工具变量 (IV) 是一种常用的从观测数据进行因果推断的技术。 在实践中，IV 引起的变化可能是有限的，这会导致对因果效应的估计不准确或有偏差，并使该方法对政策决策无效。 我们通过将从候选外生数据构建工具变量的问题制定为机器学习问题来应对这一挑战。 我们提出了一种称为 MLIV（机器学习工具变量）的新算法，它允许从样本数据中同时执行工具学习和因果推断。 我们提供了正式的渐近理论，并展示了我们的估计量在非常一般的条件下的根 n 一致性和渐近效率。 对现实世界数据的模拟和应用表明，该算法非常有效，显着提高了从观测数据进行因果推断的性能。

DoWhy是一个Python库，可轻松估算因果关系。 DoWhy基于用于因果推理的统一语言，结合了因果图形模型和潜在结果框架。 为什么 使因果推理变得容易Amit Sharma，埃姆雷·基西曼（Emre Kiciman）阅读文档| 在线尝试！ 博客文章：DoWhy简介| 使用Do-sampler由于计算系统越来越频繁地并更加积极地介入社会关键领域，例如医疗保健，教育和治理，因此正确预测和理解这些干预措施的因果关系至关重要。 没有A / B测试，基于模式识别和相关性的传统机器学习方法

基于因果熵和复杂网络因果推理的稀疏系统识别方法[J]. 提供了带有说明性示例的 PDF。 有关引文和算法的详细信息，请参阅： •Abd AlRahman R. AlMomani，Jie Sun和Erik Bollt，“熵回归如何克服非线性系统识别中的离群值问题”，Chaos 30，013107（2020年）。

CausalInference.jl：使用PC算法进行因果推理，图形模型和结构学习

对因果推理发展的研究广泛地集中于实现两个目标: 理解因果推理的起源，以及检验因果推理如何随着发展而变化。本书回顾了旨在实现这两个目标的证据和理论。

以上资料均来自互联网，如有侵权请提issue，感谢～ 这里是因果推理和AB实验相关的小书库，大多只是走过路过看过的一些paper，不100%保质保量保全，也欢迎发现好玩paper的小伙伴贡献自己的一份力量～ 下面还有些看paper留下的读书笔记

安装pygraphviz教程，win和mac都可，对因果推理框架画的框架图有用

免责声明 这个项目很稳定，可以长期支持。 它可能包含新的实验代码，其API可能会更改。 因果ML：用于ML进行抬升建模和因果推理的Python包 Causal ML是一个Python软件包，它提供了一套基于最近研究的，使用机器学习算法的提升模型和因果推理方法。 它提供了一个标准界面，允许用户从实验或观察数据中估计条件平均治疗效果（CATE）或个体治疗效果（ITE）。 本质上，它为具有观察特征X用户估计了干预T对结果Y的因果影响，而无需对模型形式做出强烈假设。 典型的用例包括 广告系列定位优化：提高广告系列投资回报率的重要手段是将广告定位到在给定的KPI（例如参与度或销售）方面有良好响应的一组客

基于证据推理规则的数据驱动的近似因果推理模型

Python中基于机器学习的因果推理/提升 内容： ••• causeinfer是一个Python软件包，用于使用机器学习来估计平均和条件平均处理效果。 它的目标是编译标准和高级的因果推理模型，并展示其用法和功效-所有这些都具有帮助人们在商业，医学和社会经济领域学习CI技术的总体雄心。 请参阅以获取该软件包的完整概述，包括模型和数据集。 安装 causeinfer可以通过pip从PyPI下载或直接从此存储库中获取： pip install causeinfer git clone https://github.com/andrewtavis/causeinfer.git cd causeinfer python setup.py install import causeinfer 申请 因果推理算法 两种模型方法 对治疗和对照组的单独模型进行了训练和组合，以得出平均治疗效果（Hanso