causal-inference

DoWhy es una biblioteca de Python para inferencia causal que admite el modelado explícito y la prueba de supuestos causales. DoWhy se basa en un lenguaje unificado para la inferencia causal, combinando modelos gráficos causales y marcos de resultados potenciales.

Modelado de elevación e inferencia causal con algoritmos de machine learning

ALICE (Automated Learning and Intelligence for Causation and Economics) es un proyecto de Microsoft Research cuyo objetivo es aplicar conceptos de inteligencia artificial a la toma de decisiones económicas. Uno de sus objetivos es crear un conjunto de herramientas que combine técnicas de aprendizaje automático de vanguardia con la econometría para automatizar problemas complejos de inferencia causal. Hasta la fecha, el SDK de Python de ALICE (e

Nueva generación de plataforma automatizada de análisis exploratorio de datos y visualización.

Coz: Perfilado causal

Causal Inference for the Brave and True. Un enfoque ligero pero riguroso para aprender sobre la estimación de impacto y la causalidad.

Conjunto de herramientas de Python para razonamiento causal y probabilístico.

Un índice de algoritmos para el aprendizaje de la causalidad con datos

Una biblioteca de Python que ayuda a los científicos de datos a inferir causalidad en lugar de observar correlación.

Una colección de artículos clásicos de la industria y de vanguardia en el campo de la recomendación, publicidad y búsqueda.

Descubrimiento causal en Python. Aprendizaje de causalidad a partir de datos.

Una plantilla de Claude Code lista para usar para académicos que utilizan LaTeX/Beamer + R. Incluye revisión multi-agente, controles de calidad, QA adversarial y protocolos de replicación.

Paquete para inferencia causal en grafos y configuraciones por pares. Se incluyen herramientas para la recuperación de la estructura de grafos y dependencias.

Una lista curada de bibliotecas, recursos y aplicaciones de inferencia causal.

Un paquete de Python para inferencia causal en entornos cuasiexperimentales

Proyectos relacionados con IA confiable.

Bosques Aleatorios Generalizados

Paquetes de habilidades de Claude Code/Codex específicos para revistas académicas que cubren las principales publicaciones —AER, QJE, Nature, Cell, 管理世界, 经济研究 y más de 200 adicionales—, tu vía rápida para publicar.

Traducción al chino de Causal Inference for the Brave and True. Todo el código está basado en Python, adecuado para econometría, sociología cuantitativa, evaluación de políticas y otros campos. Autor de la versión en inglés: Matheus Facure

Gestión de redes, monitoreo, ITOM y análisis de seguridad de código abierto

Paquete de Python para análisis de inferencia causal modular y evaluaciones de modelos

DoubleML: aprendizaje automático doble en Python.

Implementación en Python de Causal Impact basada en el paquete R de Google. Construido utilizando TensorFlow Probability.

Una lista curada de herramientas, bibliotecas y recursos de IA para la investigación, enseñanza y análisis de políticas económicas. Mantenida por el equipo de OpenEcon.

Paquete de Python para el descubrimiento causal basado en LiNGAM.