CausalPy 准实验因果推断 Python 库：方法清单、运行条件与示例

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

不用真的做随机实验，也能估计因果效应——CausalPy 把合成控制、双重差分、断点回归、中断时间序列、工具变量这些准实验方法，统一做成了 Python 接口：底层默认走 PyMC 的贝叶斯估计，也能用 scikit-learn 的普通最小二乘。库由 PyMC Labs 维护，Apache License 2.0 下开源。

　

支持的方法与适用场景

　

按决策场景选方法：

　

决策场景	可用方法
对特定单位（地区、产品）做聚焦测试	合成控制、地理提升（geographical lift）
评估前后变化、上线、政策变动	双重差分、错峰双重差分、中断时间序列
利用门槛规则或按分数准入	断点回归、回归弯折（regression kink）
无法随机化、需纠正选择偏差	工具变量、逆倾向得分加权
组间差异并控制协变量	ANCOVA

　

各方法的定位：合成控制用控制单位的加权组合构造「合成的处理组」，适合单一单位被处理、有多个对照单位的比较案例研究；地理提升用相似地区做对照，评估某一区域的干预效果，常用于区域营销活动；ANCOVA 把方差分析与回归结合，在比较组间均值时控制定量协变量；双重差分比较处理组与对照组随时间的结果变化，用时间趋势修正观测研究中的偏差；错峰双重差分处理不同单位在不同时点采纳处理的情形，用插补方式建模未处理结果、再把观测结果与反事实预测对比；断点回归利用分配变量的门槛，比较门槛两侧；回归弯折看的是变量关系斜率在门槛处的变化，适合处理强度在阈值上变化的情形；中断时间序列比较干预前后序列的水平与趋势变化；工具变量用一个与误差项不相关的工具变量处理内生性；逆倾向得分加权按接受处理概率的倒数加权，使处理分配与可测协变量独立，从而调整混杂。

　

安装与运行条件

　

最新稳定版 pip install CausalPy，或 conda install causalpy -c conda-forge；要跟进开发版可从 GitHub 仓库直接安装。运行条件有三条值得注意的提示：当前版本运行在 PyMC 6 / PyTensor 3 / ArviZ
1.x 上，要求 Python 3.12 及以上；numba 已成为传递性硬依赖和默认后端，新定义的模型第一次采样会有一次性的编译延迟，之后的采样复用编译结果；numba 编译的采样 worker 出问题时，可能表现为原生崩溃或静默卡住，而不是 Python 异常——排障时别只等 traceback。

　

另外，装了 nutpie 后 PyMC 默认改用 nutpie 作为 NUTS 采样器、并采用它自己的调优步数（PyMC 内置默认 1000），需要内置采样器时显式传 nuts_sampler="pymc"。

　

一个最小示例（断点回归）

　

文档的快速上手用「饮酒合法年龄」数据集做断点回归：载入 cp.load_data("drinking")，按年龄是否大于 21 构造 treated 变量，然后

　

1. result = cp.RegressionDiscontinuity(
2.     df,
3.     formula="all ~ 1 + age + treated",
4.     running_variable_name="age",
5.     model=cp.pymc_models.LinearRegression(),
6.     treatment_threshold=21,
7. )

复制代码

　

result.plot() 画出断点处估计的跳跃，result.summary() 给出带不确定性区间的后验估计。

　

输出与诊断

　

设计上「诊断优先」：每个实验都提供 effect_summary()，返回表格与文字两种格式的决策摘要；贝叶斯模型报 HDI（最高密度区间），OLS 模型报置信区间；ROPE（实际等价区间）用来判断效应是否超过有实际意义的门槛；还有方向性检验，例如 P(effect > 0) 这样的尾概率，用于方向性推断。

　

适合与不适合的场景

　

适合：手上有可信的准实验设计（门槛规则、政策变动、分批上线、地区 lift 等）；要的是带不确定性与诊断的估计，而不只是点估计；需要可复现的分析产物供审阅与沟通。不适合：要从弱识别的观测数据里做因果发现；想要不写假设的全自动「黑箱」答案；主要需求是生产级工作流工具（管道、治理、多人协作）。

　

引用与许可

　

项目给出的引用条目为：作者 PyMC Labs，标题 CausalPy: Causal inference for quasi-experiments in Python，年份 2026，指向 GitHub 仓库；稳定的 Zenodo DOI 在计划中。许可为 Apache License 2.0；技术使用问题走 GitHub Discussions 的问答区，缺陷与功能请求走 Issues，详细指南在官方文档站。

　

────────────────

回复后可见：GitHub 仓库、官方文档站、Discussions 问答区与 Issues、conda-forge 渠道和 LICENSE 文件的完整地址。

游客，如果您要查看本帖隐藏内容请回复

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

收藏备用，谢谢分享