Github
文档
论文项目介绍：causallib
简介
causallib 是一个用于从观察数据中推断因果效应的 Python 软件包。在许多现实世界的场景中，我们往往通过非实验性的观察数据来推断介入措施对某个结果的因果影响。causallib 为此提供了一整套因果分析方法，并采用了一种与 scikit-learn 类似的 API 来帮助用户在不同的场景中轻松进行因果推理。
功能特点
causallib 结合多种因果算法，提供了高度模块化的因果模型结构。通过类似 “fit”和“predict”的 API，用户可以在一组样本上进行模型训练，然后在另一组样本上估计因果效应。这种方法能够实现更“真实”（借用 Wager & Athey 的术语）的效应估计，避免过拟合的情况。
此外，causallib 还包括一个评估工具集。大多数因果模型内部都使用机器学习模型，这使得可以从因果的角度重新解释和诊断模型表现的问题。
安装方法
使用以下命令可以轻松安装 causallib：
pip install causallib
使用方法
包中的因果模型依赖于具有 sklearn 风格的 fit-predict API 的内部机器学习模型。例如，可以使用逻辑回归模型来进行因果推断：
from sklearn.linear_model import LogisticRegression
from causallib.estimation import IPW
from causallib.datasets import load_nhefs
data = load_nhefs()
ipw = IPW(LogisticRegression())
ipw.fit(data.X, data.a)
potential_outcomes = ipw.estimate_population_outcome(data.X, data.a, data.y)
effect = ipw.estimate_effect(potential_outcomes[1], potential_outcomes[0])
社区支持
causallib 拥有活跃的社区支持，用户可以通过 Slack 频道与其他用户交流，讨论因果推断建模或使用 causallib 的相关问题。
因果推断方法
1. 对潜在结果预测的重视
对于因果推断，causallib 采用了将效应估计步骤与潜在结果预测步骤分开的双重方法。这样更好地支持了多种处理方案的问题。
2. 分层平均处理效应
因果推断文献中对效应所影响的人群给予了特殊关注，如 ATE（对整个样本的平均处理效应），ATT（对已处理组的平均处理效应）等。causallib 允许用户根据需求选择合适的规格进行效应估计。
3. 因果推断模型的分类
causallib 将因果推断模型分为两类：
- 权重模型：通过为数据加权以平衡处理组和对照组，然后使用观察到的结果进行加权平均来估计潜在结果，如反事实权重 (IPW)。
- 直接结果模型：利用协变量和处理分配来建立直接预测结果的模型，这可以用于预测任何处理值下的结果。
4. 混杂因素和有向无环图 (DAG)
因果推断分析中的重要步骤是正确选择数据的维度以避免偏差。需要有领域专家的知识来选择合适的个体包含/排除标准和协变量（即混杂因素）。虽然此包假设提供的数据已符合使用标准，但也允许实时过滤和选择。
causallib 是一个功能强大、灵活性高的工具，适用于希望利用研究数据中揭示的因果关系来推动决策的研究人员和数据科学家们。
