PyMC 베이지안 모델링

무엇을 해주나

Claude가 PyMC 기반 베이지안 분석을 표준 워크플로대로 수행하도록 만듭니다.

• 8단계 워크플로 강제: 데이터 준비 → 모델 작성 → 사전예측 점검 → 샘플링 → 진단(R-hat, ESS, divergence) → 사후예측 점검 → 결과 해석 → 예측. "일단 샘플링부터" 하는 습관을 막아줍니다.
• 분포 선택 가이드: 스케일/양수/확률/상관행렬 파라미터별 권장 사전분포와, 연속·카운트·이진·범주형 결과별 우도(Poisson, NegativeBinomial, ZeroInflated, Hurdle 등)를 정리.
• 문제 해결 매뉴얼: divergence, 낮은 ESS, 높은 R-hat, 느린 샘플링에 대한 구체적 대응책(비중심 파라미터화, ADVI 초기화, QR 분해 등).
• 부속 자산: model_diagnostics.py(트레이스·랭크·에너지 플롯 자동 리포트), model_comparison.py(PSIS-LOO 비교, 모델 평균), 선형회귀·계층모델 템플릿.

이런 분께 추천

• 불확실성을 정량화해야 하는 데이터 분석가·연구자
• 다층/계층 구조 데이터(학교별 학생, 지점별 매출 등)를 다루는 분
• Stan/PyMC 경험은 있지만 진단과 모델 비교 절차를 체계화하고 싶은 분
• 결측치·측정오차를 원칙적으로 다루고 싶은 통계 실무자

확률론·베이지안 통계 기초 지식이 있어야 결과를 제대로 해석할 수 있습니다.

활용 예시

1. 계층 회귀: "지역별 매출 데이터를 계층 모델로 적합해줘" → 비중심 파라미터화로 모델 작성, 사전예측 점검 후 4체인 샘플링, divergence 0 확인까지 진행.
2. 모델 비교: "Poisson과 NegativeBinomial 중 어느 쪽이 나은지 LOO로 비교해줘" → compare_models()로 ELPD 순위와 Pareto k 신뢰도 점검 리포트 생성.
3. 진단 트러블슈팅: "R-hat이 1.05인데 어떻게 하지?" → 다봉성 확인, tune 증가, ADVI 초기화 등 단계별 처방 제시.

클로드스킬마트에서 찾은 스킬을 설치해줘.
GitHub 저장소 K-Dense-AI/scientific-agent-skills 의 skills/pymc 폴더를 내 ~/.claude/skills/pymc/ 에 그대로 복사해줘.
설치가 끝나면 이 스킬로 무엇을 할 수 있는지 한 줄로 알려줘.