cdt15/lingam

Python package for causal discovery based on LiNGAM.

解决的问题

LiNGAM 提供了一种估计结构方程模型或线性贝叶斯网络的方法。它特别解决了因果发现——确定变量之间的因果关系——的挑战，通过利用数据的非高斯性来识别因果方向。

工作原理

该库实现了多种算法（如 DirectLiNGAM、基于 ICA 的 LiNGAM 和 RESIT），通过分析数据来寻找变量的因果顺序。在假设数据为线性和非高斯的前提下，该工具能够以标准相关性方法无法做到的方式区分原因与结果。它可以生成因果顺序和表示影响网络的邻接矩阵。

适用人群

本工具专为从事结构方程建模、贝叶斯网络和因果推断的研究人员和数据科学家设计，尤其适用于处理连续型非高斯数据的场景。

主要亮点

  • 多样算法支持：包含 DirectLiNGAM、GroupDirectLiNGAM 和 RESIT 的实现。
  • 时间序列能力：支持通过 VAR-LiNGAM 和 VARMA-LiNGAM 进行时间序列的因果发现。
  • 复杂数据处理：提供处理纵向数据、多个数据集和混合数据类型的方法。
  • 鲁棒性：包含 ParceLiNGAM 和 RCD 等算法，可处理潜在混杂因素和未观测变量。

相关

  • 项目
    pgmpy/pgmpy

    一个用于因果和概率推理的 Python 库，基于图形模型，提供结构学习、参数估计和因果推断的工具。

  • 项目
    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.

  • 项目
    mckinsey/causalnex

    使用贝叶斯网络识别因果关系并估计干预影响的因果推理和「如果……会怎样」分析工具包。

  • 项目
    pymc-labs/CausalPy

    用于准实验设计中研究级因果推断的 Python 库，提供贝叶斯和 OLS 估计，并实现完整的不确定性量化。

  • 项目
    py-why/dowhy

    DoWhy 是一个用于端到端因果推断的 Python 库。它允许你定义因果图，自动识别因果效应，使用多种统计方法进行估计，并运行反证测试以检查稳健性。该库还支持用于根本原因分析、反事实和干预采样的图形因果模型。通过 `pip install dowhy` 安装，并遵循四步工作流程（模型 → 识别 → 估计 → 反证）即可使用。