我刚刚开始在stan中构建模型；为了熟悉该工具，我正在完成贝叶斯数据分析（第 2 版）中的一些练习。Waterbuck练习假设数据，其中未知。由于 Hamiltonian Monte Carlo 不允许离散参数，因此我将声明为实数并使用该函数编码实值二项式分布。$n \sim \text{binomial}(N, \theta)$$(N, \theta)$$N$$\in [72, \infty)$lbeta

结果的直方图看起来与我通过直接计算后验密度发现的几乎相同。但是，我担心可能有一些微妙的原因我不应该相信这些结果。由于对的实值推断将正概率分配给非整数值，因此我们知道这些值是不可能的，因为在现实中不存在分数水巴克。另一方面，结果似乎很好，因此在这种情况下，简化似乎对推理没有影响。$N$

以这种方式建模是否有任何指导原则或经验法则，或者这种将离散参数“提升”为真正不好的做法的方法？