因果专题

【python因果推断库11】工具变量回归与使用 pymc 验证工具变量4

目录 Wald 估计与简单控制回归的比较 CausalPy 和多变量模型感兴趣的系数复杂化工具变量公式 Wald 估计与简单控制回归的比较但现在我们可以将这个估计与仅包含教育作为控制变量的简单回归进行比较。 naive_reg_model, idata_reg = make_reg_model(covariate_df.assign(education=df[

【python因果推断库7】使用 pymc 模型的工具变量建模 (IV)2

目录与普通最小二乘法 (OLS) 的比较应用理论：政治制度与GDP 拟合模型：贝叶斯方法多变量结果和相关性度量结论与普通最小二乘法 (OLS) 的比较 simple_ols_reg = sk_lin_reg().fit(X.reshape(-1, 1), y)print("Intercept:", simple_ols_reg.intercept_, "Bet

【python因果推断库6】使用 pymc 模型的工具变量建模 (IV)1

目录使用 pymc 模型的工具变量建模 (IV) 使用 pymc 模型的工具变量建模 (IV) 这份笔记展示了一个使用工具变量模型（Instrumental Variable, IV）的例子。我们将会遵循 Acemoglu, Johnson 和 Robinson (2001) 的一个案例研究，该研究尝试解开强大的政治机构对于以国内生产总值（GDP）衡量的经济生产力的影响。本示例借鉴

【python因果推断库2】使用 PyMC 模型进行差分-in-差分（Difference in Differences, DID）分析

目录使用 PyMC 模型进行差分-in-差分（Difference in Differences, DID）分析导入数据分析使用 PyMC 模型建模银行业数据集导入数据分析 1 - 经典 2×2 差分-in-差分 (DiD) 分析 2 - 具有多个干预前后观测值的差分-in-差分 (DiD) 分析使用 PyMC 模型进行差分-in-差分（Differe

【Python实战因果推断】73_图因果模型8

目录 Adjusting for Selection Bias Conditioning on a Mediator Adjusting for Selection Bias 不幸的是，纠正选择偏倚绝非易事。在我们一直在讨论的例子中，即使有随机对照试验，ATE也无法识别，仅仅是因为你无法在对那些回应了调查的人进行条件化后，关闭新功能与客户满意度之间的非因果关联流。为了取得一些

解析巧用因果法破解GRE填空

凡是包含because, since, for, if, thus, hence, so that, so...that..., so...as to..., therefore, consequently, as a result, accordingly, in that, result in, result from, cause, give rise to, derive from,

[思考记录]严谨、讲因果

上周清理罗列了一些程序上的问题，后续又进一步对其中的每一项再次进行了推敲整理。通过整理，帮助逐步还原了某些问题的“真面目”，也让思路更为清晰了。整理过程（第3步还在进行中）： 1、追溯原始问题。为什么会存在这个问题（当时为什么要这样做）、背后想要解决的问题是什么？以此追溯，还原到最开始想要去解决的问题。 2、重新探究解决问题的途径。跳出来，重新审视。因为办法通常不止一种，虽然当

【因果推断python】51_去偏/正交机器学习3

目录 What is Non-Parametric About? What is Non-Parametric About? 在我们继续之前，我只想强调一个常见的误解。当我们考虑使用非参数 Double-ML 模型来估计 CATE 时，我们似乎会得到一个非线性治疗效果。例如，让我们假设一个非常简单的数据生成过程（DGP），其中 discont 对销售额的影响是非线性的，但却是通过

【因果推断python】45_估计量1

目录问题设置目标转换到目前为止，我们已经了解了如何在干预不是随机分配的情况下对我们的数据进行纠偏，这会导致混淆偏差。这有助于我们解决因果推理中的识别问题。换句话说，一旦单位是可交换的，或者，就可以学习干预效果。但我们还远远没有完成。识别意味着我们可以找到平均的干预效果。换句话说，我们知道一种干预的平均效果。当然，这很有用，因为它可以帮助我们决定是否应该真正实施干预。但

