pymc-labs/CausalPy

A Python package for causal inference in quasi-experimental settings

解决的问题

CausalPy 为在无法进行随机对照试验的准实验设计中估计因果效应提供了一个框架。它解决了对研究级、可复现的因果推断工作流的需求，超越了简单的点估计，包含完整的不确定性量化。

工作原理

该库使用 PyMC 进行贝叶斯估计或使用 scikit-learn 进行传统的普通最小二乘法（OLS），实现了多种准实验方法（如双重差分、合成控制、回归不连续性等）。它采用“诊断优先”方法，提供工具以计算贝叶斯模型的最高密度区间（HDI）和实用等价区域（ROPE），以判断效应是否具有实际意义。

适用人群

专为拥有合理准实验设计（如政策变化、阈值规则或分阶段实施）的研究人员和数据科学家设计，适用于需要严格、具备不确定性意识的估计结果以支持高风险决策的场景。

主要亮点

  • 多样化的分析方法：支持合成控制、地理提升、ANCOVA、双重差分（含分阶段）、中断时间序列、回归不连续性/拐点、工具变量、逆倾向得分加权等方法。
  • 贝叶斯优先方法：利用 PyMC 实现完整的不确定性量化和后验估计。
  • 决策就绪的输出：生成带有可信区间的效果摘要和出版级图表。
  • 实际显著性检验：内置 ROPE 分析，用于评估效应是否超过有意义的阈值。

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
    igerber/diff-diff

    用于差分的差分因果推断的 Python 库，提供广泛的经济计量估计量和诊断工具，用于衡量政策和活动提升。

  • 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。

  • 项目
    uber/causalml

    一个用于 uplift 模型和因果推断的 Python 包，可估计干预对个体用户的因果影响，以优化定位和个性化。

  • 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.