Mit dem Meridian-Szenarioplaner können Sie interaktive Budgetpläne erstellen. Probieren Sie es aus.

meridian.model.prior_distribution.PriorDistribution

Enthält Prior-Verteilungen für die einzelnen Modellparameter.

meridian.model.prior_distribution.PriorDistribution(
    *,
    knot_values: tfp.distributions.Distribution = dataclasses.field(default_factory=lambda : tfp.distributions.Normal(0.0, \n    5.0, name=constants.KNOT_VALUES)),
    tau_g_excl_baseline: tfp.distributions.Distribution = dataclasses.field(default_factory=lambda : tfp.distributions.Normal(0.0, \n    5.0, name=constants.TAU_G_EXCL_BASELINE)),
    beta_m: tfp.distributions.Distribution = dataclasses.field(default_factory=lambda : tfp.distributions.HalfNormal(5.0,\n    name=constants.BETA_M)),
    beta_rf: tfp.distributions.Distribution = dataclasses.field(default_factory=lambda : tfp.distributions.HalfNormal(5.0,\n    name=constants.BETA_RF)),
    beta_om: tfp.distributions.Distribution = dataclasses.field(default_factory=lambda : tfp.distributions.HalfNormal(5.0,\n    name=constants.BETA_OM)),
    beta_orf: tfp.distributions.Distribution = dataclasses.field(default_factory=lambda : tfp.distributions.HalfNormal(5.0,\n    name=constants.BETA_ORF)),
    eta_m: tfp.distributions.Distribution = dataclasses.field(default_factory=lambda : tfp.distributions.HalfNormal(1.0,\n    name=constants.ETA_M)),
    eta_rf: tfp.distributions.Distribution = dataclasses.field(default_factory=lambda : tfp.distributions.HalfNormal(1.0,\n    name=constants.ETA_RF)),
    eta_om: tfp.distributions.Distribution = dataclasses.field(default_factory=lambda : tfp.distributions.HalfNormal(1.0,\n    name=constants.ETA_OM)),
    eta_orf: tfp.distributions.Distribution = dataclasses.field(default_factory=lambda : tfp.distributions.HalfNormal(1.0,\n    name=constants.ETA_ORF)),
    gamma_c: tfp.distributions.Distribution = dataclasses.field(default_factory=lambda : tfp.distributions.Normal(0.0, \n    5.0, name=constants.GAMMA_C)),
    gamma_n: tfp.distributions.Distribution = dataclasses.field(default_factory=lambda : tfp.distributions.Normal(0.0, \n    5.0, name=constants.GAMMA_N)),
    xi_c: tfp.distributions.Distribution = dataclasses.field(default_factory=lambda : tfp.distributions.HalfNormal(5.0,\n    name=constants.XI_C)),
    xi_n: tfp.distributions.Distribution = dataclasses.field(default_factory=lambda : tfp.distributions.HalfNormal(5.0,\n    name=constants.XI_N)),
    alpha_m: tfp.distributions.Distribution = dataclasses.field(default_factory=lambda : tfp.distributions.Uniform(0.0, \n    1.0, name=constants.ALPHA_M)),
    alpha_rf: tfp.distributions.Distribution = dataclasses.field(default_factory=lambda : tfp.distributions.Uniform(0.0, \n    1.0, name=constants.ALPHA_RF)),
    alpha_om: tfp.distributions.Distribution = dataclasses.field(default_factory=lambda : tfp.distributions.Uniform(0.0, \n    1.0, name=constants.ALPHA_OM)),
    alpha_orf: tfp.distributions.Distribution = dataclasses.field(default_factory=lambda : tfp.distributions.Uniform(0.0, \n    1.0, name=constants.ALPHA_ORF)),
    ec_m: tfp.distributions.Distribution = dataclasses.field(default_factory=lambda : tfp.distributions.\n    TruncatedNormal(0.8, 0.8, 0.1, 10, name=constants.EC_M)),
    ec_rf: tfp.distributions.Distribution = dataclasses.field(default_factory=lambda : tfp.distributions.\n    TransformedDistribution(tfp.distributions.LogNormal(0.7, 0.4), tfp.\n    bijectors.Shift(0.1), name=constants.EC_RF)),
    ec_om: tfp.distributions.Distribution = dataclasses.field(default_factory=lambda : tfp.distributions.\n    TruncatedNormal(0.8, 0.8, 0.1, 10, name=constants.EC_OM)),
    ec_orf: tfp.distributions.Distribution = dataclasses.field(default_factory=lambda : tfp.distributions.\n    TransformedDistribution(tfp.distributions.LogNormal(0.7, 0.4), tfp.\n    bijectors.Shift(0.1), name=constants.EC_ORF)),
    slope_m: tfp.distributions.Distribution = dataclasses.field(default_factory=lambda : tfp.distributions.Deterministic(\n    1.0, name=constants.SLOPE_M)),
    slope_rf: tfp.distributions.Distribution = dataclasses.field(default_factory=lambda : tfp.distributions.LogNormal(0.7,\n    0.4, name=constants.SLOPE_RF)),
    slope_om: tfp.distributions.Distribution = dataclasses.field(default_factory=lambda : tfp.distributions.Deterministic(\n    1.0, name=constants.SLOPE_OM)),
    slope_orf: tfp.distributions.Distribution = dataclasses.field(default_factory=lambda : tfp.distributions.LogNormal(0.7,\n    0.4, name=constants.SLOPE_ORF)),
    sigma: tfp.distributions.Distribution = dataclasses.field(default_factory=lambda : tfp.distributions.HalfNormal(5.0,\n    name=constants.SIGMA)),
    roi_m: tfp.distributions.Distribution = dataclasses.field(default_factory=lambda : tfp.distributions.LogNormal(0.2,\n    0.9, name=constants.ROI_M)),
    roi_rf: tfp.distributions.Distribution = dataclasses.field(default_factory=lambda : tfp.distributions.LogNormal(0.2,\n    0.9, name=constants.ROI_RF)),
    mroi_m: tfp.distributions.Distribution = dataclasses.field(default_factory=lambda : tfp.distributions.LogNormal(0.0,\n    0.5, name=constants.MROI_M)),
    mroi_rf: tfp.distributions.Distribution = dataclasses.field(default_factory=lambda : tfp.distributions.LogNormal(0.0,\n    0.5, name=constants.MROI_RF))
)

