可以解决辛普森悖论的疑惑，讲了统计的一些基础知识

pgmpy pgmpy是一个用于处理概率图形模型的python库。 支持的文档和算法列表在我们的官方网站使用pgmpy的示例： : 使用pgmpy的概率图形模型基础教程： : 我们的邮件列表位于 。 我们在社区聊天。 依存关系 pgmpy具有以下非可选依赖项： python 3.6或更高版本 网络X 科学的 麻木 火炬 一些功能还需要： tqdm 大熊猫 剖析 统计模型 作业库 安装 pgmpy在pypi和anaconda上都可用。 通过anaconda安装使用： $ conda install -c ankurankan pgmpy 通过pip安装： $ pip

格兰杰因果分析的toolbox，研究者需要细细品读的文章。

Coz：查找与因果分析有关的代码 Coz是一种新型的探查器，可释放传统探查器错过的优化机会。 Coz使用一种称为因果分析的新颖技术来衡量优化潜力。 此度量符合开发人员对探查器的假设：优化高级代码将对性能产生最大影响。 因果分析可测量串行，并行和异步程序的优化潜力，而无需对库调用和并发原语进行特殊处理。 相反，因果分析器使用性能实验来预测优化的效果。 这使探查器可以确定因果关系：“优化函数X将产生效果Y”，正是开发人员一直认为测量一直以来的结果。 有关Coz的完整详细信息，请参见我们的论文《 ，SOSP 2015，2015年10月（获得最佳论文奖）。 安装 在Debian，Ubuntu，Fedora上，您可以通过apt安装Coz： % sudo apt install coz-profiler OpenSUSE软件包由用户准备，可以在。 Coz应该可以在具有Python 3.x解释

Eviews做单位根检验和格兰杰因果分析

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

许多领域中经常需要辨识非因果系统。比如地震勘探、通讯和水声信号处理等。单靠相关函数解决这类非因果系统的盲辨识问题是远远不够的，因为它不包含系统的相位信息［1］。　　　　近年来，基于高阶统计量的系统辨识方法受到了高度的重视。与传统的辨识方法相比较，高阶统计量的优点在于：     1.可保留系统的相位信息，从而有效地辨识非相位、非因果系统。     2.可以抑制加性有色噪声的影响，提高算法的鲁棒性。     在各种高阶统计量中，计算相对简单的四阶统计量，因为可以处理对称分布信号而受到特别重视，成为许多算法的基础。　　　　在文献［3］的基础上，本文提出了峰度准则，并将其应用到非因果系统的辨识中。通过

matlab滑动条码内核格兰杰因果关系 使用内核技巧降低复杂度的代码来评估非线性Granger因果关系这组函数实现了内核Granger因果关系，从而可以检测非线性动态相互作用，如所述。 内核Granger因果关系和动力学网络分析D.Marinazzo，M.Pellicoro和S.Stramaglia物理评论E，77，056215（2008） 非线性Granger因果关系的核方法D. Marinazzo，M.Pellicoro和S. Stramaglia Phys。 莱特牧师卷100帕格144103（2008） 该文件夹包含两个工具箱 内核因果关系最后 LOO_crossvalidation用于选择模型顺序 将这两个工具箱与其他MATLAB工具箱解压缩，然后将它们添加到您的路径中。 您会发现以下脚本： test_KGC_KCL：在5个节点的模拟网络上运行内核因果关系 test_biv_2n：在两个耦合图上测试KGC test_var_eps_1：两个耦合图的耦合参数在时间上的调制（包含对Granger因果关系和与滑动窗口的相关性的调用） 请不要犹豫与我们联系以获取建议和意见 免责声明和责