pymc

用途：PyMC 用于贝叶斯建模与概率编程，可构建、拟合并验证线性/逻辑回归、层级模型、时间序列等，并做不确定性量化。主要能力：MCMC（NUTS）采样、变分推断（ADVI）、先验/后验预测检查、诊断（R-hat、ESS、发散）、模型比较（LOO、WAIC）与模型平均。安装：uv pip install "pymc[nutpie]==6.0.1"，nutpie 提供更快的 NUTS 实现；如用 NumPyro 或 BlackJAX，需在同一环境安装并锁定版本。基本用法：用 pm.Model(coords=...) 定义模型，配弱信息先验，用 pm.Data 存放可替换预测数据，pm.sample(draws=2000, tune=1000, chains=4, target_accept=0.9, random_seed=42, idata_kwargs={'log_likelihood': True}) 采样；随后做先验预测检查、诊断与后验预测检查，再用 pm.set_data 做样本外预测。层级模型建议使用非中心化参数化以避免发散。实践上应标准化连续预测变量、使用命名维度、至少 4 条链，并在解释前检查 R-hat、ESS 与发散。限制与缺失：资料未提供收费、具体平台支持范围或与其他工具的性能对比；采样速度与收敛性依赖模型复杂度与参数设置，变分推断为近似方法，可能低估不确定性。模型比较中 Δloo 与 Pareto-k 的解释规则、常见分布选择及诊断脚本（model_diagnostics.py、model_comparison.py）与模板（linear_regression_template.py、hierarchical_model_template.py）在资料中有列出，可作为参考。结果可存为 NetCDF（idata.to_netcdf）并用 az.from_netcdf 读取。