贝叶斯方法论通过将模型参数视为分布而非固定常数，为复杂数据结构提供了更直观的解读。在 Lattice 中，我们采用标准化的三段式流程：首先由 LLM 根据你的任务意图自动选择最匹配的工具，例如针对两组比较调用 Kruschke 提出的 BEST 模型，或针对层次数据调用层次贝叶斯回归；随后，确定性引擎运行 PyMC 或 scipy 等后端代码，确保在同一配置下结果具备字节级的复现能力；最后，LLM 直接提取后验分布的关键指标，如 HDI 置信区间、ROPE 等价性占比或决策理论损益，并将这些复杂的统计输出直接转化为可直接指导业务行动的平实语言，确保分析结论清晰可溯。
何时选择这一家族
- 你希望得到“参数落在某个区间内”的直接概率，而非仅依赖拒绝零假设的逻辑。
- 你在进行 A/B 测试时，需要明确“胜出概率”以及若决策错误可能产生的损失量化。
- 你的数据具有层级结构（如多门店、多批次），需要对个体差异进行建模同时保留全局趋势。
- 样本量较小或分布存在长尾，需要对异常值更具弹性的估计方法。
贝叶斯推断的核心职能
该系列方法的核心是通过后验分布揭示数据规律。通过使用如 BEST（贝叶斯估计优于 t 检验）方法，我们放弃了传统的临界值思维，转而计算参数的最高密度区间 (HDI)，这不仅提供了估计值的范围，还明确了区间内的密度分布情况。
在处理复杂模型时，我们通过 ROPE（实际等价区域）决策三态，将统计结果直接转化为业务结论：即结论是“实际上等价”、“确实存在差异”还是“证据不足”，从而避免了在显著性差异边缘徘徊的模糊决策。
与其他统计方法的区别
与频率学派方法相比，这套工具集的最大区别在于对“不确定性”的建模方式。我们不仅提供点估计，还通过 MCMC 采样技术还原参数分布。例如在回归分析中，Bayes R² 提供的是条件 R²，它将随机效应纳入考量，这使得模型对层级数据的解释力更符合实际观测场景。
对于不需要复杂 MCMC 模拟的任务（如 Beta-Bernoulli AB 测试），我们优先采用数学共轭闭式计算，这在保证精度的同时，比传统迭代算法快几个数量级，且完全避免了随机数种子带来的不稳定性。
避开分析中的常见误区
一个常见的误区是将贝叶斯回归的条件 R² 与常规 OLS 的 R² 直接对标。由于两者对随机效应的处理方式不同，直接比较会产生偏差，应始终关注后验区间的宽度而非单个点指标。
此外，过度依赖变分推断 (VB) 是另一个风险点。虽然 `bayesian_glmm` 使用 VB 以实现秒级响应，但它本质是对后验分布的高斯近似，在极端先验下可能会低估标准差。若发现模型收敛异常，应切换至具备严格诊断（r_hat 和 ESS）的 MCMC 工具进行复核。
常见问题
- 为什么我的贝叶斯分析会返回“证据不足”的建议？
- 当计算结果落入“不确定区间”时，Lattice 会将其归为 `inconclusive`。这通常意味着 ROPE 占比既不满足显著差异的阈值，也不满足实际等价的阈值。此时，系统会建议增加样本量或进一步收窄 ROPE 范围，以获取更明确的后验分布。
- r_hat 和 ESS 是什么，为什么一定要看这两个指标？
- 它们是判断 MCMC 算法是否“跑稳”的收敛诊断指标。r_hat 检查多条采样链是否达成共识，ESS（有效样本数）衡量后验分布的采样质量。若指标不达标，说明模型尚未探索出完整的后验空间，基于此生成的结论可能不可靠，此时系统会提示你增加迭代步数。