PyMC-Extras（pmx）是 PyMC 的扩展库，导入方式为 import pymc_extras as pmx，面向高级贝叶斯建模。
用途与主要能力：
- 样条：BSplineBasis 构建 B 样条基矩阵（如 pmx.BSplineBasis(n_knots=10, degree=3)，用 build(x) 生成基矩阵），用于非线性效应；可配合随机游走先验做惩罚样条防过拟合；ZeroSumNormalBasis 提供系数和为零的可识别约束。
- 分布回归（GAMLSS 风格）：不仅对均值建模，还可把方差、精度等所有分布参数写成协变量的函数，示例涵盖正态（均值与 sigma）、Beta 回归（mu 与 phi）、负二项（mu 与 alpha），常用 log/logit 链接保证参数范围。
- 先验：R2D2M2CP 通过指定期望 R2 与集中度来分解方差贡献，适合稠密信号、中等变量数；正则化马蹄先验适合稀疏信号、大变量数，用全局 tau 与局部 lam 控制收缩，并用 slab 分量防止系数无界。
- 离散参数边缘化：pmx.marginalize(model=..., rvs_to_marginalize=[...]) 解析积分掉离散隐变量，支持混合模型的 Categorical 分配、spike-and-slab 的 Bernoulli 指示、HMM 的离散状态，从而可用标准 NUTS 采样，提升效率并缓解标签切换。
- 拉普拉斯近似：pmx.fit_laplace(model) 在 MAP 处做二阶泰勒展开，快速近似推断，适合快速迭代、大数据简单模型、近似高斯后验及模型筛选；多峰、重尾、少组层次模型不宜使用，最终推断仍建议用完整 MCMC 并对比。
使用方式：在 PyMC 模型上下文内调用上述 API，配合 pm.sample() 采样，用 ArviZ 比较结果。
限制：资料未提供安装命令、版本要求、收费与平台信息，暂未提供。