bo老师
开源仓库py-why/EconML4,708 Stars

EconML

异质性处理效应估计库，用正交机器学习估计个体化因果效应

适合需要估计处理对不同个体差异化影响的研究者和数据科学家。它把任意sklearn模型用作干扰和最终阶段，通过交叉拟合去偏，给出带置信区间的个体化因果效应、策略推荐和SHAP解释。

bo老师判断：推荐

用途和边界相对清楚，可以先从小样本开始。

访问原仓库查看分享卡
...互动状态已更新

什么时候用

先判断任务是否合适

  • 想估计处理对不同人群的差异化影响而不仅是平均效应
  • 观察数据中存在大量控制变量需要非参数控制
  • 希望得到个体化处理推荐（决策树/森林策略）
  • 需要比较多个CATE模型的样本外表现并选择最佳模型

先准备什么

材料越清楚，结果越有用

  • •准备结果变量Y、处理变量T、异质性特征X和控制变量W
  • •如用工具变量方法需额外准备工具变量Z
  • •根据T的连续/离散类型选择对应估计器族
  • •选定用作干扰模型的sklearn估计器和最终阶段模型

它会怎样推进

从材料到可以检查的结果

  1. 01

    选择估计器

    根据处理类型和研究目标选DML/DR/元学习器/IV/因果森林

  2. 02

    拟合CATE

    用交叉拟合去除干扰参数偏差，在X上学习异质性处理效应

  3. 03

    获取效应

    调用effect和effect_interval获取逐样本的CATE点估计和置信区间

  4. 04

    解释与策略

    用SHAP解释异质性来源，用决策树输出个体化处理推荐

  5. 05

    模型选择

    在验证集上用RScorer比较候选CATE模型，选最优或加权集成

第一次这样开始

把仓库地址直接交给 AI

先让 AI 说明环境和风险，再完成最小安装验证。跑通以后，再把自己的真实材料放进去。

第一次直接复制

帮我安装这个库：https://github.com/py-why/EconML
安装前先告诉我需要什么环境，安装后帮我跑通一个最小示例。

结果出来后

先看这些检查点

  • 干扰模型（model_y/model_t）是否在交叉验证中有足够的拟合度
  • 置信区间的宽度是否合理，bootstrap重采样次数是否足够
  • 离散处理的baseline类别选择是否与实际问题一致
  • 工具变量估计的有效性是否基于合理的外生性判断

常见误区

这些判断仍由你负责

  • 在离散处理场景忘记设置discrete_treatment=True
  • 用元学习器时未把混淆变量W拼入特征矩阵X
  • 把SHAP值解释为因果归因而非对CATE预测的贡献度量
  • 在无有效工具变量的场景强行使用IV估计器

技术依据

查看能力拆解、验证范围与来源

能力地图6 项已拆解能力
  1. 01

    DML族CATE估计

    用 Double Machine Learning（DML / R-Learner）框架，把任意 sklearn 模型同时用作 nuisance（E[Y|X,W]、E[T|X,W]）和 final stage（τ(X)），估计连续或离散处理下的异质性效应，并按 final-stage 类型（线性/debiased lasso/kernel/非参数/因果森林）给出对应置信区间。

  2. 02

    元学习器CATE估计

    用元学习器（S-Learner / T-Learner / X-Learner / Domain Adaptation Learner）把任意现成监督模型（如 GradientBoostingRegressor/Classifier）组合成离散处理的 CATE 估计器，无需显式 nuisance 残差化，适合低维处理、强基线模型或对正交学习框架不依赖的场景。

  3. 03

    双重稳健CATE估计

    在离散处理（多处理臂 vs baseline）下，用双重稳健（Doubly Robust）校正处理选择偏差：第一阶段交叉拟合倾向性 pt(X,W)=Pr[T=t|X,W] 和回归 h(X,W,T)=E[Y|X,W,T]，构造 pseudo-outcome Y^DRt；第二阶段在 X 上拟合 final 模型得到 τt(X)。只要倾向性或回归 nuisance 之一正确指定，CATE 估计即一致。

