用途：该技能用于在 Python 中开展贝叶斯建模与概率编程，基于 PyMC 5.x+ 的现代 API 构建、拟合、验证和比较贝叶斯模型，并借助 ArviZ 做可视化与诊断。
主要能力：支持线性/逻辑回归、分层（多水平）模型、泊松回归、时间序列（如 pm.AR）等常见模型；提供 MCMC 采样（NUTS）、变分推断（ADVI）、先验/后验预测检验、采样诊断（R-hat、ESS、发散、迹图）、模型比较（LOO、WAIC）与模型平均，以及通过贝叶斯方法进行不确定性量化。
使用方式：典型流程为数据准备（标准化预测变量、使用命名维度 coords）→ 建模（弱信息先验、HalfNormal 等尺度先验、pm.Data 便于预测更新）→ 先验预测检验 → 采样（pm.sample(draws=2000, tune=1000, chains=4, target_accept=0.9, idata_kwargs={'log_likelihood': True})）→ 诊断（check_diagnostics）→ 后验预测检验 → 结果分析与预测（pm.set_data、sample_posterior_predictive、az.hdi）。技能附带 references（distributions.md、sampling_inference.md、workflows.md）、scripts（model_diagnostics.py、model_comparison.py）与 assets 模板（linear_regression_template.py、hierarchical_model_template.py）。
适用场景：需要贝叶斯推断、分层数据结构、缺失数据或测量误差处理、模型比较与不确定性报告的研究与分析任务。
限制：分层模型建议使用非中心化参数化以避免发散；LOO 需检查 Pareto-k（k>0.7 时考虑 WAIC 或 k 折交叉验证）；变分推断为近似方法，可能低估不确定性；资料未提供具体收费、价格或平台支持信息。