Mô hình Bayes với PyMC

Làm được gì

Kỹ năng này giúp Claude xây dựng và kiểm định mô hình Bayes bằng PyMC 5 một cách có hệ thống.

• Quy trình 8 bước: chuẩn hóa dữ liệu → định nghĩa mô hình và tiên nghiệm → kiểm tra dự báo tiên nghiệm → lấy mẫu NUTS → chẩn đoán hội tụ → kiểm tra dự báo hậu nghiệm → so sánh LOO/WAIC → dự đoán
• Bảng ngưỡng chẩn đoán: R-hat < 1.01, ESS > 400, 0 phân kỳ, Pareto-k < 0.7 kèm hành động khi không đạt
• Bảng chọn phân phối: Normal, HalfNormal, StudentT, Beta, Dirichlet, NegativeBinomial... theo từng tình huống
• Công thức mẫu: mô hình phân cấp (tham số hóa phi tâm), hồi quy logistic, Gaussian Process
• Bảng khắc phục sự cố: phân kỳ, ESS thấp, lấy mẫu chậm, lỗi logp = -inf

Phù hợp với ai

• Nhà nghiên cứu, nhà phân tích cần định lượng độ bất định (khoảng tin cậy HDI) chứ không chỉ ước lượng điểm
• Người làm việc với dữ liệu có cấu trúc nhóm (bệnh nhân theo bệnh viện, học sinh theo trường)
• Người làm thống kê sinh học, lâm sàng, tâm lý đo lường hoặc phân tích A/B test theo hướng Bayes
• Người đã dùng PyMC nhưng lúng túng khi đọc chỉ số chẩn đoán và so sánh mô hình

Ví dụ sử dụng

1. "Xây mô hình phân cấp cho thời gian hồi phục của bệnh nhân ở 20 bệnh viện" → sinh mã tham số hóa phi tâm và giải thích bảng az.summary
2. "Quá trình lấy mẫu báo 150 phân kỳ" → đề xuất tăng target_accept=0.95, tái tham số hóa phi tâm, siết chặt tiên nghiệm
3. "So sánh mô hình tuyến tính và mô hình có số hạng bậc hai" → khớp lại với log_likelihood=True, chạy az.compare(ic="loo") và kiểm tra độ tin cậy Pareto-k

Hãy đọc hướng dẫn trong tệp này và làm theo để giúp mình:
https://raw.githubusercontent.com/jaechang-hits/SciAgent-Skills/HEAD/skills/biostatistics/pymc-bayesian-modeling/SKILL.md

Mình muốn: (viết việc bạn cần ở đây)

Hãy cài skill mình tìm thấy trên Claude Skill Mart.
Copy thư mục skills/biostatistics/pymc-bayesian-modeling từ repo GitHub jaechang-hits/SciAgent-Skills vào ~/.claude/skills/pymc-bayesian-modeling/ của mình.
Sau khi cài xong, cho mình biết skill này làm được gì trong một câu.