【机器学习-因果推断】EconML 包函数列表：CATE、IV、GRF ...（Python）

说明：

• 同属ALICE项目的DoWhy强调因果推断的框架，两者可以相互引用；
• 核心的CATE估计基于DML 双重机器学习；
• grf 核心目标是CATE的估计，集成为EconML的一部分；
• grf（R语言）的函数列表参考： 王几行xing：【机器学习-因果推断】grf 广义随机森林包函数列表（R）vs EconML（Python） ；
• 正交/双重机器学习，一种非参估计方法，由 Chernozhukov 等（2016）提出 -- 当所有混淆变量都被观测到、数据高于高维、传统参数估计无法实现的情况下，用于估计CATE。具体双重的两个机器学习器指的是：
• 基于控制变量预测Y（求Y-hat）；
• 基于控制变量预测T（求T-hat）；

1. CATE Estimators CATE 估计器

1.1 Double Machine Learning (DML) 双重机器学习

• econml.dml.DML(), DML 参数估计；
• econml.dml.LinearDML(), 低维线性 DML，最后阶段的回归由 statsmodels 完成；
• econml.dml.SparseLinearDML(), 离散线性DML；
• econml.dml.CausalForestDML(), DML 因果森林，基于对干预变量残差和结果变量的双重估计（所谓的双重机器学习）；
• econml.dml.NonParamDML(), 基础的非参 DML 估计，在CATE最后阶段的估计可以使用多种方法；

1.2 Doubly Robust 双重稳健估计

• econml.dr.DRLearner(), CATE 双重稳健估计，用来处理多处理组的样本自选择问题；
• econml.dr.Linear.DRLearner(), 最后阶段估计是线性回归的双重稳健估计，用于低维数据；
• econml.dr.SparseLinear.DRLearner(), 最后阶段估计是无偏的LASSO双重稳健估计；
• econml.dr.Forest.DRLearner(), 最后阶段估计是因果森林的双重稳健估计，用于非参的因果推断；

1.3 Meta Learners 元学习

• econml.metalearners.XLearner(), by Kunzel et al.；
• econml.metalearners.TLearner(), 条件均值回归估计器；
• econml.metalearners.SLearner(), 条件均值回归估计器，其中的分组变量在ML模型中被当成特征；
• econml.metalearners.DomainAdaptation()，基于 domain adapation 的元学习器；

1.4 Orthogonal Random Forest （ORF）正交随机森林

• econml.orf.DMLOrthoForest(), ORF+DML进行残差矩方法的用；于连续或离散干预；
• econml.orf.OrthoForest(), ORF+双重稳健矩方法，用于离散干预；

2. Instrumental Variable CATE Estimator 工具变量CATE估计器

2.1 Double Machine Learning (DML) IV DML-IV

• econml.iv.dml.OrthoIV(), 正交/DML CATE 估计 + IV；
• econml.iv.dml.DMLIV(), 基础参数 DMLIV CATE 估计；
• econml.iv.dml.NonParamDMLIV(), 非参 DMLIV 估计；

2.2 Doubly Robust (DR) IV 双重稳健 IV

• econml.iv.dr.DRIV(),
• econml.iv.dr.LinearDRIV(),
• econml.iv.dr.SparseLinearDRIV(),
• econml.iv.dr.ForestDRIV(),
• econml.iv.dr.IntentToTreatDRIV(),
• econml.iv.dr.LinearIntentToTreatDRIV(),

2.3 DeepIV 深度IV

• econml.iv.nnet.DeepIV(), 基于神经网络+反事实框架的 IV 估计方法；

3. Estimators for Dynamic Treatment Regimes 动态干预估计

3.1 Dynamic Double Machine Learning 动态 DML

• econml.dynamic.dml.DynamicDML(), 动态干预效果估计 CATE；

4. Policy Learning 政策学习

• econml.policy.DRPolicyForest()，解决选择偏误的双重稳健校正政策森林学习器；
• econml.policy.DRPolicyTree()，解决选择偏误的双重稳健校正政策决策树学习器；
• econml.policy.PolicyForest()，Welfare 最大化的政策森林；
• econml.policy.PolicyTree()，Welfare 最大化的政策树；

5. CATE Interpreters CATE 解释器

• econml.cate_interpreter.SingleTreeCateInterpreter()，CATE 估计器单棵树的解释器；
• econml.cate_interpreter.SingleTreePolicyInterpreter()，CATE政策估计器单棵树的解释器；

6. CATE 评分器

• econml.score.RScorer()，基于F学习器损失的评分器，对残差模型进行拟合并在测试数据的交叉拟合的过程中计算残差；
• econml.score.EnsembleCateEstimator()，一个用于加权集成多个CATE估计器的CATE估计评分器；