【因果推断python】44_评估因果模型2

目录累积弹性曲线累积增益曲线考虑差异关键思想累积弹性曲线再次考虑将价格转换为二元处理的说明性示例。我们会从我们离开的地方拿走它，所以我们有弹性处理带。我们接下来可以做的是根据乐队的敏感程度对乐队进行排序。也就是说，我们把最敏感的组放在第一位，第二个最敏感的组放在第二位，依此类推。对于模型 1 和 3，无需重新订购，因为它们已经订购。对于模型 2，我们必须颠倒排序

【因果推断python】38_预测模型1

目录工业界中的机器学习之前的部分涵盖了因果推理的核心。那里的技术是众所周知和成熟的。他们经受住了时间的考验。第一部分建立了我们可以依赖的坚实基础。用更专业的术语来说，第一部分侧重于定义什么是因果推理，哪些偏差会阻止相关性成为因果关系，调整这些偏差的多种方法（回归、匹配和倾向得分）和规范识别策略（工具变量、双重差分和断点回归）。总之，第一部分重点介绍了我们用来确定平均干预效果

【因果推断python】36_断点回归2

目录 RDD 估计内核加权 RDD 估计 RDD 依赖的关键假设是阈值处潜在结果的平滑性。用比较正式地表述来说，当运行变量从右侧和左侧接近阈值时，潜在结果的极限应该是相同的。如果这是真的，我们可以在阈值处找到因果关系从其本身意义来说，这是一种局部平均干预效果（LATE），因为我们只能在阈值处知道它。在这种情况下，我们可以将 RDD 视为局部随机试验。对于那些处

测试基础13：测试用例设计方法-错误推断、因果图判定表

课程大纲 1、错误推测法靠主观经验和直觉来推测可能容易出现问题的功能或场景，设计相关测试用例进行验证。 2、因果图&判定表 2.1定义因果图和判定表是分析和表达多逻辑条件下，执行不同操作的情况的工具。（因果图和判定表配合使用，熟练后可直接写判定表。） 2.2应用场景满足以下几个条件，适合使用因果图&判定表方法进行用例

每天一个数据分析题（三百六十七）- 头脑风暴因果图

头脑风暴因果图（鱼骨图）绘制过程中填上问题或现状的是在‘鱼’的哪个部位？ A. 鱼尾 B. 鱼头 C. 脊椎 D. 鱼刺数据分析认证考试介绍：点击进入题目来源于CDA模拟题库点击此处获取答案

【因果推断python】32_合成控制2

目录合成控制作为线性回归的一种实现编辑合成控制作为线性回归的一种实现为了估计综合控制的治疗效果，我们将尝试构建一个类似于干预期之前的治疗单元的“假单元”。然后，我们将看到这个“假单位”在干预后的表现。合成控制和它所模仿的单位之间的区别在于治疗效果。要使用线性回归做到这一点，我们将使用 OLS 找到权重。我们将最小化干预前期间供体池中单位的加权平均值与治疗单位之间的平方

第十四篇——互信息：相关不是因果，那相关是什么？

目录一、背景介绍二、思路&方案三、过程1.思维导图2.文章中经典的句子理解3.学习之后对于投资市场的理解4.通过这篇文章结合我知道的东西我能想到什么？四、总结五、升华![在这里插入图片描述](https://img-blog.csdnimg.cn/direct/499cd9af2ea14cbf8d12813f6f7fa150.png) 一、背景介绍通过本文，可以了解到信息之

【因果推断python】30_双重差分1

目录巴西南部的三个广告牌 DID 估计器非平行趋势关键思想巴西南部的三个广告牌从事营销工作时，互联网广告是一个很棒的途径。不是因为它非常有效（尽管确实如此），而是因为很容易知道它是否有效。通过在线营销，您可以了解哪些客户看到了广告，并且您可以使用 cookie 跟踪他们，看看他们是否最终出现在您的目标网页上或点击了某个下载按钮。您还可以使用机器学习来寻找与您的客户

【因果推断python】28_面板数据和固定效应2

目录固定效应固定效应为了方面后面更正式地讲述，让我们首先看一下我们拥有的数据。按照我们的例子，我们将尝试估计婚姻对收入的影响。我们的数据包含多年以来多个个体 (nr) 的这两个变量，married 和lwage。请注意，工资采用对数形式。除此之外，我们还有其他控制措施，例如当年的工作小时数、受教育年限等。 from linearmodels.datasets import

