概述

EconML是一个 Python 包，用于通过机器学习从观察数据中估计异质治疗效果。该软件包是作为 Microsoft Research 的ALICE 项目的一部分而设计和构建的，其目标是将最先进的机器学习技术与计量经济学相结合，以自动化解决复杂的因果推理问题。

EconML 的承诺：

• 在计量经济学和机器学习的交叉点实施文献中的最新技术
  • 保持对影响异质性建模的灵活性（通过随机森林、增强、套索和神经网络等技术），同时保留学习模型的因果解释并通常提供有效的置信区间
  • 使用统一的API
  • 构建用于机器学习和数据分析的标准 Python 包

  机器学习的最大前景之一是在多个领域实现决策自动化。许多数据驱动的个性化决策场景的核心是异质性治疗效果的估计：对于具有特定特征集的样本，干预对感兴趣结果的因果影响是什么？简而言之，该工具包旨在衡量某些治疗变量T对结果变量的因果效应Y，控制一组特征X, W以及该效应如何随X. 实施的方法甚至适用于观察（非实验或历史）数据集。为了对估计结果进行因果解释，一些方法假设没有未观察到的混杂因素（即没有未包含的未观察到的变量同时对和X, W都有影响），而其他方法假设可以使用工具（即观察到的变量具有对治疗有影响，但对结果没有直接影响）。大多数方法提供置信区间和推理结果。TYZZTY

  [hidecontent type="logged" desc="隐藏内容：登录后可查看"]

  有关该包的详细信息，请参阅https://econml.azurewebsites.net/上的文档。

  入门

  安装

  从PyPI安装最新版本：

  pip install econml
  

  要从源代码安装，请参阅下面的开发人员部分。

  推理

  每当启用推理时，就可以获得一个结构更清晰的InferenceResults对象，其中包含更详细的推理信息，例如 p 值和 z 统计信息。当 CATE 模型是线性和参数化时，summary()也会启用一种方法。例如：

  from econml.dml import LinearDML
  # Use defaults
  est = LinearDML()
  est.fit(Y, T, X=X, W=W)
  # Get the effect inference summary, which includes the standard error, z test score, p value, and confidence interval given each sample X[i]
  est.effect_inference(X_test).summary_frame(alpha=0.05, value=0, decimals=3)
  # Get the population summary for the entire sample X
  est.effect_inference(X_test).population_summary(alpha=0.1, value=0, decimals=3, tol=0.001)
  #  Get the parameter inference summary for the final model
  est.summary()

  示例输出

  # Get the effect inference summary, which includes the standard error, z test score, p value, and confidence interval given each sample X[i]
  est.effect_inference(X_test).summary_frame(alpha=0.05, value=0, decimals=3)

  政策学习

  您还可以使用双稳健方法进行离线策略学习，从观察数据中执行直接策略学习。这些方法直接预测推荐的治疗方法，而无需在内部拟合条件平均治疗效果的显式模型。

  双稳健策略学习（点击展开）

  要查看更复杂的示例，请转到存储库的笔记本部分。有关治疗效果估计算法的更详细描述，请参阅 EconML文档。

  对于开发人员

  您可以从克隆此存储库开始。我们使用 setuptools来构建和分发我们的包。我们依赖于 setuptools 的一些最新功能，因此请确保使用 pip install setuptools --upgrade. 然后从您的本地存储库副本pip install -e .开始运行（但根据您正在做的事情，您可能想要安装附加功能，例如pip install -e .[plt]如果您想使用 matplotlib 集成，或者您可以使用它 pip install -e .[all]来包含所有附加功能） .

  运行测试

  本项目使用pytest进行测试。要在安装包后在本地运行测试，您可以使用pip install pytest-runner后跟python setup.py pytest.

  我们在一些测试中添加了 pytest 标记，以便更轻松地运行子集，您可以设置 PYTEST_ADDOPTS 环境变量来利用这一点。例如，您可以将其设置-m "not (notebook or automl)"为跳过具有一些额外依赖项的笔记本和自动测试。

  生成文档

  该项目的文档是通过Sphinx生成的。请注意，我们使用graphviz的 dot应用程序来生成我们文档中的一些图像，因此您应该确保它dot已安装并位于您的路径中。

  要从此存储库的克隆生成文档的本地副本，只需运行python setup.py build_sphinx -W -E -a，这将构建文档并将其放在build/sphinx/html路径下。

  构成文档的 reStructuredText 文件存储在docs 目录中；模块文档由 Sphinx 构建过程自动生成。

  [/hidecontent]