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，包括层次模型、MCMC 采样（NUTS）、变分推断以及 LOO/WAIC 模型比较。
主要能力：支持线性/逻辑回归、层次（多水平）模型、泊松回归、时间序列（AR）等常见模型；提供先验/后验预测检验、采样诊断（R-hat、ESS、发散）、信息准则模型比较与模型平均；可处理缺失数据与测量误差，并通过 ArviZ 进行可视化与诊断。
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）→ 模型构建（弱信息先验、HalfNormal 尺度参数、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，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 后 sample_posterior_predictive）。层次模型建议使用非中心化参数化以避免发散。技能附带诊断脚本（check_diagnostics、create_diagnostic_report）、模型比较脚本（compare_models、check_loo_reliability、model_averaging）以及线性回归与层次模型模板。
适用场景：需要贝叶斯推断、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的统计建模任务。
限制：资料未提供具体安装命令、收费信息、平台支持范围或性能基准；变分推断为近似方法，可能低估不确定性；LOO 在 Pareto-k>0.7 时可靠性下降，需考虑 WAIC 或 k 折交叉验证。