PyMCを使用してベイズモデルを構築、適合、検証します。階層モデルを作成し、MCMCサンプリングを実行し、LOOおよびWAIC指標でモデルを比較します。
スキルZIPをダウンロード
Claudeでアップロード
設定 → 機能 → スキル → スキルをアップロードへ移動
オンにして利用開始
テストする
「pymc-bayesian-modeling」を使用しています。 Build a Bayesian linear regression with predictors X1, X2 and outcome y
期待される結果:
- Model: alpha ~ Normal(0,1), beta ~ Normal(0,1), sigma ~ HalfNormal(1)
- 95%信頼区間付きの事後平均
- 収束を示すR-hat値がすべて1.01未満
- モデルの適合を示す事後予測チェック
「pymc-bayesian-modeling」を使用しています。 Create a hierarchical model with 10 groups and 50 observations each
期待される結果:
- 母集団レベルのハイパーパラメータ: mu_alpha, sigma_alpha, mu_beta, sigma_beta
- 母集団平均への収縮を示すグループレベルパラメータ
- 良好な混合を確認するトレースプロット
- フォレストプロットによるグループ切片の比較
「pymc-bayesian-modeling」を使用しています。 Compare three model specifications using LOO
期待される結果:
- 順位、elpd_loo、重み付きLOO比較テーブル
- 各モデルのパレートk診断
- 解釈を伴う最良モデルの推奨
- モデルが類似している場合、モデル平均予測
セキュリティ監査
安全All 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.
リスク要因
品質スコア
作れるもの
不確実性定量化
完全な事後分布を使用して回帰係数と予測の不確実性を定量化します。
階層的データ分析
グループ間の部分的なプーリングを備えた、グループ化またはネストされたデータ構造を分析します。
モデル比較
LOO交差検証とモデル重みを使用して、競合する統計モデルを比較します。
これらのプロンプトを試す
以下の予測変数と結果変数を使用してPyMCでベイズ線形回帰モデルを構築します。事前予測チェックを含め、NUTSを使用して事後分布をサンプリングし、収束診断を確認します。
グループ構造を持つデータの階層的ベイズモデルを作成します。サンプリングの問題を避けるために非中心パラメータ化を使用します。集団平均への収縮を示すグループレベルの推定値を表示します。
同じデータに2つ以上のベイズモデルを適合させ、LOOを使用して比較します。モデル重みを報告し、比較結果の解釈ガイドラインを提供します。
データの準備、モデルの構築、事前予測チェック、4チェーンでのMCMCサンプリング、収束診断、事後予測チェック、新しいデータに対する予測を含む完全なベイズ分析ワークフローを実行します。
ベストプラクティス
- サンプリング効率を向上させるために、予測変数を標準化する
- より優れた推論を得るために、平坦な事前分布ではなく弱情報事前分布を使用する
- 適合前に事前予測チェックを実行して事前分布を検証する
- 結果を解釈する前に収束診断を確認する（R-hat < 1.01、ESS > 400、発散なし）
回避
- 情報的事前分布ではなく平坦な事前分布（Uniform(0, 1e10)）を使用する
- 収束診断を確認せずに結果を解釈する
- 階層モデルに中心パラメータ化を使用する（発散を引き起こす）
- 事前予測チェックせずに複雑なモデルを適合させる