„PriorDistribution“ ist eine Dienstprogrammklasse für Meridian. Die erforderlichen Formen der Argumente für PriorDistribution hängen von den Modellierungsoptionen und Datenformen ab, die an Meridian übergeben werden. ec_m ist beispielsweise ein Parameter, der die Halbsättigung für jeden Media-Channel darstellt. Das Argument ec_m muss entweder batch_shape=[] oder batch_shape sein und der Anzahl der Media-Channels entsprechen. Im ersten Fall erhält jeder Media-Channel denselben Prior.

Ein Fehler wird beim Erstellen des Meridian-Modells ausgelöst, wenn eine Prior-Verteilung eine Form hat, die nicht auf die Form, die durch die Modellspezifikation festgelegt ist, übertragen werden kann.

Batchformen für Parameter:

Parameter	Batchform
`knot_values`	`n_knots`
`tau_g_excl_baseline`	`n_geos - 1`
`beta_m`	`n_media_channels`
`beta_rf`	`n_rf_channels`
`beta_om`	`n_organic_media_channels`
`beta_orf`	`n_organic_rf_channels`
`eta_m`	`n_media_channels`
`eta_rf`	`n_rf_channels`
`eta_om`	`n_organic_media_channels`
`eta_orf`	`n_organic_rf_channels`
`gamma_c`	`n_controls`
`gamma_n`	`n_non_media_channels`
`xi_c`	`n_controls`
`xi_n`	`n_non_media_channels`
`alpha_m`	`n_media_channels`
`alpha_rf`	`n_rf_channels`
`alpha_om`	`n_organic_media_channels`
`alpha_orf`	`n_organic_rf_channels`
`ec_m`	`n_media_channels`
`ec_rf`	`n_rf_channels`
`ec_om`	`n_organic_media_channels`
`ec_orf`	`n_organic_rf_channels`
`slope_m`	`n_media_channels`
`slope_rf`	`n_rf_channels`
`slope_om`	`n_organic_media_channels`
`slope_orf`	`n_organic_rf_channels`
`sigma`	(σ)
`roi_m`	`n_media_channels`
`roi_rf`	`n_rf_channels`
`mroi_m`	`n_media_channels`
`mroi_rf`	`n_rf_channels`

