Executar o modelo

Ao gerar o modelo, adicione a especificação dele e execute os comandos para criar amostras das distribuições a priori e a posteriori.

Os algoritmos de Monte Carlo via cadeias de Markov (MCMC) são usados para amostras da distribuição a posteriori. O Meridian usa o método de amostragem No-U-Turn com adaptação de kernel e taxa de aprendizado.

Para gerar o modelo:

1. Adicione a especificação.

   Exemplo:

    model_spec = spec.ModelSpec(
        prior=prior_distribution.PriorDistribution(),
        media_effects_dist='log_normal',
        hill_before_adstock=False,
        max_lag=8,
        unique_sigma_for_each_geo=False,
        media_prior_type='roi',
        roi_calibration_period=None,
        rf_prior_type='coefficient',
        rf_roi_calibration_period=None,
        organic_media_prior_type='contribution',
        organic_rf_prior_type='contribution',
        non_media_treatments_prior_type='contribution',
        knots=None,
        baseline_geo=None,
        holdout_id=None,
        control_population_scaling_id=None,
        adstock_decay_spec='geometric',
        enable_aks=False,
    )
    ```
   

2. Execute estes comandos para criar amostras das distribuições a priori e a posteriori. Configure os parâmetros conforme necessário:

   mmm = model.Meridian(input_data=data, model_spec=model_spec)
   mmm.sample_prior(500)
   mmm.sample_posterior(n_chains=7, n_adapt=1000, n_burnin=500, n_keep=1000)
   

   Dica: o Meridian usa o back-end do JAX por padrão para a amostragem de MCMC. Para saber mais sobre as opções de precisão, seeds aleatórias explícitas e as considerações de desempenho acesse Usar o back-end do JAX.

   Parâmetro	Descrição
   n_chains	O número de cadeias de amostra em paralelo. Para reduzir o consumo de memória, use uma lista de números inteiros para permitir chamadas de amostragem sequenciais de MCMC. No caso de uma lista, cada elemento na sequência corresponde ao argumento n_chains de uma chamada para windowed_adaptive_nuts.
   n_adapt	O número de extrações de MCMC por cadeia, com adaptação da taxa de aprendizado e do kernel. Essas extrações são sempre excluídas.
   n_burnin	Um número adicional de extrações de MCMC por cadeia a serem excluídas após a correção da taxa de aprendizado e do kernel. Essas outras extrações podem ser necessárias para garantir que todas as cadeias atinjam a distribuição estacionária após a adaptação. Na prática, muitas vezes descobrimos que as cadeias atingem essa distribuição durante a adaptação e que n_burnin=0 é suficiente.
   n_keep	O número de extrações de MCMC por cadeia a serem mantidas para a análise e os resultados do modelo.

3. (Opcional) Reduza a distribuição a posteriori para acelerar as iterações.

   Importante: o afinamento a posteriori é destinado estritamente à análise exploratória, à prototipagem rápida e às iterações. Não use distribuições a posteriori reduzidas em entregas ao cliente final, relatórios oficiais ou implantação de produção. Sempre restaure ou retenha a distribuição a posteriori completa para as execuções de produção.

   Para acelerar as tarefas downstream durante fluxos de trabalho iterativos (como gerar relatórios preliminares de resultados de modelos ou avaliar vários cenários de otimização de orçamento), é possível reduzir as extrações a posteriori usando posterior_thinning(). Dessa forma, é selecionado um subconjunto de extrações a posteriori que preserva cada cadeia de MCMC usando amostragem sistemática para minimizar a autocorrelação:

   # Recommended: 15% sampling rate balances fast iteration with
   # near-approximate inference
   mmm.posterior_thinning(sampling_rate=0.15, preserve_original=True)
   
   # Alternatively, specify the exact number of draws to keep per chain
   # mmm.posterior_thinning(n_draws=150, preserve_original=True)
   

   Se estiver definido como preserve_original=True, será possível restaurar a distribuição a posteriori completa a qualquer momento antes da entrega final:

   mmm.restore_full_posterior()
   

   Parâmetro	Descrição
   sampling_rate	A fração de extrações a serem mantidas por cadeia em (0, 1]. Recomendado: 0.15 (15%) para fluxos de trabalho exploratórios. É preciso especificar exatamente um sampling_rate ou n_draws.
   n_draws	O número de extrações a serem mantidas por cadeia em [1, original_n_draws]. É preciso especificar exatamente um sampling_rate ou n_draws.
   method	O método de seleção da extração. É compatível com ThinningMethod.SYSTEMATIC (padrão).
   seed	Uma seed aleatória de número inteiro opcional para a seleção de uma extração reproduzível.
   preserve_original	Uma flag booleana (padrão True). Se for True, salva uma cópia da distribuição a posteriori completa para que restore_full_posterior() possa restaurá-la.

   Orientações sobre redução de amostragem:

   • Padrão recomendado (taxa de amostragem de 15%): uma taxa de amostragem de 15% (ou retenção de aproximadamente 1.000 a 1.500 extrações no total em todas as cadeias) é a recomendação para equilibrar os fluxos de trabalho exploratórios. Ele reduz substancialmente o tempo de execução e o uso da memória para otimização e relatórios de downstream, ao mesmo tempo que faz aproximação das métricas de resumo macro.
   • Quando usar: use estritamente durante a exploração inicial do modelo, na prototipagem rápida e nas iterações rápidas.
   • Resultados que degradam primeiro: o comprimento do intervalo de confiança e os quantis da cauda degradam primeiro com a redução de amostragem agressiva de canais com pouco gasto ou com ruído. Sempre restaure ou use a distribuição a posteriori completa nas entregas ao cliente final e nas execuções de valor de referência de produção.

Em seguida, execute diagnósticos da modelagem para avaliar a convergência e o ajuste do modelo, além de verificar as distribuições.