1 * term2

​

​

# Data
np.random.seed(160)                                                        # set seed to replicate example
nobs= 1000                                                                       # number of obs in model 

​

x1 = uniform.rvs(size=nobs)

xb = 1.0 + 3.5 * x1                                                           # linear predictor
delta = -0.3

​

exb = np.exp(xb)          

gen_poisson = gpoisson(name="gen_poisson", shapes='mu, delta, sig') 

gpy = [gen_poisson.rvs(exb[i], 
           sign(delta)[0],  sign(delta)[1]) for i in range(nobs)]      

mydata = {}                                                                     # build data dictionary
mydata['N'] = nobs                                                          # sample size
mydata['X'] = sm.add_constant(np.transpose(x1))          # predictors         
mydata['Y'] = gpy                                                            # response variable
mydata['K'] = 2                                                                # number of coefficients

# Fit
stan_code = """
data{
    int N;
    int K;
    matrix[N, K] X;
    int Y[N];
}
parameters{
    vector[K] beta;
    real<lower=-1, upper=1> delta;
}
transformed parameters{
    vector[N] mu;

    mu = exp(X * beta);
}
model{
    vector[N] l1;
    vector[N] l2;
    vector[N] LL;

    delta ~ uniform(-1, 1);

​

    for (i in 1:N){
        l1[i] = log(mu[i]) + (Y[i] - 1) * log(mu[i] + delta * Y[i]);
        l2[i] = mu[i] + delta * Y[i] + lgamma(Y[i] + 1);
        LL[i] = l1[i] - l2[i];
    }

   target += LL;
}
generated quantities{
    vector[N] ExpY;
    vector[N] VarY;
    vector[N] Pres;

​

    for (i in 1:N){
        ExpY[i] = mu[i] / (1 - delta);
        VarY[i] = mu[i] / pow(1-delta, 3);
        Pres[i] = (Y[i] - ExpY[i]) / sqrt(VarY[i]);
    }
}
"""

# Run mcmc
fit = pystan.stan(model_code=stan_code, data=mydata, iter=5000, chains=3,
                           warmup=4000, n_jobs=3)

​

# Output
nlines = 8                                                                # number of lines in screen output

​

output = str(fit).split('\n')
for item in output[:nlines]:
    print(item)   
 

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