7. GRF 广义随机森林

• econml.grf.CausalForest(), 因果森林；
• econml.grf.CausalIVForest(), 因果工具变量森林；
• econml.grf.RegressionForest(), sklearn 回归树 + 诚实随机回归森林；
• econml.grf.MultiOutputGRF(), 多分类结果变量的GRF估计器；
• econml.grf.linearMomentGRFCriterion, 线性矩估计组，用于进行估计局部参数的一系列准则；
• econml.grf.LinearMomentGRFCriterionMSE，上者的MSE；
• econml.grf._basegrf.BaseGRF(), 解线性矩方程组的GRF 基础类；
• econml.grf._base_grftree.GRFTree(), 一棵GRF树，拟合一棵用于解局部矩方程的树；

8. Scikit-Learn Extensions sklearn 插件

8.1 Linear Model Extensions 线性模型扩展

• econml.sklearn_extensions.linear_model.DebiasedLasso()，无偏LASSO模型；
• econml.sklearn_extensions.linear_model.MultiOutputDebiasedLasso()，无偏都分类LASSO模型；
• econml.sklearn_extensions.linear_model.SelectiveRegularization()，部分系数正则化的线性模型估计器；
• econml.sklearn_extensions.linear_model.StatsModelsLinearRegression()，来自 statsmoels 包的 mimics weighted 线性回归类；
• econml.sklearn_extensions.linear_model.StatsModelsRLM()，来自 statsmoels 包的 mimics robust 线性回归类；
• econml.sklearn_extensions.linear_model.WeightedLasso()，加权版的 sklearn LASSO；
• econml.sklearn_extensions.linear_model.WeightedLassoCV()，加权版的 sklearn LASSO CV；
• econml.sklearn_extensions.linear_model.WeightedMultiTaskLassoCV加权版的 sklearn 多任务 LASSO CV；
• econml.sklearn_extensions.linear_model.WeightedLassoCVWrapper()，加权 LASSO CV 或者 加权多任务 LASSO CV封装的帮助类；

8.2 Model Selection Extensions - sklearn 模型选择扩展

• econml.sklearn_extensions.model_selection.GridSearchCVList()，网格搜索交叉验证；
• econml.sklearn_extensions.model_selection.WeightedKFold()，加权数据的 K重交叉验证；
• econml.sklearn_extensions.model_selection.WeightedStratifiedKFold()，加权数据的分层 K重交叉验证；

9. Inference 推断

9.1 Inference Results 推断结果

• econml.inference.NormalInferenceResults()，正态分布假设推断的结果类；
• econml.inference.EmpiricalInferenceResutls()，实证样本集推断的结果类；
• econml.inference.PopulationSummaryResults()，总体概述推断的结果类；

9.2 Inference Methods 推断方法

• econml.inference.BooststrapInference()，用于自助法的推断实例；
• econml.inference.GenericModelFinalInference()，基于 model_final 模型的区间预测的推断；
• econml.inference.GenericSingleTreatmentModelFinalInference()，基于 model_final （Generic Single Treatment）模型的区间预测的推断；
• econml.inference.LinearModelFinalInference()，于 model_final （线性）模型的区间预测的推断；；
• econml.inference.StatsModelsInference()，保存 statsmodels 协方差选项；
• econml.inference.GenericModelFinalInferenceDiscrete()，多分类干预和离散 generic model_final 多干预组CATE的拟合；
• econml.inference.LinearModelFinalIInferenceDiscrete()，多分类干预和离散线性 model_final 多干预组CATE的拟合；
• econml.inference.StatsModelsInferenceDiscrete()，最后阶段模型是 statsmodels 线性回归的特殊情况；

10. Solutions 解决方案

10.1 Casual Analysis 因果分析

• econml.solutions.causal_analysis.CausalAnalysis(), 一个开发中的方法；

11. Integration with DoWhy 和 DoWhy 的集成

• econml.dowhy.DoWhyWrapper(cate_estimator)，通过EconML来调取 DoWhy 包中的方法，比如因果图和稳健性检验方法；

12. Utilities 配套的方法和函数

• econml.utilities，函数和方法集合，比如add_intercept(X), IndetityFeatures();

13. Private Modules Reference 私有模块参考

• econml._ortho_learner，正交机器学习，是一种通用的、通过最小化某些损失函数（基于某些辅助回归模型）进行建立方程估计的方法；
• econml._cate_estimator，所有CATE 估计器的基础类；
• econml.dml._rlearner，R学习器 -- 是一种在没有未观察到的混在因素的情况下、用于估计CATE的灵活非参方法，
• econml.inference._bootstrap，自助法取样；

Ref： Public Module Reference

====全文结束=====