用途：面向研究数据分析的贝叶斯统计方法技能，覆盖先验设定、马尔可夫链蒙特卡洛（MCMC）采样、后验解读、模型比较与报告标准。
主要能力：介绍贝叶斯框架与贝叶斯定理的实际形式（后验正比于似然乘先验）；说明适用场景，如小样本、复杂层次模型、序贯数据收集、已有先验知识、模型比较与预测；给出先验类型（平坦、弱信息、信息性、马蹄形）及推荐默认先验（截距 Normal(0,10)、标准化预测变量系数 Normal(0,2.5)、标准差 Half-Cauchy(0,2.5) 或 Exponential(1)、相关矩阵 LKJ(2)）；提供 PyMC 贝叶斯线性回归示例与 ArviZ 诊断（R-hat<1.01、ESS>400）、模型比较（LOO-CV、WAIC）以及 WAMBS 报告清单。
使用方式：资料给出 Python 代码示例，涉及 numpy、scipy、matplotlib、pymc、arviz；示例包含先验可视化函数、bayesian_regression 建模与 pm.sample 采样、check_mcmc_diagnostics 收敛检查、compare_models 模型比较。具体安装命令与运行环境暂未提供。
适用场景：需要将先验知识形式化纳入分析、处理小样本或层次数据、进行序贯更新、模型选择与后验预测的研究工作。
限制：资料未提供收费、价格、平台支持、性能效果等信息；示例代码需自行配置 Python 环境与依赖版本。