findscripter 何时使用
适用场景：
- 要做贝叶斯推断：拿到的是参数的完整后验分布与不确定性（HDI 区间），而非单点估计或 p 值。
- 建分层/多层模型处理分组数据，或要在模型里显式处理缺失数据、测量误差。
- 各类似然模型：线性/logistic/Poisson 回归、时间序列（AR）、自定义概率模型。
- 需要先验/后验预测检查、收敛诊断（R-hat、ESS、散度），或用 LOO/WAIC 比较多个模型。
不该用的边界：
- 只要频率派结果（系数、标准误、p 值、可发表结果表）→ 用
statsmodels-statistical-modeling，更快更直接。 - 只追求预测精度、不需要后验分布 → 用
scikit-learn-ml。 - 深度学习、大模型、GPU 训练 → 用 PyTorch/TensorFlow。
- 仅做数据清洗 → 先
csv-data-cleaner；仅做图表 → 用seaborn-statistical-charts/matplotlib-visualization。 - 不能替代专家复核；样本太小、目标不明、先验无依据时先澄清再建模。
步骤 / 指令
固定按这条贝叶斯工作流推进，逐步加复杂度，每步都验证：
- 备数据：标准化连续预测变量
X_scaled = (X - X.mean(0)) / X.std(0)（显著改善采样）；缺失数据当参数显式处理；用coords命名维度。 - 建模：在
with pm.Model(coords=...) as model:内写先验 + 似然。用弱信息先验（别用 flat 先验）；尺度参数用HalfNormal/Exponential；优先用dims而非shape；要更新做预测的值用pm.Data()包住。 - 先验预测检查（拟合前必做）：
pm.sample_prior_predictive(...)+az.plot_ppc(..., group='prior')，看先验生成的数据是否落在合理范围，不合理就改先验重查。 - 拟合：
pm.sample(draws=2000, tune=1000, chains=4, target_accept=0.9, random_seed=42, idata_kwargs={'log_likelihood': True})。要做模型比较必须带log_likelihood=True。 - 诊断（解读前必做）：看 R-hat < 1.01**（收敛）、**ESS > 400（有效样本足）、散度=0、trace 图混合良好（毛毛虫状）。
- 后验预测检查：
pm.sample_posterior_predictive(idata, extend_inferencedata=True)+az.plot_ppc(idata)，看是否复现观测数据的模式，系统性偏差提示模型设定有误。 - 看结果：
az.summary()看后验摘要；az.plot_posterior/az.plot_forest看分布与系数。 - 做预测：
pm.set_data({...})换入新数据 →pm.sample_posterior_predictive(idata.posterior, var_names=['y_obs'])，用az.hdi()取预测区间。
诊断出问题的对策：散度 → 提高 target_accept=0.95/0.99、分层模型改非中心化参数化、加强先验；低 ESS → 加 draws、重参数化降相关、回归用 QR 分解；高 R-hat → 跑更长、查多峰、用 ADVI 初始化；采样慢 → ADVI 初始化、降复杂度、cores=8, chains=8。
安装：uv pip install pymc arviz（PyMC 与 ArviZ 配套做可视化与诊断）。
示例
按结果类型选似然，最常见的模型骨架：
import pymc as pm, arviz as az, numpy as np
coords = {'predictors': ['v1','v2','v3'], 'obs_id': np.arange(len(y))}
with pm.Model(coords=coords) as model:
alpha = pm.Normal('alpha', mu=0, sigma=1)
beta = pm.Normal('beta', mu=0, sigma=1, dims='predictors')
sigma = pm.HalfNormal('sigma', sigma=1)
mu = alpha + pm.math.dot(X_scaled, beta)
y_obs = pm.Normal('y_obs', mu=mu, sigma=sigma, observed=y, dims='obs_id')
with model:
idata = pm.sample(draws=2000, tune=1000, chains=4, target_accept=0.9,
random_seed=42, idata_kwargs={'log_likelihood': True})
print(az.summary(idata, var_names=['alpha','beta','sigma']))
按结果类型替换似然：二元 pm.Bernoulli('y', logit_p=alpha + pm.math.dot(X,beta))；计数 pm.Poisson('y', mu=pm.math.exp(log_lambda))（过离散改 NegativeBinomial）；时间序列 pm.AR('y', rho=rho, sigma=sigma, init_dist=...)。
分层模型（务必非中心化，否则散度爆炸）：
with pm.Model(coords={'groups': group_names}) as hm:
mu_a = pm.Normal('mu_a', 0, 10); sd_a = pm.HalfNormal('sd_a', 1)
a_off = pm.Normal('a_off', 0, 1, dims='groups') # 标准正态偏移
alpha = pm.Deterministic('alpha', mu_a + sd_a * a_off, dims='groups') # 非中心化
sigma = pm.HalfNormal('sigma', 1)
y = pm.Normal('y', mu=alpha[group_idx], sigma=sigma, observed=y_obs)
模型比较（LOO/WAIC）：
cmp = az.compare({'m1': idata1, 'm2': idata2}, ic='loo') # 各模型需带 log_likelihood
# Δloo<2 选更简单；2~4 弱证据；4~10 中等；>10 强证据。
# 看 Pareto-k：k<0.7 LOO 可靠，k>0.7 改用 WAIC 或 k 折 CV。
注意事项
- 分层模型必须非中心化参数化（
参数 = 超均值 + 超标准差 × 标准正态偏移），中心化几乎必然产生散度。 - 散度不可忽视：
idata.sample_stats.diverging.sum() > 0即后验有偏，先提target_accept再重参数化，别直接解读。 - 先验预测检查不能省：先验若生成离谱数据，后验再漂亮也不可信。
- 模型比较前置条件：拟合时必须
log_likelihood=True，否则az.compare无法计算。 - 选对似然：连续→Normal/StudentT(抗离群)，二元→Bernoulli，计数→Poisson/NegativeBinomial，别一律高斯。
- 用弱信息先验，慎用 flat/Uniform 先验；尺度参数用
HalfNormal/Exponential。 - 报告用 HDI 区间表达不确定性，而非只给后验均值。
- 实用工具：
pm.model_to_graphviz(model)可视化结构；idata.to_netcdf('r.nc')存、az.from_netcdf读；超大模型用 minibatch ADVI 或数据子采样。 - 不能替代环境相关验证与专家复核；输出仅供参考。
互见
- requires：无。
- related：
statsmodels-statistical-modeling（频率派统计推断，与本技能的贝叶斯推断互补）；scikit-learn-ml（侧重预测的机器学习）；seaborn-statistical-charts、matplotlib-visualization（诊断图与后验可视化，ArviZ 之外的补充画图）。 - combines_with：
csv-data-cleaner（建模前清洗脏数据，清洗完再进本技能）；matplotlib-visualization（定制后验/预测区间图）。
采编自 K-Dense-AI/scientific-agent-skills 的 pymc 技能（原署 K-Dense Inc.）。注：源 SKILL.md 实际声明为 Apache License 2.0（非 MIT），二者均允许再分发；本条按 Apache-2.0 署源。