cdt15/lingam

Python package for causal discovery based on LiNGAM.

何を解決するか

LiNGAMは構造方程式モデルや線形ベイズネットワークを推定する方法を提供します。特に、データの非ガウス性を活用して因果関係の方向性を特定することで、変数間の因果関係を特定するという課題に取り組んでいます。

動作方法

このライブラリは、DirectLiNGAM、ICAベースのLiNGAM、RESITなどのさまざまなアルゴリズムを実装しており、データを分析して変数の因果順序を特定します。データが線形かつ非ガウス的であるという仮定のもと、従来の相関に基づく手法では不可能な因果と効果の区別が可能になります。因果順序と影響ネットワークを表す隣接行列を生成できます。

対象ユーザー

構造方程式モデリング、ベイズネットワーク、因果推論に取り組む研究者やデータサイエンティスト向けです。特に連続的で非ガウス的なデータを扱う方々に適しています。

特徴

  • 多様なアルゴリズム対応: DirectLiNGAM、GroupDirectLiNGAM、RESIT の実装を含みます。
  • 時系列対応: VAR-LiNGAM および VARMA-LiNGAM を用いて時系列データの因果発見をサポートします。
  • 複雑なデータ処理: 縦断データ、複数のデータセット、混合データタイプに対応する手法を提供します。
  • ロバスト性: 潜在的交絡因子や観測されない変数に対処できる ParceLiNGAM や RCD などのアルゴリズムを含みます。

関連

  • プロジェクト
    pgmpy/pgmpy

    グラフィカルモデルを用いた因果的および確率的推論のためのPythonライブラリ。構造学習、パラメータ推定、因果推論のツールを提供します。

  • プロジェクト
    erdogant/bnlearn

    bnlearn is a Python library for learning, parameterising, and querying Bayesian networks. It supports structure discovery (various scores and search methods), CPT estimation, causal inference (do‑calculus), synthetic data generation, and visualisation, all wrapped in a simple API.

  • プロジェクト
    mckinsey/causalnex

    ベイジアンネットワークを用いて因果関係を特定し、介入の影響を推定する因果推論と「もし～なら」分析のためのツールキット。

  • プロジェクト
    pymc-labs/CausalPy

    準実験設計における研究レベルの因果推論用 Python ライブラリ。ベイズ推定と OLS 推定を提供し、完全な不確実性の定量化を実現。

  • プロジェクト
    py-why/dowhy

    DoWhyはエンドツーエンド因果推論のためのPythonライブラリです。因果グラフを定義し、自動的に因果効果を特定し、さまざまな統計手法で推定し、反証テストで堅牢性を検証できます。このライブラリは根本原因分析、反事実、介入サンプリングのためのグラフィカル因果モデルもサポートしています。`pip install dowhy`でインストールし、4ステップワークフロー（モデル → 識別 → 推定 → 反証）に従ってください。