用途：PyMC 是 Python 的贝叶斯建模与概率编程库，用于构建、拟合、验证和比较贝叶斯模型，涵盖线性/逻辑回归、层次模型、时间序列等，并实现不确定性量化。
主要能力：支持 MCMC 采样（NUTS）、变分推断（ADVI）、先验/后验预测检查、采样诊断（发散、收敛、ESS）、信息准则模型比较（LOO、WAIC）以及模型平均。可与 ArviZ 集成做可视化与诊断，用 pm.model_to_graphviz 查看模型结构，用 idata.to_netcdf 保存结果。
使用方式：标准流程为数据准备（标准化预测变量、用 coords 命名维度）、建模（弱信息先验、HalfNormal 尺度参数）、先验预测检查、采样（pm.sample(draws=2000, tune=1000, chains=4, target_accept=0.9)）、诊断（R-hat<1.01、ESS>400、无发散）、后验预测检查、结果分析与预测。层次模型建议使用非中心化参数化。
适用场景：需要贝叶斯推断、层次/多水平数据、缺失数据或测量误差处理、模型比较与不确定性量化的分析任务。
限制：资料未提供具体收费、价格、平台支持或性能基准；变分推断为近似方法，可能低估不确定性；采样问题需按诊断调整参数。