dowhy

DoWhy es una biblioteca de Python de código abierto para inferencia causal, desarrollada bajo el ecosistema PyWhy. Está diseñada para guiar a los usuarios a través de los pasos del razonamiento causal y proporcionar una interfaz unificada para responder preguntas causales. La biblioteca se basa en dos marcos principales: modelos causales gráficos y resultados potenciales. Para la estimación de efectos, utiliza criterios basados en grafos y cálculo-do para modelar supuestos e identificar efectos causales no paramétricos, y luego cambia a métodos basados en resultados potenciales para la estimación. Para preguntas más allá de la estimación de efectos, modela el proceso de generación de datos mediante mecanismos causales explícitos en cada nodo, lo que permite atribuir efectos observados a variables específicas y estimar contrafactuales puntuales. Las capacidades clave incluyen: - Estimación de efectos: identificación, efecto causal promedio, efecto causal promedio condicional, variables instrumentales y más. - Cuantificación de influencias causales: análisis de mediación, fuerza de flecha directa, influencia causal intrínseca. - Análisis hipotético: generación de muestras a partir de distribuciones interventivas y estimación de contrafactuales. - Análisis de causa raíz y explicaciones: atribución de anomalías a causas, búsqueda de causas para cambios en la distribución y estimación de relevancia de características. Una característica notable es la API de refutación y falsificación, que puede probar supuestos causales para cualquier método de estimación, con el objetivo de hacer la inferencia más robusta y accesible para no expertos. El flujo de trabajo típico para la estimación de efectos implica cuatro pasos: modelar, identificar, estimar y refutar. Los usuarios definen un grafo causal (a menudo mediante NetworkX), identifican el estimando objetivo, lo estiman con un método estadístico y luego ejecutan verificaciones de robustez. DoWhy enfatiza la interpretabilidad, permitiendo inspeccionar supuestos no probados, estimandos identificados y estimaciones en cualquier momento. El marco de modelo causal gráfico (GCM) admite modelos causales estructurales, asignación automática de mecanismos causales, ajuste, evaluación, atribución de anomalías y muestreo interventivo. Se basa en el marco de Pearl y modela mecanismos causales explícitamente. DoWhy admite Python 3.8+ y se puede instalar mediante pip, poetry o conda. Dependencias opcionales como pydot o pygraphviz permiten la entrada de grafos en formato dot y grafos con mejor apariencia. El proyecto proporciona documentación extensa, cuadernos de ejemplo, estudios de caso y tutoriales en video. Es parte de la organización PyWhy, que aloja herramientas relacionadas como EconML para la estimación del efecto promedio del tratamiento condicional.