PyMC 贝叶斯建模

• 唯一标识：kdense-pymc-bayesian
• 显示名称：PyMC 贝叶斯建模
• 能力摘要：用 PyMC 构建层级概率模型，执行 NUTS MCMC 或变分推断，开展后验预测检查、收敛诊断、LOO/WAIC 模型比较，并直接表达参数不确定性和群组差异。

案例素材

1. 多门店 A/B 试验样本量不均。建立门店随机效应的转化率模型，在总体提升与门店异质性之间部分池化，避免小门店的极端比例误导结论。
2. 医疗随访数据存在重复测量。用层级模型表示患者基线与时间趋势，检查采样链的 R-hat、有效样本量和后验预测，而不是只输出单个回归系数。
3. 两个需求模型拟合都不错。通过 LOO/WAIC 比较泛化能力，并可视化预测分布和残差，说明为何选择更简单或更稳健的模型。