pymc-bayesian-modeling
Construir Modelos Bayesianos con PyMC
También disponible en: davila7
Construir, ajustar y validar modelos bayesianos usando PyMC. Crear modelos jerárquicos, ejecutar muestreo MCMC y comparar modelos con métricas LOO y WAIC.
Descargar el ZIP de la skill
Subir en Claude
Ve a Configuración → Capacidades → Skills → Subir skill
Activa y empieza a usar
Pruébalo
Usando "pymc-bayesian-modeling". Build a Bayesian linear regression with predictors X1, X2 and outcome y
Resultado esperado:
- Model: alpha ~ Normal(0,1), beta ~ Normal(0,1), sigma ~ HalfNormal(1)
- Posterior means with 95% credible intervals
- R-hat values all below 1.01 indicating convergence
- Posterior predictive checks showing model fit
Usando "pymc-bayesian-modeling". Create a hierarchical model with 10 groups and 50 observations each
Resultado esperado:
- Population-level hyperparameters: mu_alpha, sigma_alpha, mu_beta, sigma_beta
- Group-level parameters showing shrinkage toward population mean
- Trace plots confirming good mixing
- Comparison of group intercepts with forest plot
Usando "pymc-bayesian-modeling". Compare three model specifications using LOO
Resultado esperado:
- LOO comparison table with rank, elpd_loo, and weights
- Pareto-k diagnostics for each model
- Recommendation for best model with interpretation
- Model-averaged predictions if models are similar
Auditoría de seguridad
SeguroAll 383 static findings are false positives. The 'weak cryptographic algorithm' detections flag legitimate PyMC probability distributions. The 'external_commands' findings flag markdown backtick syntax. This is a legitimate scientific computing skill for Bayesian statistical modeling.
Factores de riesgo
⚙️ Comandos externos (4)
📁 Acceso al sistema de archivos (2)
Puntuación de calidad
Lo que puedes crear
Cuantificación de Incertidumbre
Cuantificar la incertidumbre en coeficientes de regresión y predicciones usando distribuciones posteriores completas.
Análisis de Datos Jerárquicos
Analizar estructuras de datos agrupados o anidados con agrupamiento parcial entre grupos.
Comparación de Modelos
Comparar modelos estadísticos competidores usando validación cruzada LOO y ponderaciones de modelos.
Prueba estos prompts
Construir un modelo de regresión lineal bayesiano usando PyMC con las siguientes variables predictoras y variable de resultado. Incluir comprobaciones predictivas previas, muestrear el posterior usando NUTS, y verificar diagnósticos de convergencia.
Crear un modelo bayesiano jerárquico para datos con estructura de grupo. Usar parametrización no centrada para evitar problemas de muestreo. Mostrar estimaciones a nivel de grupo y contracción hacia la media poblacional.
Ajustar dos o más modelos bayesianos a los mismos datos y compararlos usando LOO. Reportar las ponderaciones de los modelos y proporcionar pautas de interpretación para los resultados de la comparación.
Ejecutar un flujo de trabajo completo de análisis bayesiano incluyendo preparación de datos, construcción del modelo, comprobaciones predictivas previas, muestreo MCMC con 4 cadenas, diagnósticos de convergencia, comprobaciones predictivas posteriores, y predicciones para datos nuevos.
Mejores prácticas
- Estandarizar predictores antes del modelado para mejorar la eficiencia del muestreo
- Usar previas débilmente informativas en lugar de previas planas para mejor inferencia
- Siempre ejecutar comprobaciones predictivas previas antes de ajustar para validar las previas
- Verificar diagnósticos de convergencia (R-hat < 1.01, ESS > 400, sin divergencias) antes de interpretar resultados
Evitar
- Usar previas planas (Uniform(0, 1e10)) en lugar de previas informativas
- Interpretar resultados sin verificar diagnósticos de convergencia
- Usar parametrización centrada para modelos jerárquicos (causa divergencias)
- Ajustar modelos complejos sin comprobaciones predictivas previas
Preguntas frecuentes
¿Qué es PyMC?
¿Qué es el muestreo MCMC?
¿Qué es el algoritmo NUTS?
¿Qué son las previas en análisis bayesiano?
¿Qué es R-hat?
¿Cuándo debo usar modelos jerárquicos?
Detalles del desarrollador
Estructura de archivos