Stan攻略：和PyMC怎么选
Stan攻略最常被问的不是语法，而是它和PyMC、NumPyro、brms到底选谁。我的建议是按项目阶段来比：先看模型类型，再看团队语言栈，最后看采样速度和可维护性，别被单一跑分带偏。
第1步：先把你的模型类型写下来
做Stan攻略，第一步不是下载软件，而是写清楚模型长什么样。连续参数、层级结构、复杂先验、需要严肃诊断，Stan很强；大量离散潜变量、深度学习网络混合概率模型，PyMC或NumPyro可能更灵活。
Stan用NUTS采样连续参数很稳，但它不直接采样离散参数，通常要边缘化。这个设计让采样更可靠，也让新手觉得“不够自由”。如果你的模型里有很多隐含类别变量，先确认能不能改写。
第2步：和PyMC比易用性
PyMC的优势是Python生态舒服，模型写法接近Python对象，配合ArviZ画图和诊断很顺。缺点是底层图计算和版本变化，有时会让环境管理变复杂。
Stan的写法更像独立建模语言，刚开始有门槛，但好处是模型文件干净、跨R和Python复用。团队里有人用R、有人用Python时，一个.stan文件能减少很多沟通成本。
第3步：和NumPyro比速度与硬件
NumPyro基于JAX，能吃GPU/TPU，在某些大规模模型上速度很漂亮。问题是你要接受JAX生态、函数式写法和更高的调试门槛。研究原型阶段，NumPyro很香；生产分析报告，团队未必都接得住。
Stan主要靠C++编译后的高效CPU采样。它不一定在所有场景最快，但稳定、诊断成熟、文档厚。我的经验是，中小规模层级模型，Stan的可解释成本往往低于追求极限速度的框架。
第4步：和brms/rstanarm比上手成本
如果你是R用户，只想用公式写贝叶斯回归，brms非常值得先用。它底层调用Stan，却不要求你马上写Stan代码。rstanarm更适合标准回归模型，定制性比brms弱一些。
但brms不是万能替代。模型一旦出现自定义似然、特殊约束、手写生成量，直接写Stan更清楚。我的Stan攻略是：能用brms验证想法就先用，确认模型有价值后再手写Stan优化。
第5步：按团队维护成本拍板
最后别只问“哪个工具更先进”，要问“半年后谁能改”。Stan模型像一份明确的统计合同，数据块、参数块、模型块分得清楚；PyMC和NumPyro更贴近编程环境，工程整合更方便。
如果你的项目是学术论文、政策评估、医疗或A/B实验后的严肃不确定性分析，我会优先选Stan。如果项目已经全在Python机器学习流水线里，而且团队熟JAX或PyMC，那就别为了Stan硬迁移。
常见问题
Stan和PyMC哪个更适合新手？
Python背景强的人会觉得PyMC亲切；统计建模目标明确的人学Stan更扎实。新手如果只会一点Python，建议先用PyMC理解贝叶斯流程，再学Stan语言。
Stan采样一定比PyMC快吗？
不一定。速度取决于模型、参数化、数据量和后端。Stan的优势是编译后稳定、诊断成熟，不是每个任务都绝对最快。
brms算不算Stan？
brms不是Stan语言本身，但它会生成并调用Stan代码。你可以把它理解成R里的高级公式接口，适合快速建模和报告分析。