(σ) n_geos, wenn unique_sigma_for_each_geo, andernfalls 1

Attribute
`knot_values`	Prior-Verteilung für Knoten für Zeiteffekte. Die Standardverteilung ist `Normal(0.0, 5.0)`.
`tau_g_excl_baseline`	Die Prior-Verteilung der geografischen Effekte, die den durchschnittlichen KPI jeder geografischen Einheit im Vergleich zur geografischen Baseline-Einheit darstellt. Dieser Parameter wird an einen Vektor mit der Länge `n_geos - 1` gesendet. Dabei wird die geografische Reihenfolge beibehalten und die `baseline_geo` wird ausgeschlossen. Nach der Stichprobenerhebung enthält `Meridian.inference_data` eine geänderte Version dieses Parameters namens `tau_g`. Diese hat die Länge `n_geos` und enthält an der Position, die `baseline_geo` entspricht, eine Null. Meridian ignoriert diese Verteilung, wenn `n_geos = 1`. Die Standardverteilung ist `Normal(0.0, 5.0)`.
`beta_m`	Die Prior-Verteilung für einen Parameter für die hierarchische Verteilung von Media-Effekten auf geografischer Ebene für Media-Channels mit Impressionsdaten (`beta_gm`). Wenn `media_effects_dist` auf `'normal'` festgelegt ist, entspricht dies dem hierarchischen Mittelwert. Wenn `media_effects_dist` auf `'log_normal'` festgelegt ist, ist es der hierarchische Parameter für den Mittelwert der zugrunde liegenden, logarithmisch transformierten `Normal`-Verteilung. Meridian ignoriert diese Verteilung, wenn `paid_media_prior_type` auf `'roi'` oder `'mroi'` gesetzt ist, und verwendet stattdessen den `roi_m`- oder `mroi_m`-Prior. Die Standardverteilung ist `HalfNormal(5.0)`.
`beta_rf`	Die Prior-Verteilung für einen Parameter für die hierarchische Verteilung von Media-Effekten auf geografischer Ebene für Media-Channels für Reichweite und Häufigkeit (`beta_grf`). Wenn `media_effects_dist` auf `'normal'` festgelegt ist, entspricht dies dem hierarchischen Mittelwert. Wenn `media_effects_dist` auf `'log_normal'` festgelegt ist, ist es der hierarchische Parameter für den Mittelwert der zugrunde liegenden, logarithmisch transformierten `Normal`-Verteilung. Meridian ignoriert diese Verteilung, wenn `paid_media_prior_type` auf `'roi'` oder `'mroi'` gesetzt ist, und verwendet stattdessen den `roi_m`- oder `mroi_rf`-Prior. Die Standardverteilung ist `HalfNormal(5.0)`.
`beta_om`	Die Prior-Verteilung für einen Parameter für die hierarchische Verteilung von Media-Effekten auf geografischer Ebene für organische Media-Channels (`beta_gom`). Wenn `media_effects_dist` auf `'normal'` festgelegt ist, entspricht das dem hierarchischen Mittelwert. Wenn `media_effects_dist` auf `'log_normal'` festgelegt ist, ist es der hierarchische Parameter für den Mittelwert der zugrunde liegenden, logarithmisch transformierten `Normal`-Verteilung. Die Standardverteilung ist `HalfNormal(5.0)`.
`beta_orf`	Die Prior-Verteilung für einen Parameter für die hierarchische Verteilung der Media-Effekte auf geografischer Ebene für organische Media-Channels für Reichweite und Häufigkeit (`beta_gorf`). Wenn `media_effects_dist` auf `'normal'` festgelegt ist, ist es der hierarchische Mittelwert. Wenn `media_effects_dist` auf `'log_normal'` festgelegt ist, ist es der hierarchische Parameter für den Mittelwert der zugrunde liegenden, logarithmisch transformierten `Normal`-Verteilung. Die Standardverteilung ist `HalfNormal(5.0)`.
`eta_m`	Die Prior-Verteilung für einen Parameter für die hierarchische Verteilung von Media-Effekten auf geografischer Ebene für Media-Channels mit Impressionen (`beta_gm`). Wenn `media_effects_dist` auf `'normal'` festgelegt ist, entspricht dies der hierarchischen Standardabweichung. Wenn `media_effects_dist` auf `'log_normal'` gesetzt ist, ist dies der hierarchische Parameter für die Standardabweichung der zugrunde liegenden, logarithmisch transformierten `Normal`-Verteilung. Die Standardverteilung ist `HalfNormal(1.0)`.
