pymc-labs/CausalPy

A Python package for causal inference in quasi-experimental settings

何を解決するか

CausalPy は、無作為化比較試験が不可能な準実験設計における因果効果の推定を可能にするフレームワークを提供します。単なる点推定にとどまらず、完全な不確実性の定量化を含む、研究レベルで再現可能な因果推論ワークフローの必要性に対応しています。

仕組み

このライブラリは、PyMC を用いたベイズ推定または scikit-learn を用いた従来の最小二乗法（OLS）を用いて、差分の差分（Difference-in-Differences）、合成コントロール、回帰不連続性など、さまざまな準実験的手法を実装しています。『診断最優先』アプローチに注力し、ベイズモデルの最高密度区間（HDI）や、効果が実質的に有意かどうかを判断するための実用的同等領域（ROPE）を計算するツールを提供しています。

対象ユーザー

政策変更、閾値ルール、段階的展開などの妥当な準実験設計を持つ研究者やデータサイエンティスト向けに設計されています。高リスク意思決定に必要な厳密で不確実性を意識した推定を必要とする方々に最適です。

特徴

  • 多様な手法パレット: 合成コントロール、地理的リフト、ANCOVA、差分の差分（段階的含む）、中断時系列、回帰不連続性/きん、インストルメンタル変数、逆傾向スコア重み付けをサポート。
  • ベイズ最優先アプローチ: PyMC を活用し、完全な不確実性の定量化と事後推定を実現。
  • 意思決定に即した出力: 信頼区間付きの効果要約と、出版用の高品質なプロットを生成。
  • 実用的有意性の検定: 効果が意味のある閾値を超えるかどうかを評価する ROPE 分析を内蔵。

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
    igerber/diff-diff

    政策やキャンペーンのリフトを測定するための、差分の差分因果推論用のPythonライブラリ。広範な経済推計推定量と診断ツールを提供。

  • 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。

  • プロジェクト
    uber/causalml

    個々のユーザーに対する介入の因果的影響を推定してターゲティングとパーソナライズを最適化するためのPythonパッケージ。

  • 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.