用途：为定量社会科学研究提供贝叶斯估计与推断的完整工作流参考，从先验设定到 MCMC 实现再到后验结果报告，涵盖结构模型、层级设计与小样本场景。
主要能力：设定先验并搭建贝叶斯模型（Stan、PyMC、NumPyro、brms、rstanarm）；运行 MCMC 并诊断 R-hat、ESS、发散与轨迹图；实现带部分池化的层级（多层）模型；为结构模型（BLP、动态离散选择、DSGE）加入贝叶斯推断；报告可信区间、后验预测检验与模型比较统计量；从校准目标或文献基准引出先验；调试采样病态问题（发散、接受率低、混合差）。
适用与不适用：小样本（N<100）时先验起正则化作用；数据有自然分组时部分池化更高效；需要完整不确定性传播、非嵌套模型比较或受约束参数时适用。大样本（N>10000）、简单模型（OLS、logit、Poisson）、需经典标准误与 p 值的发表场合，或需在每次抽样中求解均衡约束的结构模型，则更适合频率派方法。
必要用法：先验方面，弱信息默认值包括位置参数 Normal(0,10)（标准化预测变量用 Normal(0,2.5)）、尺度参数 HalfNormal(1) 或 Exponential(1)、对数尺度参数 Normal(0,1)、相关矩阵 LKJ(2)、单纯形 Dirichlet(1,...,1)；有文献基准时以基准为均值、以合理范围约 2 个标准差设定先验，并做先验预测检验与敏感性分析（先验标准差取 0.5 倍与 2 倍）。
收敛诊断阈值：R-hat<1.01 为佳，1.01–1.05 临界，≥1.05 需延长链或重参数化；Bulk ESS>400、Tail ESS>1000 为佳；发散数应为 0；BFMI>0.3 为佳。报告前须逐项检查，并始终运行 4 条链。层级模型应使用非中心化参数化。
限制：资料未提供具体收费、价格、平台与效果信息；最终结果建议用 MCMC 而非变分推断；模型比较建议用 LOO-CV（PSIS-LOO）而非贝叶斯因子，并检查 Pareto k 诊断。