PyMC

它会给你什么

• 一批后验样本，附采样过程统计。
• 旧式的多链采样轨迹对象，功能较少。
• 收敛诊断警告，提示采样有没有出问题。

你需要准备

• 你已经写好的概率模型。
• 采样设置：每条链抽多少样本、预热多少条、跑几条链、用几个核心。
• 采样方法，不指定时由工具按变量类型自动选。

由你把关

• 采样有没有收敛（R-hat 接近 1、有效样本量够大、几乎没有发散），由你核对。
• 采样参数和变量写法是否针对后验形态调优过，由你判断。
• 离散和连续变量混合时的采样步骤安排是否合理，由你检查。

它会给你什么

• 先验预测和后验预测的模拟样本。
• 并入原来结果文件的预测样本。
• 快速抽样得到的数值数组。

你需要准备

• 你已经写好的概率模型。
• 拟合得到的后验样本，供预测时使用。
• 你想重新生成哪些变量的取值。

由你把关

• 先验预测出的数据范围是否合理、不过宽不过窄，由你核对。
• 后验预测能否重现观测数据的关键统计特征，比如均值、方差和尾部，由你核对。
• 换新数据做预测时，数据形状和坐标是否对得上，由你检查。

它会给你什么

• 一个近似后验对象，可以从里面继续抽样本。
• 抽出来的样本，格式和正式采样的结果兼容，下游分析可以直接复用。
• 损失值的变化记录，用来判断优化有没有收敛。

你需要准备

• 你已经写好的概率模型。
• 迭代次数和近似方法的选择。
• 起点设置、随机种子和加速后端。

由你把关

• 选的近似方法是否匹配参数之间的相关结构，由你判断。
• 损失是否收敛、重要结论是否再用正式采样交叉验证，由你核对。
• 小批量训练的批次大小是否够估计梯度，由你检查。

它会给你什么

• 参数摘要表，包括均值、标准差、可信区间和收敛指标。
• 收敛诊断结果，标出有问题的采样。
• 模型比较的分数及其误差估计。

你需要准备

• 采样得到的后验样本文件。
• 你要分析哪些变量、可信区间取多宽。
• 比较模型时：各候选模型的对数似然和样本文件。

由你把关

• 收敛诊断是否全部通过，由你核对。
• 报告时是否把均值、可信区间和收敛指标一起给出，而不是只报均值，由你把关。
• 模型比较的差异是否显著、是否报告了误差范围，由你判断。

它会给你什么

• 一个完整的模型对象，供后续采样、近似和预测调用。
• 模型里所有变量的清单，供计算和报告引用。
• 施加干预或条件后得到的新模型，用于反事实推演。

你需要准备

• 你写的模型定义代码块。
• 各个随机变量的声明，比如服从什么分布、参数是什么。
• 观测数据，以及需要中途替换的数据容器。

由你把关

• 先验选择是否合理，太强或完全无信息的先验都可能让采样困难，由你判断。
• 变量的维度命名是否和后续报告的规范一致，由你核对。
• 观测数据的清洗是否到位、缺失值自动插补的机制你是否知情，由你确认。