PyMC 贝叶斯建模技能

技能概述

PyMC 技能提供完整的贝叶斯建模工作流程，帮助您使用 Python 构建概率模型、进行 MCMC 采样、执行模型诊断和预测推断。适用于科学研究、数据分析和机器学习中的不确定性量化任务。

适用场景

1. 科学研究和数据分析：当您需要构建贝叶斯模型来量化研究中的不确定性，处理小数据集或缺失数据，或者需要为科学假设提供概率解释时，PyMC 提供从数据准备到模型验证的完整工作流程。

2. 层级数据建模：当您的数据具有分组或多层结构（如重复测量、地理聚类数据），需要构建层级模型来捕捉组内和组间变异时，PyMC 的非中心化参数化方法能够有效避免采样发散问题。

3. 模型比较和预测：当您需要比较多个竞争模型、进行后验预测检查、或者生成带有不确定性区间的预测结果时，PyMC 集成的 LOO/WAIC 模型比较和预测工具可以提供严谨的统计推断支持。

核心功能

1. 贝叶斯模型构建与采样：支持线性回归、逻辑回归、泊松回归、时间序列等多种模型类型，使用 NUTS（No-U-Turn Sampler）算法进行高效的 MCMC 采样，并提供变分推断（ADVI）作为快速近似方案。

2. 模型诊断与验证：提供自动化的诊断工具检查 R-hat、有效样本量（ESS）和发散问题，支持先验预测检查和后验预测检查，确保模型拟合结果的可靠性和稳健性。

3. 概率分布库与模板：包含完整的概率分布参考指南，涵盖连续型、离散型、多变量分布以及时序分布，并提供线性回归和层级模型的完整代码模板，快速启动贝叶斯分析项目。

常见问题

PyMC 需要什么 Python 版本和依赖？

PyMC 6.0.1 需要 Python 3.12 或更高版本，使用 PyTensor 3 作为计算图后端。推荐使用 uv pip install "pymc[nutpie]==6.0.1" 安装，nutpie 扩展提供了更快的 Rust/Numba NUTS 实现。如需使用 NumPyro 或 BlackJAX 采样器，需要单独安装兼容的 JAX 依赖。

如何解决 MCMC 采样中的发散问题？

发散问题通常可以通过以下方法解决：提高 target_accept 参数到 0.95 或更高；对层级模型使用非中心化参数化；为参数添加更强的先验约束；检查模型设定是否有误。如果问题持续存在，可能需要重新参数化模型或使用变分推断进行初始化。

贝叶斯模型比较中的 LOO 和 WAIC 如何选择使用？

LOO（留一法交叉验证）通常更准确，但需要检查 Pareto-k 值（k < 0.7 时可靠）。WAIC（广义赤池信息量准则）计算更快，适合大规模模型比较。当 ΔLOO < 2 时模型相似，选择更简单的模型；ΔLOO > 10 时有强证据支持更好的模型。两者都需在拟合时包含 log_likelihood=True 参数。