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，适合线性/逻辑回归、层次模型、时间序列、缺失数据与测量误差等场景。
主要能力：支持先验/后验预测检验、MCMC（NUTS）采样、变分推断（ADVI）、模型比较（LOO、WAIC）与模型平均；提供诊断脚本检查 R-hat、ESS、发散与树深；提供分布选择指南、采样推断参考、工作流示例，以及线性回归与层次模型模板。
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）→ 建模（弱信息先验、HalfNormal 等尺度先验）→ 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。层次模型建议使用非中心化参数化。诊断可调用 scripts.model_diagnostics 的 check_diagnostics 或 create_diagnostic_report；模型比较可调用 scripts.model_comparison 的 compare_models、check_loo_reliability、model_averaging。预测时用 pm.set_data 更新数据后调用 pm.sample_posterior_predictive。
适用场景：需要不确定性量化、层次/多水平数据结构、计数或二分类结果、自回归时间序列等贝叶斯分析任务。
限制：资料未提供具体收费、价格、平台支持范围与性能指标；变分推断为近似方法，可能低估不确定性；LOO 在 Pareto-k 大于 0.7 时可靠性下降，需考虑 WAIC 或 k 折交叉验证；采样问题需通过提高 target_accept、重参数化或增加采样量解决。