Einführung in die Überprüfung der Wirksamkeit - kausales Denken für einen korrekten Vergleich / Grundlagen der quantitativen Ökonomie Reproduzieren Sie den Quellcode in Python Machen.
Ich habe bereits ein Beispiel für die Implementierung eines großartigen Vorfahren, aber ich werde es als Memo für meine Studie hinterlassen.
Dieser Artikel beschreibt die Kapitel 4 und 5. Der Code wird auch auf github veröffentlicht. Darüber hinaus sind Variablennamen und Verarbeitungsinhalte grundsätzlich im Buch implementiert.
CausalImpact
Hier wird es mit pycausal effect implementiert. Das Ergebnis stimmt nicht mit der R-Version überein, dies scheint jedoch darauf zurückzuführen zu sein, dass die behandelte Methode anders ist als in der README beschrieben. Es scheint, dass Sie das Zustandsraummodell mit dem Argument "Modell" angeben können, aber ich habe aufgegeben, weil es schwierig zu sein scheint, die Implementierung mit der R-Version abzugleichen.
CausalImpact
from causalimpact import CausalImpact
impact = CausalImpact(CI_data, pre_period, post_period, prior_level_sd=None)
impact.plot()
print(impact.summary())
RDD Eine nichtlineare Regressionsanalyse kann durchgeführt werden, indem das folgende Modell gelernt und auf die Wirkung von Interventionsvariablen Bezug genommen wird.
RDD
from sklearn.preprocessing import PolynomialFeatures
degree = 4
X = nonlinear_rdd_data[['history_log']]
X = X - cutpoint
X_poly = PolynomialFeatures(degree=degree, include_bias=False).fit_transform(X)
X_poly = pd.DataFrame(X_poly, columns=[f'X{i+1}' for i in range(X_poly.shape[1])])
nonlinear_rdd_data = pd.concat([nonlinear_rdd_data, X_poly], axis=1)
nonlinear_rdd_ord4 = ols('visit ~ treatment + X1 + X2 + X3 + X4 + treatment:X1 + treatment:X2 + treatment:X3 + treatment:X4', data=nonlinear_rdd_data).fit()
Recommended Posts