Mô hình Bayes với PyMC

Làm được gì

Giúp Claude thực hiện phân tích Bayes bằng PyMC theo một quy trình chuẩn, có kỷ luật.

• Quy trình 8 bước: chuẩn bị dữ liệu → xây mô hình → kiểm tra tiên nghiệm dự đoán → lấy mẫu → chẩn đoán (R-hat, ESS, divergence) → kiểm tra hậu nghiệm dự đoán → phân tích → dự báo. Không cho phép "cứ lấy mẫu trước rồi tính sau".
• Hướng dẫn chọn phân phối: tiên nghiệm cho tham số thang đo, tham số dương, xác suất, ma trận tương quan (LKJ); hàm hợp lý cho dữ liệu liên tục, đếm (Poisson, NegativeBinomial, ZeroInflated, Hurdle), nhị phân và phân loại.
• Xử lý sự cố: cách khắc phục divergence, ESS thấp, R-hat cao, lấy mẫu chậm (tham số hóa phi tập trung, khởi tạo bằng ADVI, phân rã QR...).
• Tài nguyên kèm theo: model_diagnostics.py tạo báo cáo chẩn đoán đầy đủ, model_comparison.py so sánh PSIS-LOO và trung bình hóa mô hình, cùng template hồi quy tuyến tính và mô hình phân cấp.

Phù hợp với ai

• Nhà phân tích dữ liệu, nghiên cứu viên cần định lượng độ bất định
• Người làm việc với dữ liệu đa cấp (học sinh theo trường, doanh thu theo chi nhánh)
• Người đã biết PyMC/Stan nhưng muốn chuẩn hóa khâu chẩn đoán và so sánh mô hình

Cần nền tảng thống kê Bayes để diễn giải kết quả chính xác.

Ví dụ sử dụng

1. Hồi quy phân cấp: "Fit mô hình phân cấp cho doanh thu theo vùng" → mô hình dùng tham số hóa phi tập trung, kiểm tra tiên nghiệm, lấy mẫu 4 chuỗi và xác nhận không có divergence.
2. So sánh mô hình: "Poisson hay NegativeBinomial tốt hơn?" → chạy compare_models() để xếp hạng theo ELPD kèm kiểm tra độ tin cậy Pareto k.
3. Gỡ lỗi chẩn đoán: "R-hat = 1.05 thì làm gì?" → gợi ý kiểm tra đa đỉnh, tăng tune, khởi tạo bằng ADVI.

Hãy cài skill mình tìm thấy trên Claude Skill Mart.
Copy thư mục skills/pymc từ repo GitHub K-Dense-AI/scientific-agent-skills vào ~/.claude/skills/pymc/ của mình.
Sau khi cài xong, cho mình biết skill này làm được gì trong một câu.