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.

解決的問題

EconML 提供工具,用於從觀測資料中估計異質性處理效果。它解決了確定干預(處理)對結果的因果效果的挑戰,特別是該效果如何根據個人或群體的特徵(異質性)而變化。

工作原理

該套件結合機器學習技術與計量經濟學,自動化複雜的因果推論。它允許使用者使用靈活的機器學習模型(如隨機森林、提升、套索和神經網路)來建模效果異質性,同時保持因果解釋性並提供信賴區間。支援多種估計方法,包括:

  • 雙重機器學習(DML): 使用機器學習控制混雜因素並分離處理效果。
  • 因果森林與正交隨機森林: 用於估計效果的專用森林方法。
  • 元學習器: X-Learner、S-Learner 和 T-Learner 的實作。
  • 雙重穩健學習器: 結合傾向得分模型與迴歸模型以提高估計精確度。
  • 工具變數(IV): 用於處理存在工具變數以解決未觀測混雜因素的情況。

適用對象

專為需要在觀測資料集上進行因果推論,以實現個人化決策自動化的資料科學家與經濟學家設計。

主要亮點

  • 統一 API: 為各種因果機器學習方法提供一致的介面。
  • 靈活建模: 支援與標準 Python 機器學習套件整合,用於建模效果異質性。
  • 因果解釋性: 保持結果的因果意義,並通常提供有效的信賴區間。
  • 可解釋性工具: 包含基於樹的解釋器與 SHAP 值支援,用於解釋 CATE(條件平均處理效果)模型的行為。

相關

  • 專案
  • 專案
  • 專案
  • 專案
  • 專案