Causal Capybara

Software s otevřeným zdrojovým kódem pro kauzální inferenci ve Windows. Navrhněte studii, prověřte předpoklady, projděte diagnostiku, porovnejte odhady účinků intervencí a exportujte skripty a zprávy. Analýzy můžete spouštět také z příkazové řádky. Výzkumnou službu lze používat samostatně a offline.

Otevřený zdrojový kód · aplikace pro Windows v0.2.0 · včetně Pythonu

Causal Capybara porovnává tři odhady účinku intervence vypočtené v Pythonu a jejich intervaly spolehlivosti. Vedle nich je vidět výzkumná otázka, vybrané proměnné a předpoklady.

Skutečné výsledky z Pythonu na vygenerovaných výukových datech. Zobrazit snímek v angličtině

Přečíst zobrazené odhady

Příklad odhaduje průměrný účinek programu včasné podpory na skóre vývoje u dětí, které se programu zúčastnily (ATT). Výuková sada má 747 pozorování. Podporu dostalo 258 dětí.

MetodaOdhad95% interval spolehlivosti
Regrese výsledku (g-komputace)3,5862,848–4,323
Dvojitě robustní odhad (AIPW)3,572,801–4,339
Vážení pomocí propensity skóre3,662,863–4,457

Výzkumný postup

  1. Vymezte výzkumnou otázku

    Určete intervenci, výsledek, populaci a srovnání. Nejdřív vymezte, který účinek chcete odhadnout, a teprve pak zvolte odhadovou metodu.

  2. Zpřesněte návrh studie

    Vyberte z deseti výzkumných designů. Přiřaďte proměnným role v přehledu studie a nakreslete kauzální graf. Při adjustaci vynechte kontrolní proměnné měřené až po intervenci.

  3. Nejdřív kontrola, potom odhad

    Projděte 119 diagnostických kontrol, například překryvu, vyváženosti skupin a trendů. Porovnejte obhajitelné metody vedle sebe a mějte na očích i nejistotu odhadů.

  4. Zachovejte zdůvodnění

    Exportujte specifikaci, vygenerovaný kód pro R či Python, grafy a zprávy. Předpoklady, vyřazená pozorování a předběžné výsledky zůstanou součástí analýzy.

V přehledu studie vyberete proměnné pro intervenci, výsledek a měřené matoucí faktory. Vedle se zobrazují výsledky kontroly překryvu.

V přehledu studie vidíte, z jakých rozhodnutí vychází identifikace účinku.

Přečíst zobrazenou kontrolu překryvu

V přehledu studie označuje support_program intervenci a development_score výsledek. Mezi měřené matoucí faktory patří porodní hmotnost, věk a vzdělání matky, předčasný porod, novorozenecké skóre a údaj, zda jde o dívku.

Graf srovnává propensity skóre u 258 pozorování s intervencí a 489 bez ní. Přibližně 1 % leží mimo oblast překryvu obou skupin. Efektivní velikost vzorku skupiny bez intervence je asi 359. Mimo oblast překryvu se srovnání opírá o extrapolaci.

Předpoklady a diagnostika

Přehled předpokladů rozlišuje, co berete jako předpoklad, co má oporu v podkladech a co ještě čeká na ověření. Ani dobře vyvážené skupiny nedokládají, že jste změřili všechny matoucí faktory.

U každé změny vzorku je uveden důvod. Dokud nevyhodnotíte zásadní diagnostické kontroly, výsledek má označení „předběžný“. Když metody dávají různé odhady, zůstanou zobrazené vedle sebe.

Potřebujete pomoci s návrhem studie? Prohlédněte si naši službu hodnocení politik a programů.

Přečíst průvodce analýzou v angličtině

Katalog metod

Projděte všech 93 metod a testů v katalogu. Celkem 70 jich lze spustit v Pythonu. Zbývajících 23 jsou výukové karty k metodám, pro které tato verze zatím nemá adaptér. Sedm spustitelných metod má také adaptér pro R.