`eta_rf`	Die Prior-Verteilung für einen Parameter für die hierarchische Verteilung der Media-Effekte auf geografischer Ebene für Media-Channels für Reichweite und Häufigkeit (`beta_grf`). Wenn `media_effects_dist` auf `'normal'` festgelegt ist, handelt es sich um die hierarchische Standardabweichung. Wenn `media_effects_dist` auf `'log_normal'` gesetzt ist, ist dies der hierarchische Parameter für die Standardabweichung der zugrunde liegenden, logarithmisch transformierten `Normal`-Verteilung. Die Standardverteilung ist `HalfNormal(1.0)`.
`eta_om`	Die Prior-Verteilung für einen Parameter für die hierarchische Verteilung der Media-Auswirkungen auf geografischer Ebene für Media-Channels für Reichweite und Häufigkeit (`beta_gom`). Wenn `media_effects_dist` auf `'normal'` festgelegt ist, ist es die hierarchische Standardabweichung. Wenn `media_effects_dist` auf `'log_normal'` gesetzt ist, ist das der hierarchische Parameter für die Standardabweichung der zugrunde liegenden, logarithmisch transformierten `Normal`-Verteilung. Die Standardverteilung ist `HalfNormal(1.0)`.
`eta_orf`	Die Prior-Verteilung für einen Parameter für die hierarchische Verteilung der Media-Auswirkungen auf geografischer Ebene für Media-Channels für organische Reichweite und Häufigkeit (`beta_gorf`). Wenn `media_effects_dist` auf `'normal'` festgelegt ist, ist das die hierarchische Standardabweichung. Wenn `media_effects_dist` auf `'log_normal'` gesetzt ist, ist das der hierarchische Parameter für die Standardabweichung der zugrunde liegenden, logarithmisch transformierten `Normal`-Verteilung. Die Standardverteilung ist `HalfNormal(1.0)`.
`gamma_c`	Die Prior-Verteilung für den hierarchischen Mittelwert von `gamma_gc`, also der Koeffizient für die Kontrollvariable `c` für die geografische Einheit `g`. Die Hierarchie wird über geografische Einheiten definiert. Die Standardverteilung ist `Normal(0.0, 5.0)`.
`gamma_n`	Die Prior-Verteilung für den hierarchischen Mittelwert von `gamma_gn`, also der Koeffizient für den nicht mediabezogenen Channel `n` für die geografische Einheit `g`. Die Hierarchie wird über geografische Einheiten definiert. Die Standardverteilung ist `Normal(0.0, 5.0)`.
`xi_c`	Die Prior-Verteilung für die hierarchische Standardabweichung von `gamma_gc`, dem Koeffizienten für die Kontrollvariable `c` für die geografische Einheit `g`. Die Hierarchie wird über geografische Einheiten definiert. Die Standardverteilung ist `HalfNormal(5.0)`.
`xi_n`	Die Prior-Verteilung für die hierarchische Standardabweichung von `gamma_gn`, dem Koeffizienten für den nicht mediabezogenen Channel `n` für die geografische Einheit `g`. Die Hierarchie wird über geografische Einheiten definiert. Die Standardverteilung ist `HalfNormal(5.0)`.
`alpha_m`	Prior-Verteilung für den Adstock-Parameter `geometric decay` für die Media-Eingabe. Die Standardverteilung ist `Uniform(0.0, 1.0)`.
`alpha_rf`	Die Prior-Verteilung für den Adstock-Parameter `geometric decay` für die Eingabe von Reichweite und Häufigkeit. Die Standardverteilung ist `Uniform(0.0, 1.0)`.
`alpha_om`	Prior-Verteilung für den Adstock-Parameter `geometric decay` für die organische Media-Eingabe. Die Standardverteilung ist `Uniform(0.0, 1.0)`.
`alpha_orf`	Die Prior-Verteilung für den Adstock-Parameter `geometric decay` für die Eingabe der organischen Reichweite und Häufigkeit. Die Standardverteilung ist `Uniform(0.0, 1.0)`.
`ec_m`	Die Prior-Verteilung für den Hill-Parameter `half-saturation` für die Media-Eingabe. Die Standardverteilung ist `TruncatedNormal(0.8, 0.8, 0.1, 10)`.
`ec_rf`	Die Prior-Verteilung für den Hill-Parameter `half-saturation` für die Eingabe von Reichweite und Häufigkeit. Die Standardverteilung ist `TransformedDistribution(LogNormal(0.7, 0.4), Shift(0.1))`.
`ec_om`	Die Prior-Verteilung für den Hill-Parameter `half-saturation` für die organische Media-Eingabe. Die Standardverteilung ist `TruncatedNormal(0.8, 0.8, 0.1, 10)`.