  4. 04

    工具变量CATE估计

    当存在未观测混淆、但存在有效工具变量 Z（影响 T、不直接影响 Y）时，用 IV 正交学习（OrthoIV / DMLIV / DRIV / IntentToTreat / SieveTSLS）估计连续或离散处理下的 CATE，通过交叉拟合 E[Y|X,W]、E[T|X,W]、E[Z|X,W]（和 IV-DR 的额外 nuisance）去除混淆和弱工具偏差，并给出置信区间。

能力主要输入主要输出人工检查

DML族CATE估计

源码已核对

  • modely：E[Y|X,W] 的 nuisance 模型（RegressorMixin 或 'auto'）。
  • modelt：E[T|X,W] 的 nuisance 模型（RegressorMixin/ClassifierMixin 或 'auto'，离散 T 用分类器）。
  • modelfinal：final-stage τ(X) 模型（连续 T 专用，DML/NonParamDML 用）。
  • effect/effectinterval/effectinference（继承 BaseCateEstimator）。
  • 线性 final：coef(T)、intercept(T)、coefinterval、coefinference、summary()。
  • CausalForestDML：shapvalues、featureimportances。
  • nuisance 模型（modely/modelt）是否充分拟合（DML 的弱 nuisance 风险）。
  • final-stage 参数化是否匹配真实异质性（线性 vs 森林）。
  • 离散 T 的 baseline 类别选择。

元学习器CATE估计

源码已核对

  • SLearner(overallmodel)：单一模型，把 T 当作普通特征。
  • TLearner(models)：每处理臂一个模型。
  • XLearner(models, propensitymodel, catemodels)：先 T-Learner 预测反事实，再用分类器学 imputation，最后按倾向性加权合并。
  • effect(X)、effectinterval（bootstrap）、effectinference（bootstrap）。
  • W 是否已正确拼入 X。
  • 倾向性模型（XLearner/DA）是否充分。
  • bootstrap 次数是否足够。

双重稳健CATE估计

源码已核对

  • modelpropensity：Pr[T|X,W] 分类器（默认 'auto'，折间选线性+森林最优）。
  • modelregression：E[Y|X,W,T] 回归器（离散 outcome 时为分类器，默认 'auto'）。
  • modelfinal：final-stage τt(X) 回归器。
  • effect(X, T0, T1)：任意两处理臂 contrast 的 CATE。
  • effectinterval/effectinference（按 final-stage mixin 的 CI）。
  • 线性 final：coef(T)/intercept(T)/coefinterval/coefinference/summary(T)（按处理臂）。
  • propensity 模型是否充分（多臂分类质量）。
  • regression 模型是否充分（E[Y|X,W,T]）。
  • baseline 处理臂选择。

工具变量CATE估计

源码已核对

  • Y、T、Z（工具变量）、X、W。
  • discretetreatment、discreteinstrument（决定 nuisance 模型类型）。
  • DML-IV（OrthoIV/DMLIV）：modelyxw、modeltxw、modelzxw、modeltxwz、modelfinal、projection（是否把 θ 投影到 Z 空间）。
  • effect/effectinterval/effectinference（按 final-stage mixin 的 CI；NonParamDMLIV 无解析 CI）。
  • 线性 final：coef/intercept/coefinterval/summary()。
  • 工具变量是否满足外生性和相关性假设（库不验证）。
  • 工具变量强度（弱工具风险）。
  • discreteinstrument/discretetreatment 声明正确。

正交机器学习CATE估计

源码已核对

  • Y：(n, dy) 结果变量，可连续或离散（discreteoutcome）。
  • T：(n, dt) 处理变量，可连续或离散（discretetreatment）。
  • X：(n, dx) 异质性特征，CATE 随之变化。
  • effect(X, T0=0, T1=1)：(m,) 或 (m, dy, dt) CATE 点估计。
  • effectinterval(...)：(lower, upper) 置信区间。
  • effectinference(...)：InferenceResults，含 pointestimate、stderr、confint(alpha)、zstat、pvalue、summaryframe、populationsummary。
  • 是否满足无未观测混淆（X,W 控制住所有共同原因）或工具变量假设。
  • nuisance 模型（modely/modelt）选择是否充分拟合 E[Y|X,W]、E[T|X,W]（DML 的弱 nuisance 会导致偏差）。
  • final-stage 参数化（linear/sparse/nonparam/forest）是否匹配真实异质性形态。