Počet metod a testů: 93

Randomizované experimenty7 položek
  • Interference a přelévání účinků mezi jednotkami

    Výuková karta

    Ovlivní-li intervence u jedné jednotky výsledek jiné jednotky, odhadněte přímý účinek a účinek přelévání zvlášť.

    interference.exposure
  • ITT a CACE při nedodržení přidělení

    Python

    Ne každý, komu program nabídnete, se ho zúčastní. Uveďte dopad nabídky a zvlášť dopad účasti u lidí, které nabídka k účasti přiměla.

    rct.cace
  • Skupinově randomizovaný experiment

    Python

    Při přidělování celých škol, klinik nebo vesnic je pro velikost vzorku rozhodující počet skupin.

    rct.cluster
  • Rozdíl průměrů

    Python + R

    Porovnejte obě skupiny podle randomizovaného přidělení. Kovariáty můžete využít ke zpřesnění srovnání při zachování stejné otázky.

    rct.diff_means
  • Fisherova randomizační inference

    Python

    Zopakujte randomizaci tisíckrát se stejnými hodnotami výsledku. Zjistěte, jak neobvyklý je pozorovaný výsledek.

    rct.randomization_inference
  • Blokový nebo stratifikovaný experiment

    Python

    Odhadněte účinek v každém bloku, v němž proběhla randomizace. Poté odhady zprůměrujte podle cílového estimandu.

    rct.stratified
  • Přenositelnost a zobecnitelnost

    Výuková karta

    Vezměte účinek odhadnutý v jedné populaci a zkoumejte, jaký by byl v jiné populaci s odlišným rozložením vlastností.

    transport.generalize
Adjustace v observačních studiích a kauzální strojové učení20 položek
  • Manskiho meze

    Výuková karta

    Uveďte interval, v němž podle samotných dat musí účinek ležet, bez dodatečných předpokladů, které by chybějící kontrafaktuální výsledek nahrazovaly.

    bounds.manski
  • Odvozování kauzální struktury

    Výuková karta

    Hledejte graf slučitelný s daty. K určení skutečné kauzální struktury z observačních dat potřebujete další předpoklady.

    discovery.structure_learning
  • Kauzální les s oddělenými vzorky

    Python + R

    Vytvářejte stromy, které hledají jednotky s odlišným účinkem. K výběru rozdělení použijte jiné řádky než k odhadu účinku.

    ml.causal_forest
  • Double ML s oddělenými modely výsledku (IRM)

    Python

    Odhadněte pro obě skupiny samostatné modely výsledku a spojte je s modelem přidělení intervence v dvojitě robustním skóre. Za potřebných kauzálních předpokladů může odhad konvergovat k cílovému účinku, pokud je konzistentně odhadnut model přidělení nebo jsou konzistentně odhadnuté příslušné modely výsledku.

    ml.dml_irm
  • Double ML (částečně lineární model)

    Python

    Předpovězte výsledek a přidělení intervence pomocí matoucích faktorů. Pak použijte rezidua přidělení k regresi reziduí výsledku.

    ml.dml_plr
  • Meta-learnery (T, S, X, DR)

    Python

    Odvoďte účinek pro jednotlivé jednotky čtyřmi způsoby z běžných predikčních modelů při stejném postupu cross-fittingu.

    ml.metalearner
  • Rozhodovací strom pro přidělení intervence

    Python

    Odvoďte z dat stručné a srozumitelné pravidlo pro přidělování intervence. Posuďte ho na datech, která jste k jeho odvození nepoužili.

    ml.policy_tree
  • Dvojitě robustní odhad (AIPW)

    Python + R

    Spojte model přidělení intervence s příslušným modelem výsledku. Za potřebných kauzálních předpokladů a s platnými vahami může odhad konvergovat k cílovému účinku, pokud je jeden z modelů odhadnut konzistentně.

    obs.aipw
  • Přesné párování po seskupení (CEM)

    Python

    Rozdělte kovariáty do kategorií a srovnávejte pouze uvnitř kategorií, které zahrnují obě skupiny.

    obs.matching.cem
  • Genetické párování

    Výuková karta

    Hledejte váhy vzdálenostní metriky, které co nejlépe vyvažují kovariáty. Nemusíte se předem spoléhat na jedinou metriku.

    obs.matching.genetic
  • Párování s nejbližším sousedem

    Python

    Ke každé jednotce s intervencí přiřaďte nejpodobnější jednotku bez intervence a porovnejte výsledky uvnitř párů.

    obs.matching.nn
  • Optimální a úplné párování

    Výuková karta

    Přiřaďte k sobě jednotky najednou tak, aby celková vzdálenost byla co nejmenší. Výběr zohledňuje všechny jednotky současně.

    obs.matching.optimal
  • Vícenásobná imputace slučitelná s analýzou

    Výuková karta

    Chybějící hodnoty několikrát doplňte imputací. Proveďte analýzu v každé takto vytvořené datové sadě a odhady spojte. Pozorování s chybějícími hodnotami tak do analýzy zahrnete.

