欢迎来到 CausalTune 的文档！
相关资源: PyWhy , pypi_causaltune
安装指南可在 安装 找到
CausalTune 是一个用于因果估计器自动调优和选择的库。
它的估计器来自 EconML，并增加了一些额外的模型（目前是 Transformed Outcome 和一个用作基线的 dummy 模型），所有这些都通过 DoWhy 包装器以统一的方式调用。
我们的贡献在于通过对因果估计器进行样本外评分，特别是使用 energy_score，实现自动估计器调优和选择。我们使用 FLAML 进行超参数优化。
我们对第一阶段模型（用于处理模型和结果模型）进行自动超参数调优，并对第二阶段模型（因果估计器）进行超参数调优和模型选择。
估计器不仅提供每行的处理影响估计，还提供这些估计的置信区间，在可用时使用内置的 EconML 功能，不可用时则使用 bootstrapping（参见 示例 notebook）。
正如 DoWhy 和 EconML 一样，我们假设用户提供的因果图准确描述了数据生成过程。例如，我们假设对于 CATE 估计，用户在图下提供的后门变量/混淆变量列表确实反映了处理与结果之间所有混淆的来源。请参见 此处，了解 CausalTune 支持的因果图的详细说明。
CausalTune 中的验证方法无法捕捉到此类违规行为，因此这是一个重要的假设。
我们还实现了 ERUPT 计算（也称为策略价值），这允许在进行（甚至是部分）随机测试后，估计其他处理分配策略会产生什么影响。这也可以用作另一种样本外得分，尽管 energy score 在我们的合成数据实验中表现更好。
日期: 2024 年 9 月 5 日