1 repository
Awesome GitHub RepositoriesNuisance Model Selection
Optimization of models used to partial out confounding variables in causal estimation.
Distinct from Model Performance Selection: Distinct from general model performance selection: specifically targets the 'first-stage' nuisance models in a causal pipeline.
Explore 1 awesome GitHub repository matching artificial intelligence & ml · Nuisance Model Selection. Refine with filters or upvote what's useful.
Awesome Nuisance Model Selection GitHub Repositories
Găsește cele mai bune repo-uri cu AI.Vom căuta cele mai potrivite repository-uri folosind AI.
- py-why/econml
py-why/EconML
4,683Vezi pe GitHubEconML este o bibliotecă Python pentru inferență cauzală, concepută pentru a estima efectele eterogene ale tratamentului folosind o combinație de machine learning și econometrie. Servește ca toolkit pentru calcularea efectelor medii condiționate ale tratamentului, pentru a determina modul în care intervențiile specifice impactează indivizii sau subgrupurile. Proiectul oferă un framework pentru double machine learning și orthogonal machine learning pentru a izola semnalele cauzale de factorii de confuzie de înaltă dimensiune. Include implementări specializate pentru păduri cauzale și cursanți cu variabile instrumentale, permițând recuperarea relațiilor cauzale chiar și în prezența factorilor de confuzie neobservați. Biblioteca acoperă o gamă largă de capabilități, inclusiv validarea modelelor cauzale prin teste de refutare și curbe de calibrare, construirea de politici de tratament personalizate și analiza regimurilor de tratament dinamic. De asemenea, suportă inferența statistică pentru cuantificarea incertitudinii și interpretarea eterogenității efectelor folosind modele bazate pe arbori și valori Shapley. Proiectul este implementat și demonstrat în principal prin Jupyter Notebooks.
Provides tools to optimize the choice of nuisance models to improve the accuracy of treatment effect estimation.
Jupyter Notebookcausal-inferencecausalityeconometrics