    obs.missing.mice
  • Regrese výsledku (g-komputace)

    Python + R

    Modelujte výsledek a zkoumejte, co by se stalo, kdyby intervenci dostali všichni, a co kdyby ji nedostal nikdo.

    obs.outcome_regression
  • Super Learner pro pomocné modely

    Výuková karta

    Zkombinujte několik kandidátních modelů pomocí vah získaných křížovou validací.

    obs.superlearner
  • Cílený odhad maximální věrohodnosti (TMLE)

    Python

    Odhadněte model výsledku. Pak ho jednou cíleně upravte ve směru odvozeném z modelu přidělení.

    obs.tmle
  • Propensity skóre pro vyvážení kovariát

    Výuková karta

    Odhadněte pravděpodobnost přidělení modelem, který zohledňuje vyváženost kovariát. Ani přesná predikce přidělení sama o sobě vyváženost nezaručuje.

    obs.weighting.cbps
  • Entropické vyvažování

    Python

    Najděte váhy co nejbližší stejnému vážení, při nichž se vážené průměry kovariát přesně rovnají.

    obs.weighting.entropy
  • Vážení pomocí propensity skóre

    Python + R

    Upravte váhy tak, aby si skupiny s intervencí a bez ní byly podobnější z hlediska měřených matoucích faktorů.

    obs.weighting.ipw
  • Propensity skóre s boostingem (twang)

    Výuková karta

    Odhadněte propensity skóre pomocí boostingu. Zvolte iteraci, při níž jsou kovariáty mezi skupinami nejlépe vyvážené.

    obs.weighting.twang
Rozdíly v rozdílech13 položek
  • Imputace (Borusyak–Jaravel–Spiess)

    Python

    Výsledky bez intervence odhadněte jen z pozorování bez intervence. V každé buňce s intervencí porovnejte pozorovaný výsledek s tímto odhadem.

    did.bjs_imputation
  • Účinky podle kohorty a období (Callaway a Sant’Anna)

    Python

    Pro každou kohortu zavedení a každé období odhadněte účinek pomocí vhodné srovnávací skupiny. Uveďte, s jakými vahami účinky slučujete.

    did.callaway_santanna
  • de Chaisemartin a D’Haultfoeuille

    Výuková karta

    Odhad pro panelová data, v nichž jednotka v některých obdobích intervenci dostává a v jiných ji může opustit. Uvedené imputační a kohortové odhady předpokládají, že po zavedení intervence pokračuje.

    did.chaisemartin
  • Dvojitě robustní DiD

    Python

    Při odhadu rozdílů v rozdílech spojte model výsledku s modelem příslušnosti ke skupině. Za potřebných kauzálních předpokladů může být odhad konzistentní, pokud je jeden z těchto modelů správně specifikován.

    did.dr_did
  • Studie události (období před zavedením a po něm)

    Python

    Vykreslete odhady pro jednotlivá období kolem zavedení. Uvidíte, zda se rozdíl mezi skupinami objevil až při zavedení opatření, nebo už dříve.

    did.event_study
  • Dvoustupňové DiD (Gardner / Wooldridge–Mundlak)

    Python

    Z pozorování bez intervence odhadněte efekty jednotek a období. Poté regresujte rezidua na indikátor zavedení opatření.

    did.gardner_2s
  • Goodmanova–Baconova dekompozice

    Python

    Rozložte odhad s fixními efekty jednotek a období na srovnání dvojic skupin a ukažte váhu každého srovnání. Zahrňte i ta, v nichž jako srovnání slouží skupina, která už intervenci dostala.

    did.goodman_bacon
  • Rozdíly v rozdílech po párování

    Výuková karta

    Nejprve spárujte jednotky s intervencí se srovnávacími jednotkami podle znaků z doby před intervencí. Ve spárovaném vzorku pak vypočtěte rozdíly v rozdílech.

    did.matched
  • Studie události podle Sun a Abrahama

    Python

    Odhadněte vlastní trajektorii pro každou kohortu kolem zavedení a poté je zprůměrujte s vahami podle velikosti kohort.

    did.sun_abraham
  • Syntetické rozdíly v rozdílech (synthdid)

    Výuková karta

    Přiřaďte váhy jednotkám i obdobím a pak vypočtěte rozdíl v rozdílech. Metoda spojuje syntetickou kontrolu s DiD.

