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.

解决的问题

EconML 提供工具,用于从观测数据中估计异质性处理效应。它解决了确定干预(处理)对结果的因果效应的挑战,特别是该效应如何根据个体或群体的特征(异质性)而变化。

工作原理

该包结合了机器学习技术和计量经济学,自动化复杂的因果推断。它允许用户使用灵活的机器学习模型(如随机森林、提升、套索和神经网络)来建模效应异质性,同时保持因果解释性并提供置信区间。支持多种估计方法,包括:

  • 双重机器学习(DML): 使用机器学习控制混杂因素并分离处理效应。
  • 因果森林和正交随机森林: 用于估计效应的专用森林方法。
  • 元学习器: X-Learner、S-Learner 和 T-Learner 的实现。
  • 双重稳健学习器: 结合倾向得分模型和回归模型以提高估计精度。
  • 工具变量(IV): 用于处理存在工具变量以解决未观测混杂因素的情况。

适用人群

专为需要在观测数据集上进行因果推断以实现个性化决策自动化的数据科学家和经济学家设计。

主要亮点

  • 统一 API: 为各种因果机器学习方法提供一致的接口。
  • 灵活建模: 支持与标准 Python 机器学习包集成,用于建模效应异质性。
  • 因果解释性: 保持结果的因果意义,并通常提供有效的置信区间。
  • 可解释性工具: 包含基于树的解释器和 SHAP 值支持,用于解释 CATE(条件平均处理效应)模型的行为。

相关

  • 项目
  • 项目
  • 项目
  • 项目
  • 项目