pymc-labs/CausalPy

A Python package for causal inference in quasi-experimental settings

解決的問題

CausalPy 提供一個框架，用於在無法進行隨機對照試驗的準實驗設計中估計因果效應。它解決了對研究級、可重現的因果推論工作流程的需求，超越單純的點估計，包含完整的不確定性量化。

工作原理

該庫使用 PyMC 進行貝葉斯估計或使用 scikit-learn 進行傳統的普通最小平方法（OLS），實現多種準實驗方法（如差分的差分、合成控制、回歸不連續性等）。它採用「診斷優先」方法，提供工具以計算貝葉斯模型的最高密度區間（HDI）和實用等價區域（ROPE），以判斷效應是否具有實際意義。

適用對象

專為擁有合理準實驗設計（如政策變更、閾值規則或分階段實施）的研究人員和資料科學家設計，適用於需要嚴謹、具備不確定性意識的估計結果以支援高風險決策的場景。

主要亮點

  • 多樣化的分析方法：支援合成控制、地理提升、ANCOVA、差分的差分（含分階段）、中斷時間序列、回歸不連續性/拐點、工具變數、逆傾向得分加權等方法。
  • 貝葉斯優先方法：利用 PyMC 實現完整的不確定性量化和後驗估計。
  • 決策就緒的輸出：生成帶有可信區間的效果摘要和出版級圖表。
  • 實際顯著性檢驗：內建 ROPE 分析，用於評估效應是否超過有意義的閾值。

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
    igerber/diff-diff

    用於差分的差分因果推論的 Python 套件，提供廣泛的經濟計量估計量與診斷工具，用於衡量政策與活動提升。

  • 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。

  • 專案
    uber/causalml

    一個用於 uplift 模型與因果推論的 Python 套件，可估計干預對個體使用者的因果影響，以優化定位與個人化。

  • 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.