    did.synthdid_r
  • Trojí rozdíl

    Python

    Porovnejte rozdíl mezi skupinou s intervencí a srovnávací skupinou u lidí, na které se politika mohla vztahovat. Pak ho srovnejte s týmž rozdílem u nezpůsobilé skupiny v rámci stejných jednotek.

    did.triple_diff
  • Fixní efekty jednotek a období

    Python + R

    Použijte jednu regresi s fixními efekty jednotek a období. Pokud se liší doba zavedení i účinky, může koeficient spojovat srovnání s vahami, které neodpovídají cílovému průměrnému účinku.

    did.twfe
  • Rozdíly v rozdílech (2×2)

    Python + R

    Dvě skupiny a dvě období. Porovnejte změnu u skupiny s intervencí se změnou srovnávací skupiny ve stejném časovém okně.

    did.twoway_2x2
Regresní diskontinuita7 položek
  • Mění se na prahu skokově i hodnoty kovariát?

    Python

    Použijte stejný estimátor pro proměnné, které program nemohl ovlivnit. U nich by na prahu neměl nastat skok.

    rd.covariate_balance
  • Ovlivňovali lidé, na které straně prahu se ocitli?

    Python

    Porovnejte počet jednotek těsně pod prahem a těsně nad ním.

    rd.density_test
  • Neostrá RD (překročení prahu mění pravděpodobnost účasti)

    Python

    Skok ve výsledku vydělte skokem v účasti. Dostanete účinek pro lidi, jejichž účast práh skutečně ovlivnil.

    rd.fuzzy
  • Regrese se zlomem (pravidlo mění sklon)

    Python

    Pokud vzorec mění sklon bez skoku, změřte změnu sklonu výsledku.

    rd.kink
  • Ostrá RD na prahu

    Python

    Na každé straně prahu proložte daty přímku a změřte skok mezi nimi.

    rd.local_linear
  • RD s lokální randomizací

    Výuková karta

    Považujte úzké okolí prahu za malý randomizovaný experiment a vyhodnoťte ho bez prokládání křivky.

    rd.local_randomization
  • RD s více prahy nebo zeměpisnou hranicí

    Výuková karta

    Spojte několik prahů nebo hranici na mapě v jednom designu.

    rd.multi_cutoff
Instrumentální proměnné6 položek
  • Dvoustupňová metoda nejmenších čtverců

    Python

    Použijte pouze část variability intervence způsobenou instrumentem a zjistěte, co se stalo s výsledkem.

    iv.2sls
  • Dvoukroková GMM

    Python

    Instrumenty važte podle množství informace, kterou poskytují, pomocí váhové matice odhadnuté z dat.

    iv.gmm
  • LIML (a Fullerův odhad)

    Python

    Obdoba dvoustupňové metody nejmenších čtverců založená na maximální věrohodnosti, která se chová stabilněji při slabých instrumentech.

    iv.liml
  • Marginální účinky intervence

    Výuková karta

    Sledujte účinek jako funkci neochoty jednotky podstoupit intervenci a nezůstaňte jen u jednoho lokálního průměru.

    iv.mte
  • Instrumenty shift-share (Bartik)

    Výuková karta

    Spojte celostátní šoky s podíly místní expozice a vytvořte instrument pro místní změny.

    iv.shift_share
  • Konfidenční množina robustní vůči slabým instrumentům

    Python

    Uveďte hodnoty účinku, které test nezamítne. Jsou-li splněny předpoklady metody instrumentálních proměnných, může konfidenční množina zůstat platná i při slabých instrumentech.

    iv.weak_robust
Syntetická kontrola6 položek
  • Syntetická kontrola

    Python

    Vytvořte váženou srovnávací oblast z míst bez intervence, která se jí předem podobala. Sledujte, jak se po intervenci obě řady rozcházejí.

    sc.abadie
  • Rozšířená syntetická kontrola

    Python

    Pokud žádný vážený průměr srovnávacích oblastí dostatečně nevystihuje oblast s intervencí, použijte ke korekci zbývajícího zkreslení hřebenovou regresi (ridge). Uveďte, jak velká je korekce.

    sc.augmented
  • Doplňování matice

    Python

    Pomocí modelu s nízkou hodností doplňte pro období s intervencí výsledky, které by u těchto jednotek nastaly bez intervence.

    sc.matrix_completion
  • Microsynth (mnoho jednotek s intervencí)

    Výuková karta

    Syntetická kontrola pro větší počet malých oblastí, například čtvrtí, kde proběhla intervence.

