econml.score.EnsembleCateEstimator

class econml.score.EnsembleCateEstimator(*, cate_models, weights)[源代码]

基类: object

一个 CATE 估计器，表示多个 CATE 估计器的加权集成。返回其加权效应预测。

参数

  • cate_models (list of BaseCateEstimator objects) – 用于集成的已拟合 CATE 估计器对象列表。模型通过引用传递，不进行内部复制，因为我们需要已拟合的对象，所以对传递的模型进行的任何更改都会影响内部预测（例如，如果输入模型被重新拟合）。

  • weights (np.ndarray of shape (len(cate_models),)) – 放置在每个模型上的权重。权重必须是非负的。集成将根据 cate_models 估计器的加权平均预测进行效应预测，权重由 weights 中的对应权重给出。

__init__(*, cate_models, weights)[源代码]

方法

__init__(*, cate_models, weights)

const_marginal_effect([X])

计算常数边际 CATE \(\theta(·)\)。

effect([X, T0, T1])

计算异质处理效应 \(\tau(X, T0, T1)\)。

marginal_effect(T[, X])

计算异质边际效应 \(\partial\tau(T, X)\)。

属性

cate_models

weights

const_marginal_effect(X=None)[源代码]

计算常数边际 CATE \(\theta(·)\)。

边际效应是基于一组 m 个测试样本 X[i] 的特征向量的条件效应。

参数

X ((m, d_x) 矩阵, 可选) – 每个样本的特征。

返回

theta – 每个样本 X[i] 的每个特征化处理对每个结果的常数边际 CATE。请注意，当 Y 或特征化 T（如果 treatment_featurizer 为 None，则为 T）是向量而不是二维数组时，输出中相应的单例维度将被折叠（例如，如果两者都是向量，则此方法的输出也将是向量）

返回类型

(m, d_y, d_f_t) 矩阵 或 (d_y, d_f_t) 矩阵（如果 X 为 None），其中 d_f_t 是特征化处理的维度。如果 treatment_featurizer 为 None，则 d_f_t = d_t。

effect(X=None, *, T0=0, T1=1)[源代码]

计算异质处理效应 \(\tau(X, T0, T1)\)。

效应是在两个处理点之间计算的，条件是基于一组 m 个测试样本 \(\{T0_i, T1_i, X_i\}\) 的特征向量。

参数

  • T0 ((m, d_t) 矩阵 或 长度为 m 的向量) – 每个样本的基础处理

  • T1 ((m, d_t) 矩阵 或 长度为 m 的向量) – 每个样本的目标处理

  • X ((m, d_x) 矩阵, 可选) – 每个样本的特征

返回

τ – 每个样本的每个结果的异质处理效应。请注意，当 Y 是向量而不是二维数组时，相应的单例维度将被折叠（因此此方法将返回一个向量）

返回类型

(m, d_y) 矩阵

marginal_effect(T, X=None)[源代码]

计算异质边际效应 \(\partial\tau(T, X)\)。

边际效应是围绕基础处理点计算的，条件是基于一组 m 个测试样本 \(\{T_i, X_i\}\) 的特征向量。

参数

  • T ((m, d_t) 矩阵) – 每个样本的基础处理

  • X ((m, d_x) 矩阵, 可选) – 每个样本的特征

返回

grad_tau – 每个样本的每个结果的异质边际效应。请注意，当 Y 或 T 是向量而不是二维数组时，输出中相应的单例维度将被折叠（例如，如果两者都是向量，则此方法的输出也将是向量）

返回类型

(m, d_y, d_t) 数组