pymc-labs/CausalPy

해결하는 문제

CausalPy는 무작위 대조 실험(RCT)이 불가능한 준실험 설계에서 인과 효과를 추정하기 위한 프레임워크를 제공합니다. 단순한 점 추정을 넘어서 완전한 불확실성 정량화를 포함하는 연구 수준의 재현 가능한 인과 추론 워크플로우의 필요성을 해결합니다.

작동 방식

이 라이브러리는 PyMC를 통한 베이지안 추정 또는 scikit-learn을 통한 전통적인 최소제곱법(OLS)을 사용하여, 차이의 차이(Difference-in-Differences), 합성 제어, 회귀 불연속성 등 다양한 준실험 방법을 구현합니다. '진단 우선' 접근 방식에 중점을 두며, 베이지안 모델의 최고 밀도 구간(HDI)과 효과가 실질적으로 유의한지 판단하기 위한 실질적 동등 영역(ROPE)을 계산하는 도구를 제공합니다.

대상 사용자

정책 변화, 임계값 규칙, 단계적 도입 등 타당한 준실험 설계를 가진 연구자 및 데이터 과학자에게 설계되었습니다. 고위험 의사결정에 필요한 엄격하고 불확실성 인식된 추정이 필요한 분들에게 적합합니다.

주요 특징

• 다양한 방법 팔레트: 합성 제어, 지리적 리프트, ANCOVA, 차이의 차이(단계적 포함), 중단 시계열, 회귀 불연속성/굽힘, 공구 변수, 역 경향 점수 가중치를 지원합니다.
• 베이지안 우선 접근: PyMC를 활용해 완전한 불확실성 정량화와 사후 추정을 제공합니다.
• 의사결정용 출력: 신뢰 구간이 포함된 효과 요약과 출판 수준의 시각화 그래프를 생성합니다.
• 실질적 유의성 검정: 효과가 의미 있는 임계값을 초과하는지 평가하는 ROPE 분석을 포함합니다.