dowhy

DoWhy é uma biblioteca Python de código aberto para inferência causal, desenvolvida no ecossistema PyWhy. Ela foi projetada para guiar os usuários pelas etapas do raciocínio causal e fornecer uma interface unificada para responder a perguntas causais. A biblioteca se baseia em dois grandes frameworks: modelos causais gráficos e resultados potenciais. Para estimativa de efeitos, ela usa critérios baseados em grafos e do-calculus para modelar suposições e identificar efeitos causais não paramétricos, e depois muda para métodos baseados em resultados potenciais para a estimativa. Para perguntas além da estimativa de efeitos, ela modela o processo de geração de dados por meio de mecanismos causais explícitos em cada nó, permitindo a atribuição de efeitos observados a variáveis específicas e a estimativa de contrafactuais pontuais. As principais capacidades incluem: - Estimativa de efeitos: identificação, efeito causal médio, efeito causal médio condicional, variáveis instrumentais e mais. - Quantificação de influências causais: análise de mediação, força de seta direta, influência causal intrínseca. - Análise hipotética: geração de amostras a partir de distribuições interventivas e estimativa de contrafactuais. - Análise de causa raiz e explicações: atribuição de anomalias a causas, descoberta de causas para mudanças de distribuição e estimativa de relevância de características. Uma característica notável é a API de refutação e falsificação, que pode testar suposições causais para qualquer método de estimativa, com o objetivo de tornar a inferência mais robusta e acessível a não especialistas. O fluxo de trabalho típico para estimativa de efeitos envolve quatro etapas: modelar, identificar, estimar e refutar. Os usuários definem um grafo causal (frequentemente via NetworkX), identificam o estimando alvo, estimam-no com um método estatístico e então executam verificações de robustez. DoWhy enfatiza a interpretabilidade, permitindo a inspeção de suposições não testadas, estimandos identificados e estimativas em qualquer ponto. O framework de modelo causal gráfico (GCM) suporta modelos causais estruturais, atribuição automática de mecanismos causais, ajuste, avaliação, atribuição de anomalias e amostragem interventiva. Ele é baseado no framework de Pearl e modela mecanismos causais explicitamente. DoWhy suporta Python 3.8+ e pode ser instalado via pip, poetry ou conda. Dependências opcionais como pydot ou pygraphviz permitem entrada de grafos em formato dot e grafos com melhor aparência. O projeto fornece documentação extensa, notebooks de exemplo, estudos de caso e tutoriais em vídeo. Ele faz parte da organização PyWhy, que hospeda ferramentas relacionadas, como o EconML para estimativa de efeito causal médio condicional.