CausalPy – 准实验设计的贝叶斯优先因果推断

功能概述 – CausalPy 是一个 Python 库，让分析师在无法进行真实随机实验时，能够估计因果效应。它实现了一系列经典的准实验方法（双重差分、合成控制、回归断点分析等），并以 基于 PyMC 的贝叶斯模型 运行（可选 OLS 回退）。输出包含完整的后验摘要、可信区间、基于 ROPE 的实务显著性检验以及可直接发表的图表。

为何选择它

具备不确定性感知：不仅提供单点估计，还能获得分布、HDI、尾部概率和 ROPE 分析。
可重现的工作流程：数据加载、模型设定、拟合与可视化皆封装在高阶类（RegressionDiscontinuity, SyntheticControl 等）中，产生单一 result 对象，并具备 plot() 和 summary() 方法。
基于 PyMC：利用现代概率编程（PyMC 6, PyTensor 3, ArviZ），同时支持通过 scikit‑learn 进行经典 OLS 以供快速检查。
顾问级支持：团队为高风险的提升测试或政策影响评估提供付费咨询服务。

核心功能（摘自 README）

功能	详细信息
方法	合成控制、地理提升、ANCOVA、双重差分 (Diff‑in‑Diff)、交错式双重差分、回归断点/转折分析、中断时间序列、工具变量、反倾向分数加权
贝叶斯优先	模型以 PyMC 编写；提供后验 HDI、尾部概率、ROPE。通过 scikit‑learn 提供 OLS 回退。
决策级输出	`effect_summary()` 返回表格与文字说明；`plot()` 提供出版级质量的图形。
安装	`pip install CausalPy` 或 `conda install -c conda‑forge causalpy`。支持 Python 3.12+。
执行注意事项	使用 numba (通过 PyTensor) – 首次采样会产生编译成本；可能发生原生崩溃；`nutpie` 可能会静默更改 NUTS 默认值。
AI 代理技能	用于 AI 编程助手的微型“技能”位于 `causalpy/skills/` 并发布至 Decision AI Hub。
文档与支持	Read‑the‑Docs 网站、GitHub Discussions 用于问答、Issues 用于报告错误，以及咨询用的 Calendly 链接。
授权	Apache 2.0。

典型用法（快速入门示例）

import causalpy as cp
import matplotlib.pyplot as plt

# 加载包内自带的示例数据集
df = (
    cp.load_data("drinking")
    .rename(columns={"agecell": "age"})
    .assign(treated=lambda d: d.age > 21)
)

# 使用贝叶斯线性回归拟合回归断点模型
result = cp.RegressionDiscontinuity(
    df,
    formula="all ~ 1 + age + treated",
    running_variable_name="age",
    model=cp.pymc_models.LinearRegression(),
    treatment_threshold=21,
)

# 可视化断点处的跳跃
fig, ax = result.plot()

# 打印包含后验区间的摘要
result.summary()

result 对象封装了拟合模型、诊断信息以及用于报告的辅助方法。

适用对象

产品/营销分析师：评估地理提升、政策变更或交错式推广效果。
社会科学家：需要严谨的双重差分或回归断点分析，并进行不确定性量化。
数据科学家：偏好贝叶斯方法，但仍希望保留快速 OLS 选项。

它不适用于：

从观测数据中进行纯粹的因果发现。
全自动化的“黑箱”因果答案。
大规模生产管线（无内置编排功能）。

入门与资源

安装：pip install CausalPy (或 conda)。需要 Python 3.12+, PyMC 6。
文档：https://causalpy.readthedocs.io – 包含每种方法的教学。
社区：GitHub Discussions 用于使用问题；Issues 用于错误报告。
视频演示：README 中的 YouTube 链接。

总结

CausalPy 是一个研究级、贝叶斯优先的 Python 工具箱，用于准实验因果推断。它将经典设计封装在 PyMC 驱动的工作流程中，提供具备不确定性感知的估计、诊断和易于分享的视觉化结果，同时对于熟悉 Python 数据科学堆栈的分析师来说，安装与使用都非常简单。

pymc-labs/CausalPy