py-why/EconML
ALICE (Automated Learning and Intelligence for Causation and Economics) is a Microsoft Research project aimed at applying Artificial Intelligence concepts to economic decision making. One of its goals is to build a toolkit that combines state-of-the-art machine learning techniques with econometrics in order to bring automation to complex causal inference problems. To date, the ALICE Python SDK (econml) implements orthogonal machine learning algorithms such as the double machine learning work of Chernozhukov et al. This toolkit is designed to measure the causal effect of some treatment variable(s) t on an outcome variable y, controlling for a set of features x.
해결하는 문제
EconML은 관측 데이터에서 이질적 치료 효과를 추정하기 위한 도구를 제공합니다. 개입(치료)이 결과에 미치는 인과 효과를 결정하는 도전 과제를 해결하며, 특히 개인이나 그룹의 특성(이질성)에 따라 그 효과가 어떻게 달라지는지를 파악합니다.
작동 방식
이 패키지는 기계학습 기술과 계량경제학을 결합하여 복잡한 인과 추론을 자동화합니다. 사용자는 랜덤 포레스트, 부스팅, 라쏘, 신경망과 같은 유연한 ML 모델을 사용하여 효과의 이질성을 모델링하면서도 인과적 해석을 유지하고 신뢰구간을 제공합니다. 다양한 추정 방법을 지원합니다:
- 이중 기계학습(DML): ML을 사용하여 교란 변수를 통제하고 치료 효과를 분리합니다.
- 인과 포레스트 및 직교 랜덤 포레스트: 효과를 추정하기 위한 특화된 포레스트 기반 방법.
- 메타 러너: X-Learner, S-Learner, T-Learner의 구현.
- 이중로버스트 러너: 경향 점수 모델과 회귀 모델을 결합하여 추정 정확도를 향상시킵니다.
- 설명 변수(IV): 관측되지 않은 교란 변수를 다루기 위해 설명 변수를 사용하는 방법.
대상 사용자
관측 데이터셋에서 인과 추론을 수행하여 개인 맞춤형 의사결정을 자동화하고자 하는 데이터 과학자와 경제학자에게 적합합니다.
주요 특징
- 통합 API: 다양한 인과 ML 방법에 대해 일관된 인터페이스 제공.
- 유연한 모델링: 표준 Python ML 패키지와 통합하여 효과의 이질성을 모델링할 수 있습니다.
- 인과적 해석: 결과의 인과적 의미를 유지하며 일반적으로 유효한 신뢰구간을 제공합니다.
- 해석 가능성 도구: 트리 기반 해석기와 SHAP 값 지원을 통해 CATE(조건부 평균 치료 효과) 모델의 동작을 설명할 수 있습니다.
관련
- 프로젝트
- 프로젝트
- 프로젝트
- 프로젝트
- 프로젝트