`ec_orf`	Die Prior-Verteilung für den Hill-Parameter `half-saturation` für die Eingabe der organischen Reichweite und Häufigkeit. Die Standardverteilung ist `TransformedDistribution( LogNormal(0.7, 0.4), Shift(0.1))`.
`slope_m`	Die Prior-Verteilung für den Hill-Parameter `slope` für die Media-Eingabe. Die Standardverteilung ist `Deterministic(1.0)`.
`slope_rf`	Die Prior-Verteilung für den Hill-Parameter `slope` für die Eingabe von Reichweite und Häufigkeit. Die Standardverteilung ist `LogNormal(0.7, 0.4)`.
`slope_om`	Die Prior-Verteilung für den Hill-Parameter `slope` für die organische Media-Eingabe. Die Standardverteilung ist `Deterministic(1.0)`.
`slope_orf`	Die Prior-Verteilung für den Hill-Parameter `slope` für die Eingabe der organischen Reichweite und Häufigkeit. Die Standardverteilung ist `LogNormal(0.7, 0.4)`.
`sigma`	Die Prior-Verteilung der Standardabweichung des Rauschens. Die Standardverteilung ist `HalfNormal(5.0)`.
`roi_m`	Die Prior-Verteilung für den ROI der einzelnen Media-Channels. Dieser Parameter wird nur verwendet, wenn `paid_media_prior_type` = `'roi'` ist, sodass `beta_m` als deterministische Funktion von `roi_rf`, `alpha_rf`, `ec_rf`, `slope_rf` und den Ausgaben für die einzelnen Media-Channels berechnet wird. Die Standardverteilung ist `LogNormal(0.2, 0.9)`. Wenn `kpi_type` = `'non_revenue'` und `revenue_per_kpi` nicht angegeben ist, wird der ROI als zusätzliche KPI-Einheiten pro ausgegebener Währungseinheit interpretiert. In diesem Fall wird der Standardwert für `roi_m` und `roi_rf` ignoriert und allen Channels ein gemeinsamer ROI-Prior zugewiesen, um einen Zielmittelwert und eine Zielstandardabweichung für den Gesamtbeitrag von Media zu erreichen.
`roi_rf`	Die Prior-Verteilung für den ROI der einzelnen Channels für Reichweite und Häufigkeit. Dieser Parameter wird nur verwendet, wenn `paid_media_prior_type` = `'roi'` ist, sodass `beta_rf` als deterministische Funktion von `roi_rf`, `alpha_rf`, `ec_rf`, `slope_rf` und den Ausgaben für die einzelnen Channels für Reichweite und Häufigkeit berechnet wird. Die Standardverteilung ist `LogNormal(0.2, 0.9)`. Wenn `kpi_type` = `'non_revenue'` und `revenue_per_kpi` nicht angegeben ist, wird der ROI als zusätzliche KPI-Einheiten pro ausgegebener Währungseinheit interpretiert. In diesem Fall wird der Standardwert für `roi_m` und `roi_rf` ignoriert und allen Channels ein gemeinsamer ROI-Prior zugewiesen, um einen Zielmittelwert und eine Zielstandardabweichung für den Gesamtbeitrag von Media zu erreichen.
`mroi_m`	Die Prior-Verteilung für den Grenz-ROI der einzelnen Media-Channels. Dieser Parameter wird nur verwendet, wenn `paid_media_prior_type` = `'mroi'` ist, sodass `beta_m` als deterministische Funktion von `mroi_m`, `alpha_m`, `ec_m`, `slope_m` und den Ausgaben für die einzelnen Media-Channels berechnet wird. Die Standardverteilung ist `LogNormal(0.0, 0.5)`. Wenn `kpi_type` = `'non_revenue'` und `revenue_per_kpi` nicht angegeben ist, wird der Grenz-ROI als zusätzliche Grenz-KPI-Einheiten pro ausgegebener Währungseinheit interpretiert. In diesem Fall wird keine Standardverteilung bereitgestellt, sodass der Nutzer sie angeben muss.
`mroi_rf`	Die Prior-Verteilung für den Grenz-ROI der einzelnen Channels für Reichweite und Häufigkeit. Dieser Parameter wird nur verwendet, wenn `paid_media_prior_type` = `'mroi'` ist, sodass `beta_rf` als deterministische Funktion von `mroi_rf`, `alpha_rf`, `ec_rf`, `slope_rf` und den Ausgaben für die einzelnen Media-Channels berechnet wird. Die Standardverteilung ist `LogNormal(0.0, 0.5)`. Wenn `kpi_type` = `'non_revenue'` und `revenue_per_kpi` nicht angegeben ist, wird der Grenz-ROI als zusätzliche Grenz-KPI-Einheiten pro ausgegebener Währungseinheit interpretiert. In diesem Fall wird keine Standardverteilung bereitgestellt, sodass der Nutzer sie angeben muss.

