公共模块参考

CATE 估计器

双重机器学习 (DML)

econml.dml.DML(*, model_y, model_t, model_final)	参数化双重 ML 估计器的基类。
econml.dml.LinearDML(*[, model_y, model_t, ...])	双重 ML 估计器，最终阶段使用低维线性模型，实现为 statsmodel 回归。
econml.dml.SparseLinearDML(*[, model_y, ...])	双重 ML 估计器用于稀疏线性情况的专门版本。
econml.dml.CausalForestDML(*[, model_y, ...])	一个因果森林 [cfdml1]，结合基于双重机器学习对处理和结果变量进行残差化。
econml.dml.NonParamDML(*, model_y, model_t, ...)	非参数双重 ML 估计器的基类，最终阶段可以使用任意基于 ML 的 CATE 模型。
econml.dml.KernelDML([model_y, model_t, ...])	线性双重 ML 估计器的专门版本，使用随机傅立叶特征。

双重稳健 (DR)

econml.dr.DRLearner(*[, model_propensity, ...])	使用双重稳健校正技术来解释不同处理组之间协变量偏移（选择偏差）的 CATE 估计器。
econml.dr.LinearDRLearner(*[, ...])	DRLearner 的特例，其最终阶段是在低维特征集上的线性回归。
econml.dr.SparseLinearDRLearner(*[, ...])	DRLearner 的特例，其最终阶段是 Debiased Lasso 回归。
econml.dr.ForestDRLearner(*[, ...])	DRLearner 的实例，其最终模型为 RegressionForest，以实现非参数推断。

元学习器

econml.metalearners.XLearner(*, models[, ...])	Kunzel 等人提出的元算法，在特定设置下表现最佳
econml.metalearners.TLearner(*, models[, ...])	条件均值回归估计器。
econml.metalearners.SLearner(*, overall_model)	条件均值回归估计器，其中处理分配作为 ML 模型的一个特征。
econml.metalearners.DomainAdaptationLearner(*, ...)	使用领域适应技术来解释

正交随机森林 (ORF)

econml.orf.DMLOrthoForest(*[, n_trees, ...])	使用 DML 残差对残差矩函数，用于连续或离散处理的 OrthoForest。
econml.orf.DROrthoForest(*[, n_trees, ...])	使用双重稳健矩函数，用于离散处理的 OrthoForest。

工具变量 CATE 估计器

双重机器学习 (DML) IV

econml.iv.dml.OrthoIV(*[, model_y_xw, ...])	使用 IV 进行 CATE 估计的正交/双重 ml 方法的实现，如第 4.2 节所述
econml.iv.dml.DMLIV(*[, model_y_xw, ...])	参数化 DMLIV 估计器的基类，用于估计 CATE。
econml.iv.dml.NonParamDMLIV(*[, model_y_xw, ...])	非参数 DMLIV 的基类，允许在 DMLIV 算法的最终阶段使用任意基于平方损失的 ML 方法。

双重稳健 (DR) IV

econml.iv.dr.DRIV(*[, model_y_xw, ...])	用于使用 IV 估计 CATE 的 DRIV 算法。
econml.iv.dr.LinearDRIV(*[, model_y_xw, ...])	DRIV 的特例，其最终阶段是线性回归。
econml.iv.dr.SparseLinearDRIV(*[, ...])	DRIV 的特例，其最终阶段是 Debiased Lasso 回归。
econml.iv.dr.ForestDRIV(*[, model_y_xw, ...])	DRIV 的实例，其最终模型为 RegressionForest，以实现非参数推断。
econml.iv.dr.IntentToTreatDRIV(*[, ...])	实现了用于意向治疗 A/B 测试设置的 DRIV 算法
econml.iv.dr.LinearIntentToTreatDRIV(*[, ...])	实现了用于线性意向治疗 A/B 测试设置的 DRIV 算法

DeepIV

econml.iv.nnet.DeepIV(*, n_components, m, h, ...)

Deep IV 估计器 (参见 http://proceedings.mlr.press/v70/hartford17a/hartford17a.pdf)。

筛法

econml.iv.sieve.SieveTSLS(*, t_featurizer, ...)	非参数工具变量估计器。
econml.iv.sieve.HermiteFeatures(degree[, ...])	返回（未缩放的）Hermite 函数评估的特征提取器。
econml.iv.sieve.DPolynomialFeatures([...])	返回 PolynomialFeatures 特征导数的特征提取器，其方式与 SieveTSLS 的 dt_featurizer 参数的预期兼容。

面板数据估计器

动态双重机器学习

econml.panel.dml.DynamicDML(*[, model_y, ...])

用于动态处理效应估计的 CATE 估计器。

策略学习

econml.policy.DRPolicyForest(*[, ...])	使用双重稳健校正技术来解释不同处理组之间协变量偏移（选择偏差）的策略学习器。
econml.policy.DRPolicyTree(*[, ...])	使用双重稳健校正技术来解释不同处理组之间协变量偏移（选择偏差）的策略学习器。
econml.policy.PolicyForest([n_estimators, ...])	福利最大化策略森林。
econml.policy.PolicyTree(*[, criterion, ...])	福利最大化策略树。

CATE 解释器

econml.cate_interpreter.SingleTreeCateInterpreter(*)	用于解释 CATE 估计器估计的效果的解释器
econml.cate_interpreter.SingleTreePolicyInterpreter(*)	用于解释基于 CATE 估计的策略的解释器

CATE 验证

econml.validate.DRTester(*, ...[, cv])	CATE 模型的验证测试。
econml.validate.BLPEvaluationResults(params, ...)	BLP 测试的结果类。
econml.validate.CalibrationEvaluationResults(...)	校准测试的结果类。
econml.validate.UpliftEvaluationResults(...)	基于提升曲线的测试的结果类。
econml.validate.EvaluationResults(cal_res, ...)	所有测试组合的结果类。

