用途：该技能用于使用 Python 库 PyMC（5.x+）进行贝叶斯建模与概率编程，涵盖模型构建、拟合、验证与比较，适用于线性/逻辑回归、分层模型、时间序列、计数数据等场景，以及缺失数据与测量误差的原则化处理。
主要能力：支持弱信息先验设定、命名维度（dims/coords）、非中心化参数化分层模型；MCMC 采样（NUTS，可调 draws、tune、chains、target_accept）；变分推断（ADVI）用于快速探索或初始化；先验/后验预测检验；诊断（R-hat、ESS、发散、迹图）；模型比较（LOO、WAIC、Pareto-k 可靠性检查、模型平均）；预测与 HDI 区间。
使用方式：典型流程为数据准备（标准化预测变量）→ 用 pm.Model 构建模型 → 先验预测检验 → pm.sample 拟合（建议 log_likelihood=True）→ 诊断 → 后验预测检验 → 结果分析与预测。技能附带 references（distributions.md、sampling_inference.md、workflows.md）、scripts（model_diagnostics.py、model_comparison.py）与 assets 模板（线性回归、分层模型）。
适用场景：需要不确定性量化的统计建模、分层/多水平数据、时间序列自回归、模型选择与平均。
限制：资料未提供具体收费、价格、平台支持范围与效果数据；变分推断为近似方法，可能低估不确定性；离散参数需改用 Metropolis；发散、低 ESS、高 R-hat 等问题需按资料建议调整参数或重参数化。