econml

Par mkurman · zorai

EconML (Microsoft) — estimation d'effets de traitement hétérogènes. Double ML, Causal Forest, Deep IV et méta-apprenants (S-Learner, T-Learner, X-Learner). Apprentissage orthogonal pour les effets causaux à partir de données observationnelles.

npx skills add https://github.com/mkurman/zorai --skill econml

Aperçu

EconML est une bibliothèque Microsoft pour l'inférence causale et l'estimation des effets de traitement hétérogènes utilisant le machine learning. Implémente Double ML, Causal Forest, DML, les méthodes IV et l'apprentissage statistique orthogonal. Conçue pour les données observationnelles où les effets de traitement varient selon les individus.

Installation

uv pip install econml

Double ML (Linear)

from econml.dml import LinearDML
import numpy as np

X = np.random.randn(500, 5)  # features
T = np.random.randn(500)     # treatment
Y = T * (0.5 + X[:, 0]) + np.random.randn(500)  # outcome

est = LinearDML(model_y="auto", model_t="auto", discrete_treatment=False)
est.fit(Y, T, X=X)
print(f"ATE: {est.ate():.3f} ± {est.ate_inference().stderr:.3f}")

Causal Forest

from econml.grf import CausalForest

cf = CausalForest(n_estimators=100, min_samples_leaf=10)
cf.fit(X, T, Y)
treatment_effects = cf.effect(X)
print(f"Heterogeneous effects range: {treatment_effects.min():.3f} to {treatment_effects.max():.3f}")