经济

其他 社区

技能解读

当前原文的自动摘译,尚未人工审校。

概述

EconML 是一个 Microsoft 库,用于使用机器学习进行因果推理和异构治疗效果估计。实现 Double ML、因果森林、DML、IV 方法和正交统计学习。专为治疗效果因人而异的观察数据而设计。

参考文献

EconML 文档 EconML GitHub

流狐档案 运行与权限由流狐静态检查推断,不代表作者声明或实际测试结果。
领域
通用
作者声明的智能体
未找到明确声明;不据此推断已兼容或已测试
静态检查
100 / 100 · 启发式扫描,不代表运行安全
运行环境证据
未执行;当前没有隔离运行测试证据
作者 / 版本 / 许可证
@mkurman · MIT
上下文用量评级
低消耗
接入复杂程度
即装即用
是否需要外部接口密钥
不需要
兼容的系统
未声明(默认跨平台)
运行环境要求
Python
检测到的文件与系统行为
  • 只读
网络行为
仅限本地
安装命令数
无(仅作为资料)
作者说明文件(原文) SKILL.md
## Overview

EconML is a Microsoft library for causal inference and heterogeneous treatment effect estimation using machine learning. Implements Double ML, Causal Forest, DML, IV methods, and orthogonal statistical learning. Designed for observational data where treatment effects vary across individuals.

## Installation

```bash
uv pip install econml
```

## Double ML (Linear)

```python
from econml.dml import LinearDML
import numpy as np

X = np.random.randn(500, 5)  # features
T = np.random.randn(500)     # treatment
Y = T * (0.5 + X[:, 0]) + np.random.randn(500)  # outcome

est = LinearDML(model_y="auto", model_t="auto", discrete_treatment=False)
est.fit(Y, T, X=X)
print(f"ATE: {est.ate():.3f} ± {est.ate_inference().stderr:.3f}")
```

## Causal Forest

```python
from econml.grf import CausalForest

cf = CausalForest(n_estimators=100, min_samples_leaf=10)
cf.fit(X, T, Y)
treatment_effects = cf.effect(X)
print(f"Heterogeneous effects range: {treatment_effects.min():.3f} to {treatment_effects.max():.3f}")
```

## References
- [EconML docs](https://econml.azurewebsites.net/)
- [EconML GitHub](https://github.com/py-why/EconML)

讨论

基于 GitHub Discussions。登录 GitHub 即可参与讨论、点赞、订阅更新。