CATE 评分器

econml.score.RScorer(*, model_y, model_t[, ...])	基于 RLearner 损失的评分器。在拟合时拟合残差模型，并以交叉拟合的方式计算评估数据的残差：。
econml.score.EnsembleCateEstimator(*, ...)	一个表示多个 CATE 估计器的加权集成的 CATE 估计器。

广义随机森林

econml.grf.CausalForest([n_estimators, ...])	一个因果森林 [cf1]。
econml.grf.CausalIVForest([n_estimators, ...])	一个因果 IV 森林 [cfiv1]。
econml.grf.RegressionForest([n_estimators, ...])	基于 sklearn 回归树的子采样诚实随机森林回归器实现。
econml.grf.MultiOutputGRF(estimator)	一个简单的包装器估计器，使得所有只接受单一结果的 grf 估计器能够处理多个结果标签。
econml.grf.LinearMomentGRFCriterion	一个准则类，用于估计通过以下形式的线性矩方程定义的局部参数。
econml.grf.LinearMomentGRFCriterionMSE
econml.grf._base_grf.BaseGRF([n_estimators, ...])	广义随机森林的基类，用于解决以下形式的线性矩方程。
econml.grf._base_grftree.GRFTree(*[, ...])	广义随机森林 [grftree1] 的一棵树。该方法应主要通过 BaseGRF 森林类及其派生类使用，而非作为独立估计器。它拟合一棵树来解决局部矩方程问题：。

Scikit-Learn 扩展

线性模型扩展

econml.sklearn_extensions.linear_model.DebiasedLasso([...])	无偏 Lasso 模型。
econml.sklearn_extensions.linear_model.MultiOutputDebiasedLasso([...])	无偏 MultiOutputLasso 模型。
econml.sklearn_extensions.linear_model.SelectiveRegularization(...)	一种线性模型的估计器，其中正则化仅应用于系数的子集。
econml.sklearn_extensions.linear_model.StatsModelsLinearRegression([...])	模拟 statsmodels 包中加权线性回归的类。
econml.sklearn_extensions.linear_model.StatsModelsRLM([...])	模拟 statsmodels 包中稳健线性回归的类。
econml.sklearn_extensions.linear_model.WeightedLasso([...])	接受权重的 sklearn Lasso 版本。
econml.sklearn_extensions.linear_model.WeightedLassoCV([...])	接受权重的 sklearn LassoCV 版本。
econml.sklearn_extensions.linear_model.WeightedMultiTaskLassoCV([...])	接受权重的 sklearn MultiTaskLassoCV 版本。
econml.sklearn_extensions.linear_model.WeightedLassoCVWrapper(...)	根据目标的形状包装 WeightedLassoCV 或 WeightedMultiTaskLassoCV 的辅助类。

模型选择扩展

econml.sklearn_extensions.model_selection.GridSearchCVList(...)	GridSearchCV 的扩展，允许传递一个估计器列表，每个估计器都有自己的参数网格，并返回列表中所有估计器及其对应网格中的最佳超参数组合。
econml.sklearn_extensions.model_selection.WeightedKFold([...])	用于加权数据的 K 折交叉验证器。
econml.sklearn_extensions.model_selection.WeightedStratifiedKFold([...])	用于加权数据的分层 K 折交叉验证器。

推断

推断结果

econml.inference.NormalInferenceResults(d_t, ...)	假设正态分布的推断结果类。
econml.inference.EmpiricalInferenceResults(...)	使用经验样本集的推断结果类。
econml.inference.PopulationSummaryResults(...)	推断的人口摘要结果类。

推断方法

econml.inference.BootstrapInference([...])	用于执行 bootstrapping 的推断实例。
econml.inference.GenericModelFinalInference()	基于 model_final 模型的 predict_interval 的推断。
econml.inference.GenericSingleTreatmentModelFinalInference()	基于 model_final 模型的 predict_interval 的推断。
econml.inference.LinearModelFinalInference()	基于 model_final 模型的 predict_interval 的推断。
econml.inference.StatsModelsInference([cov_type])	存储 statsmodels 协方差选项。
econml.inference.GenericModelFinalInferenceDiscrete()	假设估计器拟合于分类处理，并使用单独的通用 model_final 来拟合与每个处理相关的 CATE。
econml.inference.LinearModelFinalInferenceDiscrete()	带有分类处理的估计器的推断方法，其中使用 X 线性模型来拟合与每个处理相关的 CATE。
econml.inference.StatsModelsInferenceDiscrete([...])	最终模型为 StatsModelsLinearRegression 的特例

联邦估计

econml.federated_learning.FederatedEstimator(...)

使用 LinearDML、LinearDRIV 和 LinearDRLearner 估计器进行联邦学习的类。

解决方案

因果分析

econml.solutions.causal_analysis.CausalAnalysis(...)

注意：这个类是实验性的，并且 API 在接下来的几个版本中可能会发生变化。

与 DoWhy 集成

econml.dowhy.DoWhyWrapper(cate_estimator)

一个包装类，允许用户通过 EconML 调用 dowhy 包中的其他方法。

工具方法

econml.utilities

工具方法。

私有模块参考

econml._ortho_learner	正交机器学习是估计因果模型的一种通用方法，通过将它们表述为某个损失函数的最小化器，该损失函数依赖于也需要从数据中估计的辅助回归模型。
econml._cate_estimator	所有 CATE 估计器的基类。
econml.dml._rlearner	R Learner 是一种在没有未观测到的混淆因素的设置下，估计条件平均处理效应的灵活非参数模型的方法。
econml.inference._bootstrap	Bootstrap 抽样。