TFP CausalImpact

这个Python包实现了一种估计时间序列中设计干预措施因果效应的方法。例如，广告活动产生了多少额外的每日点击？当没有随机实验可用时，回答这类问题可能很困难。该包旨在使用结构贝叶斯时间序列模型来估计如果干预措施没有发生，响应指标可能会如何演变 [1]。

与所有针对非实验数据的因果推断方法一样，有效的结论需要强烈的假设。特别是，CausalImpact包假设结果时间序列可以用一组受干预措施影响的控制时间序列来解释。此外，假设干预措施后处理序列和控制序列之间的关系是稳定的。理解和检查任何特定应用的这些假设对于获得有效的结论至关重要。

TFP CausalImpact 是一个基于 Python + TensorFlow Probability 的实现，它是 Google 开发的 R 包 CausalImpact 的一个版本，由 Kay Brodersen 和 Alain Hauser 开发。TFP CausalImpact 结合了原始 R 包和 Dafiti 开发的 Python 版本 https://github.com/dafiti/causalimpact，后者由 Willian Fuks 开发。TFP CausalImpact 由 Google 的 Colin Carroll、David Moore、Jacob Burnim、Kyle Loveless 和 Susanna Makela 开发。

这不是一个官方支持的产品。

[1] 使用贝叶斯结构时间序列模型推断因果影响。 Kay H. Brodersen, Fabian Gallusser, Jim Koehler, Nicolas Remy, Steven L. Scott. Annals of Applied Statistics, vol. 9 (2015), pp. 247-274. https://research.google/pubs/pub41854/

入门指南

TFP CausalImpact 可以通过 pip 安装

pip install tfp-causalimpact

导入方式如下

import causalimpact

请参阅快速入门指南。

开发

克隆 TFP CausalImpact，安装开发依赖项，并使用以下命令运行单元测试：

git clone https://github.com/google/tfp-causalimpact.git tfp_causalimpact
cd tfp_causalimpact

pip install flit
flit install --only-deps

pytest -vv -n auto