cdt15/lingam

Python package for causal discovery based on LiNGAM.

해결하는 문제

LiNGAM은 구조 방정식 모델 또는 선형 베이지안 네트워크를 추정하는 방법을 제공합니다. 특히 데이터의 비정규성(Non-Gaussianity)을 활용하여 인과 관계의 방향성을 식별함으로써, 변수 간의 인과 관계를 결정하는 인과 발견 문제에 대응합니다.

작동 방식

이 라이브러리는 DirectLiNGAM, ICA 기반 LiNGAM, RESIT 등의 다양한 알고리즘을 구현하여 데이터를 분석하고 변수들의 인과적 순서를 찾습니다. 데이터가 선형적이고 비정규적이라는 가정 하에, 기존의 상관관계 기반 방법으로는 불가능한 인과와 결과의 구분이 가능합니다. 인과적 순서와 영향 네트워크를 나타내는 인접 행렬을 생성할 수 있습니다.

대상 사용자

구조 방정식 모델링, 베이지안 네트워크, 인과 추론에 종사하는 연구자 및 데이터 과학자에게 적합합니다. 특히 연속적이고 비정규적인 데이터를 다루는 경우에 유용합니다.

주요 특징

  • 다양한 알고리즘 지원: DirectLiNGAM, GroupDirectLiNGAM, RESIT 등의 구현 포함.
  • 시계열 데이터 지원: VAR-LiNGAM 및 VARMA-LiNGAM을 통해 시계열 데이터의 인과 발견을 지원합니다.
  • 복잡한 데이터 처리: 종단적 데이터, 다수의 데이터셋, 혼합 데이터 유형 처리를 위한 방법 제공.
  • 강건성: 잠재적 교란 요인과 관측되지 않은 변수를 다룰 수 있는 ParceLiNGAM 및 RCD 등의 알고리즘 포함.

관련

  • 프로젝트
    pgmpy/pgmpy

    그래픽 모델을 사용한 인과적 및 확률적 추론을 위한 파이썬 라이브러리로, 구조 학습, 파라미터 추정, 인과 추론을 위한 도구를 제공합니다.

  • 프로젝트
    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.

  • 프로젝트
    mckinsey/causalnex

    베이지안 네트워크를 사용하여 인과 관계를 식별하고 개입의 영향을 추정하는 인과 추론 및 "만약~라면" 분석을 위한 툴킷입니다.

  • 프로젝트
    pymc-labs/CausalPy

    준실험 설계에서 연구 수준의 인과 추론을 위한 Python 라이브러리로, 베이지안 및 OLS 추정을 제공하며 완전한 불확실성 정량화를 구현합니다.

  • 프로젝트
    py-why/dowhy

    DoWhy는 엔드투엔드 인과 추론을 위한 Python 라이브러리입니다. 인과 그래프를 정의하고, 자동으로 인과 효과를 식별하며, 다양한 통계적 방법으로 추정하고, 반증 테스트를 통해 강건성을 확인할 수 있습니다. 이 라이브러리는 근본 원인 분석, 반사적 분석, 개입 샘플링을 위한 그래픽 인과 모델도 지원합니다. `pip install dowhy`로 설치하고, 4단계 워크플로우(모델 → 식별 → 추정 → 반증)를 따르세요.