因果推理学习笔记

入门理解：

聊聊因果推理、反事实逻辑和Do-calculus - 知乎

微软开源 DoWhy

python对行为进行推理_微软开源了专注于因果推理的框架DoWhy_三更寒天的博客-CSDN博客

DoWhy除了为常见的因果推断方法提供一个程序设计界面，DoWhy的设计还是为了显示常被忽略的因果分析假设。所以，DoWhy的特点之一就是会让潜在的假设更容易理解。另外，DoWhy可以进行敏感度分析和其他鲁棒性检查。我们的目的是让人们关注他们在对因果推断做假设时的思考而不是其中的细节。

总结一下，DoWhy为因果推理模型的实施做出了三项重要贡献。

提供将给定问题建模为因果图的原则方法，以便明确所有假设。
为许多流行的因果推理方法提供统一的界面，结合图形模型的两个主要框架和潜在的结果。
如果可能，自动测试假设的有效性，并评估估计对违规的稳健性。
从概念上讲，DoWhy是根据两个指导原则创建的：明确要求因果假设，并测试对违反这些假设的估计的稳健性。换句话说，DoWhy将因果效应的识别与其相关性的估计分开，这使得能够推断出非常复杂的因果关系。

为了实现其目标，DoWhy通过四个基本步骤对工作流中的任何因果推断问题进行建模：模型，识别，估计和反驳。

模型： DoWhy使用因果关系图来模拟每个问题。当前版本的DoWhy支持两种图形输入格式：gml（首选）和点。该图可能包括变量中因果关系的先验知识，但DoWhy没有做出任何直接的假设。
识别：使用输入图，DoWhy根据图形模型找到识别所需因果效果的所有可能方法。它使用基于图形的标准和do-calculus来找到可以找到可以识别因果效应的表达式的潜在方法
估计： DoWhy使用统计方法（如匹配或工具变量）估算因果效应。当前版本的DoWhy支持基于倾向的分层或倾向得分匹配的估计方法，这些方法侧重于估计治疗分配以及侧重于估计响应面的回归技术。
验证：最后，DoWhy使用不同的稳健性方法来验证因果效应的有效性。

如何使用DoWhy

开发人员可以使用以下命令安装Python模块来开始使用DoWhy：

GitHub - microsoft/dowhy: DoWhy is a Python library for causal inference that supports explicit modeling and testing of causal assumptions. DoWhy is based on a unified language for causal inference, combining causal graphical models and potential outcomes frameworks.

python setup.py install
DoWhy支持Python 3+，它需要以下包：

numpy
SciPy
scikit-learn
pandas
networkx（用于分析因果图）
matplotlib（用于一般情节绘图）
sympy（用于呈现符号表达式）
 

开源causalnex

学习资料：

跟着开源项目学因果推断——causalnex（十三）_素质云笔记/Recorder...-CSDN博客

安装使用

pip install causalnex