Modelagem Bayesiana com PyMC

Versão e escopo

Visa PyMC 6.3.2, PyTensor 3.3.2 e ArviZ 1.3.0. Estas são APIs Python locais, sem endpoint de serviço, credenciais ou inferência remota necessária. Os testes nativos usam o sampler NUTS do PyMC em modelos sintéticos pequenos. Samplers opcionais nutpie/JAX, SMC e convergência em escala de produção não são validados por esses testes. Registre o ambiente completo resolvido, backend, sementes, pré-processamento e proveniência dos dados para uma execução científica.

A validação local no macOS usou PYTENSOR_FLAGS="cxx=" após a falha do linker C com library 'd64' not found; isso desabilita a compilação C do PyTensor para esse processo. Os fluxos de trabalho da biblioteca Python passaram sob essa configuração; isso não estabelece que o backend C funcione neste host.

ArviZ 1 se divide nos pacotes base/stats/plots, reexportados por import arviz as az. PyMC retorna um xarray DataTree apesar do nome de opção legado return_inferencedata. az.summary(..., round_to="none") retorna colunas numéricas; os formatos padrão para exibição. Use az.plot_ppc_dist, az.plot_dist e az.plot_trace_dist; salve seus PlotCollection retornados, não uma figura pyplot separada. az.hdi(..., prob=.95) usa prob, com limites ao longo de ci_bound.

Fluxo de trabalho

1. Defina o estimando e a unidade preditiva: outra medição, um novo paciente ou grupo, ou um bloco de tempo futuro. Preserve unidades, suposições de dados ausentes e agrupamento. Ajuste qualquer escalonamento apenas em dados de treinamento; rejeite colunas constantes.
2. Construa um modelo generativo com priors cientificamente calibrados e dimensões nomeadas. Verifique o suporte da verossimilhança, probabilidade logarítmica inicial finita, posto do design, confundimento e simetrias antes da amostragem.
3. Execute uma verificação preditiva a priori e inspecione resumos relevantes ao domínio antes de ajustar. Um prior amplo não é automaticamente não informativo ou plausível.
4. Ajuste várias cadeias independentes com sementes explícitas. Para seleção de backend reproduzível, use nuts_sampler="pymc"; a escolha automática pode preferir nutpie instalado. nuts={...} substitui o obsoleto nuts_sampler_kwargs.
5. Inspecione R-hat de posto, ESS de volume/cauda, MCSE específico do estimando, divergências, BFMI de energia e profundidade de árvore específica do sampler. Corrija a geometria e a inicialização antes de simplesmente aumentar as amostras. Uma tela limpa não prova a convergência.
6. Gere réplicas preditivas posteriores e inspecione a estrutura residual, caudas, zeros, efeitos de grupo e dependência temporal relevantes para a questão. O acordo dentro da amostra não é validação externa ou identificabilidade de parâmetros.
7. Compare a sensibilidade do prior e a recuperação de parâmetros em dados sintéticos. Escalas fracamente informadas, parâmetros correlacionados, dados logísticos separados ou troca de rótulo de mistura podem sobreviver a bons diagnósticos de MCMC. Um prior adequado pode tornar um posterior finito sem que a verossimilhança identifique seus parâmetros.
8. Preveja usando a transformação de treinamento correta e os níveis de incerteza. Mantenha predictions separado do posterior_predictive dentro da amostra. Restaure os dados do modelo antes de recalcular as verossimilhanças de treinamento.

Veja standard_workflow.md para um exemplo completo de teste de API limitada, workflows.md para valores ausentes, escalonamento, pontuação preditiva e serialização, e model_patterns.md para estruturas de modelo.

Modelos executáveis

Do diretório de habilidades, execute o modelo linear ou hierárquico sintético:

uv run --isolated --with "pymc==6.3.2" --with "arviz==1.3.0" --with "pytensor==3.3.2" --with matplotlib --with pandas --with h5netcdf --with h5py python assets/linear_regression_template.py --draws 80 --tune 80 --chains 2 --output-dir linear_smoke
uv run --isolated --with "pymc==6.3.2" --with "arviz==1.3.0" --with "pytensor==3.3.2" --with matplotlib --with pandas --with h5netcdf --with h5py python assets/hierarchical_model_template.py --draws 80 --tune 80 --chains 2 --output-dir hierarchical_smoke

Esses comandos curtos testam intencionalmente a execução e os artefatos; eles não são evidências adequadas de estimativas científicas convergidas. Para uma análise real, inspecione os priors antes de ajustar e orce cadeias/amostras em torno de diagnósticos e MCSE exigido. Os modelos padrão usam quatro cadeias e execuções mais longas, mas essas contagens não são critérios de aceitação por si só.

O modelo hierárquico prevê um grupo não visto desenhando efeitos de grupo de cada sorteio da hiperposterior, compartilhando cada efeito de grupo em todo o grupo do

…