Methoden

`broadcast`

Quelle ansehen

broadcast(
    n_geos: int,
    n_media_channels: int,
    n_rf_channels: int,
    n_organic_media_channels: int,
    n_organic_rf_channels: int,
    n_controls: int,
    n_non_media_channels: int,
    sigma_shape: int,
    n_knots: int,
    is_national: bool,
    set_total_media_contribution_prior: bool,
    kpi: float,
    total_spend: np.ndarray
) -> PriorDistribution

Gibt eine neue PriorDistribution mit übertragenen Verteilungsattributen zurück.

Argumente
`n_geos`	Anzahl der geografischen Einheiten.
`n_media_channels`	Anzahl der verwendeten Media-Channels.
`n_rf_channels`	Anzahl der verwendeten Channels für Reichweite und Häufigkeit.
`n_organic_media_channels`	Anzahl der verwendeten organischen Media-Channels.
`n_organic_rf_channels`	Anzahl der verwendeten Channels für organische Reichweite und Häufigkeit.
`n_controls`	Anzahl der verwendeten Kontrollvariablen.
`n_non_media_channels`	Anzahl der verwendeten nicht mediabezogenen Channels.
`sigma_shape`	Eine Zahl, die die Form des Sigma-Parameters beschreibt. Das ist entweder `1` (wenn `sigma_for_each_geo=False`) oder `n_geos` (wenn `sigma_for_each_geo=True`). Weitere Informationen finden Sie in der `ModelSpec`.
`n_knots`	Anzahl der verwendeten Knoten.
`is_national`	Ein boolescher Wert, der angibt, ob die Prior-Verteilung für ein länderspezifisches Modell angepasst wird.
`set_total_media_contribution_prior`	Ein boolescher Wert, der angibt, ob die ROI-Priors festgelegt werden sollen, um einen Prior für den Gesamtbeitrag von Media mit Zielmittelwert und Zielvarianz zu erreichen.
`kpi`	Summe des gesamten KPI über alle geografischen Regionen und Zeiträume hinweg. Erforderlich, wenn `set_total_media_contribution_prior=True`.
`total_spend`	Ausgaben pro Media-Channel, summiert über alle geografischen Regionen und Zeiträume. Erforderlich, wenn `set_total_media_contribution_prior=True`.

Ausgabe
Eine neue `PriorDistribution`-Ausgabe aus dieser Prior-Verteilung gemäß der angegebenen Datendimensionalität.

Löst aus
`ValueError`	Wenn keine benutzerdefinierten Priors für alle Channels festgelegt sind.

`has_deterministic_param`

Quelle ansehen

has_deterministic_param(
    param: tfp.distributions.Distribution
) -> bool

`eq`

__eq__(
    other
)

Gibt zurück, ob „self==value“.

meridian.model.prior_distribution.PriorDistribution Mit Sammlungen den Überblick behalten Sie können Inhalte basierend auf Ihren Einstellungen speichern und kategorisieren.

Attribute

Methoden

broadcast

has_deterministic_param

__eq__

meridian.model.prior_distribution.PriorDistribution

`broadcast`

`has_deterministic_param`

`eq`