用途：该技能面向使用 PyMC（5.x+）进行贝叶斯建模与概率编程，覆盖模型构建、拟合、验证与比较。适用场景包括线性/逻辑回归、层次（多水平）模型、时间序列、计数数据建模，以及缺失数据与测量误差处理、不确定性量化。
主要能力：支持 MCMC 采样（NUTS）、变分推断（ADVI）、先验/后验预测检验、采样诊断（发散、收敛、ESS）、信息准则模型比较（LOO、WAIC）与模型平均。提供分布选择指南（先验与似然）、诊断脚本与线性回归、层次模型模板。
使用方式：标准流程为数据准备（标准化预测变量、使用命名维度 coords）→ 建模（弱信息先验、HalfNormal 尺度参数、pm.Data 便于预测）→ 先验预测检验 → 采样（pm.sample，draws=2000、tune=1000、chains=4、target_accept=0.9，并设 log_likelihood=True）→ 诊断（R-hat<1.01、ESS>400、无发散）→ 后验预测检验 → 结果分析与预测（pm.set_data、sample_posterior_predictive、az.hdi）。层次模型务必使用非中心化参数化以避免发散。
限制：资料未提供安装命令、收费与价格、平台支持范围及具体性能数据；变分推断为近似方法，可能低估不确定性；LOO 在 Pareto-k>0.7 时不可靠，需考虑 WAIC 或 k 折交叉验证。