用途：该技能面向使用 PyMC（5.x+）进行贝叶斯建模与概率编程，覆盖线性/逻辑回归、层次模型、时间序列、计数数据等，并支持先验/后验预测检验、采样诊断与模型比较。
主要能力：构建层次与多水平模型；MCMC 采样（NUTS）与变分推断（ADVI）；用 LOO/WAIC 比较模型并做模型平均；通过 ArviZ 输出后验分布、森林图与 HDI 区间；提供诊断脚本检查 R-hat、ESS、发散与树深；附带线性回归与层次模型模板。
使用方式：按标准流程——数据准备（标准化预测变量）、建模（弱信息先验、命名维度 dims）、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、后验预测检验、结果分析与预测（pm.set_data 配合 sample_posterior_predictive）。层次模型建议使用非中心化参数化。
适用场景：需要不确定性量化、层次/多水平数据结构、缺失数据或测量误差处理、模型比较与预测区间估计的统计建模任务。
限制：资料未提供收费、价格、平台支持范围与具体性能数据；变分推断为近似方法，可能低估不确定性；离散参数需改用 Metropolis；LOO 在 Pareto-k>0.7 时可靠性下降，需考虑 WAIC 或 k 折交叉验证。