DoubleML/doubleml-for-py

解决的问题

DoubleML 提供了双/去偏机器学习的框架，使研究人员能够在使用机器学习模型估计干扰函数时，降低通常出现的偏差，从而估计处理效应和结构参数。

工作原理

该库基于 scikit-learn 构建，实现了 Chernozhukov 等人（2018）提出的框架。它采用面向对象的方法，通过机器学习方法估计干扰函数，并计算 Neyman 正交得分函数以进行统计推断。支持多种模型类别，包括部分线性回归（PLR）、部分线性 IV 回归（PLIV）、交互回归（IRM）和交互 IV 回归（IIVM）。

适用人群

需要使用机器学习模型对结构参数进行严格统计推断的计量经济学家、数据科学家和研究人员。

主要亮点

• 灵活的模型定义：允许用户自定义用于干扰函数、重采样方案和双重机器学习算法的机器学习器。
• 全面的统计工具：内置模型拟合、自助法、置信区间计算和 p 值校正方法。
• 可扩展的架构：支持添加新的模型类别、通过可调用对象实现的替代得分函数以及替代重采样方案。
• 与 scikit-learn 集成：利用现有的 scikit-learn 生态系统作为机器学习组件。