用途：该技能面向 PyMC 5 的完整贝叶斯统计建模流程，包括模型设定、推断、诊断、模型比较与预测，强调给出带不确定性的参数估计（可信区间）而非仅点估计。
主要能力：定义先验与似然；使用 NUTS 进行 MCMC 采样，或用 ADVI 等变分推断；诊断收敛（R-hat、ESS、散度、最大树深）；做先验预测检查与后验预测检查；用 LOO-CV、WAIC 比较候选模型；对组间/嵌套数据做层次模型；贝叶斯线性、逻辑、Poisson 回归；将缺失数据或测量误差作为潜变量处理；用自回归或随机游走先验建模时间序列；为新观测生成带不确定性的后验预测。
适用场景：需要完整不确定性量化的参数估计；分组或嵌套数据的部分汇聚建模；模型假设验证与模型选择；非线性或空间数据的高斯过程；二分类与计数数据建模。
使用方式：安装依赖 pip install pymc arviz numpy matplotlib，可选 GPU 后端 pip install pymc[jax]。在 pm.Model() 上下文中定义先验、线性预测子与似然，用 pm.sample() 采样，用 az.summary()、az.plot_trace()、az.plot_rank() 检查诊断，用 pm.sample_prior_predictive() 与 pm.sample_posterior_predictive() 做预测检查，用 az.compare() 比较模型。关键参数包括 draws、tune、chains、cores、target_accept、init、random_seed，比较模型时设置 idata_kwargs={"log_likelihood": True}。
限制与注意事项：资料未给出官方收费与授权信息。诊断阈值建议 R-hat < 1.01、ESS > 400、散度为 0，Pareto-k < 0.7 时 LOO 才可靠；出现发散可提高 target_accept 或改用非中心参数化；高斯过程在 n > 1000 时计算代价高。若需编译式、大规模模型推断可考虑 Stan/PyStan；频率派统计检验可用 statsmodels。