策略学习与CATE解释

源码已核对

  • Policy Learning：Y、T、X、W、honest、maxdepth、minimpuritydecrease、mciters、cv（DRPolicyTree/DRPolicyForest 走 DR nuisance）。
  • CATE 解释器：已拟合的 CATE estimator（est）、X、includemodeluncertainty、risklevel、sampletreatmentcosts、maxdepth、minsamplesleaf。
  • SHAP：已拟合 CATE estimator、X、backgroundsamples。
  • 策略：predict(X) 推荐处理、predictvalue(X) 期望价值、predictproba(X) 概率、plot() 树图、featureimportances。
  • 解释器：plot(featurenames=...) 树图（CATE 树或策略树）。
  • SHAP：每特征对 CATE 的贡献数组 + shap.summaryplot。
  • 策略树深度与可解释性权衡（深度↑可解释性↓）。
  • honest splitting 的样本充分性。
  • RScorer 验证集独立性。

处理机制

  1. 01

    核心处理链

    异质性处理效应估计库，用正交机器学习估计个体化因果效应

已核对范围

  • 静态读取 dml/dml.py DML/LinearDML/SparseLinearDML/KernelDML/NonParamDML/BaseDML 类继承与 fit 构造
  • 静态读取 dml/rlearner.py RLearner/ModelNuisance/ModelFinal 机制
  • 静态读取 dml/causalforest.py CausalForestDML 继承与 BLB inference
  • 静态读取 metalearners/metalearners.py SLearner/TLearner/XLearner/DomainAdaptationLearner 全部类
  • 静态读取各类的 model 构造、fit、effect 与 bootstrap inference
  • 静态读取 dr/drlearner.py DRLearner 及 ModelNuisance/ModelFinal/BaseDR
  • 静态读取 DRLearner estimating equations（propensity + regression nuisance）
  • 静态读取 LinearDRLearner/SparseLinearDRLearner/ForestDRLearner 的 final-stage mixin

仍待核对

  • 未运行任一 DML 估计器，未验证 CATE、CI、coef 实际数值
  • 未验证 final-stage 选择对推断的影响
  • 未运行任一元学习器，未验证 CATE、bootstrap CI 实际数值
  • 未验证 DomainAdaptationLearner 的倾向性加权 final 行为
  • 未运行任一 DR 估计器，未验证 CATE、CI、coef 实际数值
  • 未验证多处理臂（非 baseline）的 final multi-task 行为
  • 未运行任一 IV 估计器，未验证 CATE、CI 实际数值
  • 未验证 IntentToTreat（二元 Z、二元 T）的特殊 final 路径

原仓库

py-why/EconML

读取版本

e546416862280c90f9b21e95c298d00d599c75c8

许可

MIT

最近核对

内容 2026-07-10
Stars 2026-07-11

部分完成验证

相关文章

科研之我见

AI 科研全流程怎么搭，我梳理出三个核心入口

每天开工先固定阶段入口、材料入口和验证入口，把庞大的科研全流程收缩成一段可执行、可检查的任务。

查看内容

科研之我见

AI 可以参与科研的哪些环节？一张 11 环节工作流全景图

从选题、文献、理论、数据到投稿，逐环节判断 AI 可以主导、需要人工校验和必须由研究者把关的工作。

查看内容

具备相关能力的其他库

文献 · 分析 · 写作

grobid

把学术论文PDF解析成结构化TEI XML，提取元数据、全文结构和参考文献

查看内容

设计 · 分析 · 验证

CausalPy

用贝叶斯方法做准实验因果推断，含10+方法和稳健性诊断套件

查看内容

文献 · 设计 · 分析 · 写作

Scientific-Agent-Skills

为AI科研代理提供文献检索、写作、统计、实验设计和同行评审的结构化能力。

查看内容

相关课程

把单项工具放进完整研究设计流程

课程一从研究问题、文献判断、理论假设和方法骨架继续推进，帮助你建立可以复用的研究设计档案。

查看课程一