技能介绍

要解决什么问题

当你需要在 Python 里做不确定性量化——而不只是点估计和 p 值——贝叶斯建模往往是更合适的框架：先验、似然、后验预测可以放在同一套叙述里，分层数据、缺失值和测量误差也能按参数显式处理。PyMC 6.x 把这套流程落在概率编程 API 上（PyTensor 计算图、默认 NUTS），但「模型怎么设、先验是否合理、链有没有收敛、拟合是否在糊弄数据」仍需要成体系的工作流，而不是堆几个 pm.sample() 调用。

技能如何组织内容

本技能围绕标准贝叶斯工作流展开，从数据准备（标准化连续预测变量、命名 coords/dims、缺失作为参数）到模型构建（弱信息先验、尺度用 HalfNormal/Exponential、预测用 pm.Data()），并强调拟合前先验预测检查。

拟合与诊断部分给出可操作的默认：draws/tune/chains、target_accept、以及 log_likelihood=True 以便 LOO/WAIC；诊断侧关注 R-hat、ESS、发散与迹线混合。验证环节覆盖后验预测检查与模型比较（Δloo、Pareto-k），并附带线性回归、逻辑回归、非中心参数化分层模型、泊松/负二项、时间序列等模式说明。

技能还 bundled references（分布选型、采样与变分推断）、scripts（model_diagnostics.py、model_comparison.py）和 assets 模板，便于按同一套检查清单迭代模型，而不是每次从零搜文档。

适用边界与注意点

面向 PyMC 6.x 现代 API（Python 3.12+、PyTensor 3）；旧版语法与已弃用参数（如不当使用 nuts_sampler_kwargs）需对照文档迁移。
变分推理（ADVI 等）适合探索或初始化，不确定性可能被低估；正式推断仍以 MCMC 为主。
分层模型若出现发散，应优先非中心参数化并提高 target_accept，而不是无限加采样量。
与 ArviZ 联用做可视化与诊断；大模型可考虑小批量 ADVI 或数据子采样，但需自行评估近似误差。