DoubleML/doubleml-for-py

解決的問題

DoubleML 提供雙/去偏機器學習的框架，使研究人員能在使用機器學習模型估計干擾函數時，降低通常出現的偏差，從而估計處理效果與結構參數。

工作原理

該庫基於 scikit-learn 建構，實作了 Chernozhukov 等人（2018）提出的框架。它採用物件導向的方法，透過機器學習方法估計干擾函數，並計算 Neyman 正交得分函數以進行統計推論。支援多種模型類別，包括部分線性回歸（PLR）、部分線性 IV 回歸（PLIV）、互動回歸（IRM）和互動 IV 回歸（IIVM）。

適用對象

需要使用機器學習模型對結構參數進行嚴謹統計推論的計量經濟學家、資料科學家與研究人員。

主要亮點

• 靈活的模型定義：允許使用者自訂用於干擾函數、重採樣方案與雙重機器學習演算法的機器學習器。
• 全面的統計工具：內建模型擬合、自助法、信賴區間計算與 p 值校正方法。
• 可擴充的架構：支援新增模型類別、透過可呼叫物件實作的替代得分函數以及替代重採樣方案。
• 與 scikit-learn 集成：利用現有的 scikit-learn 生態系統作為機器學習元件。