用途：该技能面向使用 PyMC（5.x+）进行贝叶斯建模与概率编程，覆盖线性/逻辑回归、层次模型、时间序列等，并配合 ArviZ 做诊断与可视化。
主要能力：构建含先验与似然的模型；用 NUTS 做 MCMC 采样，或用 ADVI 做变分推断；先验/后验预测检验；诊断发散、收敛与 ESS；用 LOO/WAIC 比较模型并做模型平均；通过 HDI 报告不确定性；处理层次/多水平数据与缺失数据。
使用方式：标准流程为数据准备（标准化预测变量）→ 建模（弱信息先验、命名维度 dims）→ 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（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 配合 sample_posterior_predictive）。技能附带 scripts/model_diagnostics.py、scripts/model_comparison.py 及线性回归、层次模型模板。
适用场景：需要量化不确定性、层次结构数据、计数/二分类/时间序列建模，以及多模型比较的研究与分析任务。
限制：层次模型建议使用非中心化参数化以避免发散；变分推断为近似结果，可能低估不确定性；LOO 在 Pareto-k>0.7 时不可靠，需改用 WAIC 或 k 折交叉验证；离散参数需改用 Metropolis。具体安装命令与收费信息暂未提供。