econml

EconML é um pacote Python para estimar efeitos de tratamento heterogêneos a partir de dados observacionais por meio de aprendizado de máquina. Foi projetado e construído como parte do projeto ALICE na Microsoft Research, combinando técnicas de aprendizado de máquina de ponta com econometria para trazer automação a problemas complexos de inferência causal. Propósito central: medir o efeito causal de uma ou mais variáveis de tratamento T sobre uma variável de resultado Y, controlando por características X e W, e como esse efeito varia em função de X. Os métodos funcionam com conjuntos de dados observacionais (não experimentais ou históricos). Para interpretação causal, alguns métodos assumem ausência de confundidores não observados, enquanto outros assumem acesso a um instrumento Z que afeta o tratamento T, mas não tem efeito direto sobre o resultado Y. A maioria dos métodos fornece intervalos de confiança e resultados de inferência. Os objetivos de design declarados incluem implementar técnicas recentes na interseção entre econometria e aprendizado de máquina, manter flexibilidade na modelagem da heterogeneidade de efeitos (random forests, boosting, lasso, redes neurais) preservando a interpretação causal e frequentemente oferecendo intervalos de confiança válidos, usar uma API unificada e construir sobre pacotes Python padrão para aprendizado de máquina e análise de dados. As famílias de estimação implementadas mostradas no README incluem: - Double Machine Learning (LinearDML, SparseLinearDML, NonParamDML, CausalForestDML) com intervalos de confiança OLS ou bootstrap. - Dynamic Double Machine Learning para dados em painel (DynamicDML). - Orthogonal Random Forests (DMLOrthoForest, DROrthoForest). - Meta-learners: XLearner, SLearner, TLearner. - Aprendizes duplamente robustos: LinearDRLearner, SparseLinearDRLearner, ForestDRLearner. - Métodos de variáveis instrumentais: OrthoIV, NonParamDMLIV, LinearDRIV, SparseLinearDRIV, ForestDRIV, LinearIntentToTreatDRIV. O suporte à interpretabilidade inclui um interpretador de árvore do modelo CATE (SingleTreeCateInterpreter), um interpretador de política (SingleTreePolicyInterpreter) e valores SHAP para o modelo CATE. Seleção e validação de modelos: um RScorer para seleção de modelos causais, pontuação e ensemble ponderado; seleção de modelo de primeiro estágio integrada que funciona com classes de seleção de modelos do sklearn, como LassoCV ou GridSearchCV, ou uma lista de modelos candidatos. Inferência: quando habilitado, um objeto InferenceResults fornece valores-p, estatísticas z, erros padrão e intervalos de confiança; um método summary() está disponível para modelos CATE paramétricos lineares, além de resumos de effect_inference no nível amostral e populacional. Aprendizado de políticas: aprendizado direto de políticas a partir de dados observacionais usando um método duplamente robusto para aprendizado de políticas offline, prevendo um tratamento recomendado. A instalação é feita via pip install econml do PyPI; a instalação a partir do código-fonte é documentada para desenvolvedores. O projeto mantém um histórico ativo de versões e documentação em pywhy.org/EconML, com testes e instruções de geração de documentação para contribuidores.