PNAS | 工作记忆中大脑节律的因果功能图

摘要工作记忆是一个涉及大脑中多个功能解剖节点的关键认知过程。尽管有大量与工作记忆结构相关的神经影像学证据，但我们对控制整体表现的关键中枢的理解并不完整。因果解释需要在对特定功能解剖节点进行安全、暂时和可控的神经调节后进行认知测试。随着经颅交流电刺激(tACS)技术的进步，此类实验可以在健康人群中进行。本研究结合了28项安慰剂对照研究(共1057名参与者)的结果，这些研究应用了特定频率的非侵入性

$【因果推断python】26_双重稳健估计1$

【因果推断python】26_双重稳健估计1

目录不要把所有的鸡蛋放在一个篮子里双重稳健估计关键思想不要把所有的鸡蛋放在一个篮子里我们已经学会了如何使用线性回归和倾向得分加权来估计。但是我们应该在什么时候使用哪一个呢？在不明确的情况下，请同时使用两者！双重稳健估计是一种将倾向得分和线性回归相结合的方法，您不必依赖它们中的任何一种。为了了解这是如何工作的，让我们考虑一下心态实验。这是一项在美国公立高中进行的

【因果推断python】24_倾向得分2

目录倾向加权倾向得分估计倾向加权好的，我们得到了倾向得分。怎么办？就像我说过的，我们需要做的就是以此为条件。例如，我们可以运行一个线性回归，它仅以倾向得分为条件，而不是所有的 X。现在，让我们看一下只使用倾向得分而不使用其他任何东西的技术。这个想法是用倾向得分写出均值的条件差我们可以进一步简化这一点，但让我们这样看一下，因为它让我们对倾向得分的作用有了一些很

$【因果推断python】21_匹配2$

【因果推断python】21_匹配2

目录匹配估计器匹配估计器子分类估计器在实践中用得不多（我们很快就会明白为什么，主要是因为维度诅咒这个原因），但它让我们很好地、直观地了解了因果推理估计器应该做什么，以及它应该如何控制混淆因素。这使我们能够探索其他类型的估计器，例如匹配估计器。这个想法非常相似。由于某种混淆因素 X 使得经过干预的和未干预的样本单元最初无法比较，我可以通过将每个经过干预的单元与类似的未经干

【因果推断python】16_工具变量2

目录出生季度和教育对工资的影响第一阶段出生季度和教育对工资的影响到目前为止，我们一直将这些工具视为一些神奇的变量 Z，它们具有仅通过干预变量影响结果的神奇特性。老实说，好的工具变量来之不易，我们不妨将它们视为奇迹。让我们说它不适合胆小的人。有传言说，芝加哥经济学院的酷孩子们谈论他们是如何在酒吧里想出这种或那种工具变量的。不过，我们确实有一些有趣的工具示例，可以让事情

【因果推断python】11_分组和虚拟变量回归2

目录虚拟变量回归关键思想虚拟变量回归虚拟变量是我们编码为二进制列的分类变量。例如，假设您有一个希望包含在模型中的性别变量。该变量被编码为 3 个类别：男性、女性和其他性别。由于我们的模型只接受数值，我们需要将这个类别转换为数字。在线性回归中，我们为此使用了虚拟变量。我们将每个变量编码为 0/1 列，表示类别的存在。我们还将其中一个类别作为基本类别。这是必要的，因

【因果推断python】10_分组和虚拟变量回归1

目录分组数据回归分组数据回归并非所有数据点都是一样的。如果我们再次查看我们的 ENEM 数据集，相比小规模学校的分数，我们更相信规模较大的学校的分数。这并不是说大型学校更好或什么，而只是因为它们的较大规模意味着更小的方差。 import warningswarnings.filterwarnings('ignore')import pandas as pdimp

$【斯坦福因果推断课程全集】1_随机对照试验1$

【斯坦福因果推断课程全集】1_随机对照试验1

目录 The average treatment effect Difference-in-means estimation IID Sampling and Population Asymptotics Example: The linear model Regression adjustments with a linear model 随机对照试验（RCT）是统计因果推论