cdt15/lingam

Python package for causal discovery based on LiNGAM.

解決的問題

LiNGAM 提供了一種估計結構方程模型或線性貝葉斯網路的方法。它特別解決了因果發現——確定變數之間的因果關係——的挑戰，透過利用資料的非高斯性來識別因果方向。

工作原理

該庫實作了多種演算法（如 DirectLiNGAM、基於 ICA 的 LiNGAM 和 RESIT），透過分析資料來尋找變數的因果順序。在假設資料為線性且非高斯的前提下，該工具能以標準相關性方法無法做到的方式區分原因與結果。它可以產生因果順序和表示影響網路的鄰接矩陣。

適用對象

本工具專為從事結構方程建模、貝葉斯網路和因果推論的研究人員與資料科學家設計，尤其適用於處理連續型非高斯資料的場景。

主要亮點

  • 多樣演算法支援：包含 DirectLiNGAM、GroupDirectLiNGAM 和 RESIT 的實作。
  • 時間序列能力：支援透過 VAR-LiNGAM 和 VARMA-LiNGAM 進行時間序列的因果發現。
  • 複雜資料處理：提供處理縱向資料、多個資料集和混合資料類型的方法。
  • 穩健性：包含 ParceLiNGAM 和 RCD 等演算法，可處理潛在混雜因素和未觀測變數。

相關

  • 專案
    pgmpy/pgmpy

    一個用於因果與機率推理的 Python 套件，基於圖形模型，提供結構學習、參數估計與因果推論的工具。

  • 專案
    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.

  • 專案
    mckinsey/causalnex

    使用貝葉斯網路識別因果關係並估計干預影響的因果推理與「如果……會怎樣」分析工具包。

  • 專案
    pymc-labs/CausalPy

    用於準實驗設計中研究級因果推論的 Python 庫，提供貝葉斯與 OLS 估計，並實現完整的不確定性量化。

  • 專案
    py-why/dowhy

    DoWhy 是一個用於端到端因果推斷的 Python 庫。它允許你定義因果圖，自動識別因果效果，使用多種統計方法進行估計，並運行反證測試以檢查穩健性。該庫還支援用於根本原因分析、反事實和干預採樣的圖形因果模型。透過 `pip install dowhy` 安裝，並遵循四步工作流程（模型 → 識別 → 估計 → 反證）即可使用。