PyMC 是一个用于贝叶斯建模与概率编程的 Python 库。本技能帮助用户使用 PyMC 的现代 API（6.x 及以上版本）构建、拟合、验证并比较贝叶斯模型，包括分层模型、MCMC 采样（NUTS）、变分推断、后验预测检验以及模型比较（LOO、WAIC）。
版本与安装
资料显示 PyMC 6.0.1 为当前稳定版本，要求 Python 3.12+，使用 PyTensor 3 作为计算图后端，并默认使用 Numba 等编译后端。为获得可复现的本地环境，可固定版本安装：
uv pip install "pymc[nutpie]==6.0.1"
其中 nutpie 额外项启用更快的 Rust/Numba NUTS 实现。若使用 NumPyro 或 BlackJAX，需在同一环境中安装这些可选采样器依赖，并在项目锁文件中固定版本。
适用场景
该技能适用于：构建贝叶斯模型（线性/逻辑回归、分层模型、时间序列等）；执行 MCMC 采样或变分推断；进行先验/后验预测检验；诊断采样问题（发散、收敛、ESS）；使用信息准则（LOO、WAIC）比较多个模型；通过贝叶斯方法实现不确定性量化；处理分层/多水平数据结构；以有原则的方式处理缺失数据或测量误差。
标准贝叶斯工作流
资料强调不要先采样再检查。八步工作流为：数据准备（包括标准化预测变量，使先验可解释）；在 pm.Model 上下文中构建模型（先验与似然）；先验预测检验（确认先验蕴含合理数据）；拟合模型（pm.sample() 并显式设置随机种子）；检查诊断（R-hat、ESS、发散；发散会使拟合无效，应修正模型或重新参数化，而非仅提高 target_accept）；后验预测检验（拟合模型能否复现观测数据）；分析结果（后验摘要与区间）；对新数据做预测（通过 pm.set_data 与后验预测采样）。
分布选择指南
先验方面：尺度参数（σ、τ）可用 pm.HalfNormal、pm.Exponential、pm.Gamma；无界参数可用 pm.Normal（标准化数据）或 pm.StudentT（抗离群值）；正参数可用 pm.LogNormal、pm.Gamma；概率可用 pm.Beta（弱信息）或 pm.Uniform（非信息，慎用）；相关矩阵可用 pm.LKJCholeskyCov（首选协方差先验）或 pm.LKJCorr。似然方面：连续结果用 pm.Normal 或 pm.StudentT；计数数据用 pm.Poisson、pm.NegativeBinomial、pm.ZeroInflatedPoisson、pm.HurdleNegativeBinomial；二值结果用 pm.Bernoulli；分类结果用 pm.Categorical。
采样与推断
MCMC 与 NUTS 为多数模型的默认推荐，示例参数为 draws=2000、tune=1000、chains=4、target_accept=0.9、random_seed=42。出现发散时可提高 target_accept；采样缓慢可用 ADVI 初始化；离散参数可用 pm.Metropolis()。变分推断（如 pm.fit(n=20000, method='advi')）速度快但为近似，可能低估不确定性，适合大模型或快速探索，也可用于初始化。
诊断与常见问题
技能提供 scripts/model_diagnostics.py，包含 check_diagnostics() 快速检查与 create_diagnostic_report() 综合报告（轨迹图、秩图、自相关图、能量图、局部 ESS 图、摘要统计 CSV）。常见问题：发散（提高 target_accept、使用非中心化参数化、加强先验、检查模型误设）；低有效样本量（增加 draws、重新参数化、对相关预测变量使用 QR 分解）；高 R-hat（延长链、检查多峰、用 ADVI 改善初始化）；采样缓慢（ADVI 初始化、降低模型复杂度、增加并行 cores/chains、必要时用变分推断）。
最佳实践
建模时标准化预测变量、使用弱信息先验、使用命名维度 dims、分层模型采用非中心化参数化、拟合前做先验预测检验。采样时至少 4 条链、target_accept=0.9 为基线、包含 log_likelihood=True 以便模型比较、设置随机种子。验证时先检查诊断再解释、做后验预测检验、适当比较多个模型、报告不确定性（HDI 区间而非仅点估计）。工作流上从简单开始逐步增加复杂度，并记录假设与先验选择。
配套资源
参考资料包括 distributions.md（按类别组织的分布目录）、sampling_inference.md（采样算法与变分推断详解）、workflows.md（常见模型类型的工作流示例与代码模式）。脚本包括 model_diagnostics.py 与 model_comparison.py（基于 PSIS-LOO ELPD 的模型比较、LOO 可靠性检查、模型平均）。模板包括 linear_regression_template.py 与 hierarchical_model_template.py。
其他说明
PyMC 与 ArviZ 集成用于可视化与诊断；PyMC 6 / ArviZ 1 使用 xarray DataTree，同时保留 .posterior、.posterior_predictive 等熟悉分组。可用 pm.model_to_graphviz(model) 可视化模型结构，用 idata.to_netcdf('results.nc') 保存结果、az.from_netcdf('results.nc') 加载。超大模型可考虑小批量 ADVI 或数据子采样。
代理操作流程与完整性规则
操作流程包括：检查环境与库版本、确认数据形状类型与缺失值；确认输入格式、标识符与参数，不猜测影响结果的取值；先在小样本上试运行检查时间与内存；执行完整任务；用留出数据、固定随机种子与合适指标验证结果并检查泄漏、报告不确定性；报告运行内容、检查项与仍不确定之处。遇到内存不足或执行缓慢时，可子采样、分块或惰性计算、缩小模型并告知用户；若指令中的函数、标志或端点在当前安装版本中不存在，应查阅该版本文档并告知用户，绝不虚构 API；输入或参数不明确时应询问用户或明确说明假设。完整性规则要求：不编造结果、参数、标识符、引用或统计量；不报告本次会话未计算的指标；版本相关细节可能过时，应以已安装版本的官方文档为准；涉及费用、共享 GPU 或云配额、个人或患者数据、不可撤销操作时须先询问。