    sc.microsynth
  • Predikční intervaly pro syntetickou kontrolu (scpi)

    Výuková karta

    Sestavte predikční intervaly pro syntetickou kontrolu pomocí modelu chyby predikce. Metoda k tomu nepoužívá permutace.

    sc.scpi
  • Syntetické rozdíly v rozdílech

    Python

    Přiřaďte váhy srovnávacím jednotkám a obdobím před intervencí a vypočtěte rozdíly v rozdílech. Úrovně se mohou lišit, trendy mají být shodné.

    sc.synthdid
Přerušené časové řady4 položky
  • ARIMA s intervencí

    Python

    Modelujte časovou závislost samotné řady. Potom zjistěte, jak velký skok, impuls či postupnou změnu data v okamžiku intervence vyžadují.

    its.arima
  • Bayesovská strukturální časová řada (CausalImpact)

    Výuková karta

    Modelujte kontrafaktuální průběh pomocí strukturálního modelu časové řady a kontrolních řad. Odhadovanou změnu po intervenci shrňte aposteriorním rozdělením.

    its.causal_impact
  • Přerušená časová řada s kontrolou

    Python

    Změřte stejné přerušení vůči řadě, kterou intervence nezasáhla, aby se společný šok nepřičetl jejímu účinku.

    its.controlled
  • Segmentovaná regrese

    Python

    Odhadněte trend před přerušením, promítněte jej vpřed a změřte následný skok i změnu sklonu.

    its.segmented
Mediace3 položky
  • Kontrolovaný přímý účinek

    Python

    Účinek intervence, pokud by mediátor měl pro všechny tutéž pevnou hodnotu.

    med.controlled_direct
  • Intervenční přímé a nepřímé účinky

    Python

    Použijte pro mediátor hodnoty z rozdělení, které by měl v populaci. Nemusíte přiřazovat každému člověku jeho nepozorovatelnou kontrafaktuální hodnotu.

    med.interventional
  • Přirozené přímé a nepřímé účinky

    Python

    Rozložte celkový účinek na přímou složku a složku zprostředkovanou mediátorem.

    med.natural_effects
Longitudinální intervence6 položek
  • G-odhad strukturálních vnořených modelů

    Výuková karta

    Odhadněte účinek režimu pomocí parametru, který odstraní souvislost mezi přidělením intervence a výsledkem očištěným o modelovaný účinek intervence.

    long.g_estimation
  • Parametrická g-formule

    Python

    Modelujte postupně každé období a pak simulujte situaci, v níž všichni dodržují zvolenou strategii.

    long.gformula
  • Longitudinální modifikované intervenční politiky (lmtp)

    Výuková karta

    Odhadněte účinek posunu spojité nebo vícehodnotové intervence, aniž byste všem nastavili jedinou hodnotu.

    long.lmtp
  • Sekvenčně dvojitě robustní odhad (augmentovaná ICE g-formule)

    Python

    Postupujte zpětně od konečného výsledku a doplňte regrese pomocí pravděpodobností přidělení intervence. Za potřebných kauzálních předpokladů může stačit konzistentně odhadnout příslušné regrese výsledku nebo modely přidělení.

    long.ltmle
  • Longitudinální TMLE pro dobu do události

    Výuková karta

    Doba do události při časově proměnlivé intervenci a cenzorování. Cílenou korekci použijte v každém čase.

    long.ltmle_survival
  • Marginální strukturální model (časově proměnlivé váhy)

    Python

    Změňte váhu každého pozorování za osobu a období, aby se skupiny s intervencí a bez ní podobaly předchozím průběhem. Poté na převážená data použijte jeden jednoduchý model.

    long.msm_iptw
Analýza přežití3 položky
  • Regrese AFT při cenzorování zprava a kauzální standardizace

    Python

    Odhadněte lognormální nebo Weibullův model zrychlené doby do události (AFT) při cenzorování zprava. Za výslovných kauzálních předpokladů použijte rozdělení výchozích kovariát ke standardizaci přežití nebo omezené střední doby přežití (RMST). Případně uveďte podmíněný násobek doby do události.

    survival.aft
  • Neadjustovaný Kaplanův–Meierův kontrast přežití

    Python

    Porovnejte v obou sledovaných skupinách odhad pravděpodobnosti, že do stejného zvoleného času událost ještě nenastala. Jde o neadjustovanou souvislost.

    survival.kaplan_meier
  • Neadjustovaný rozdíl v omezené střední době přežití

    Python

    Porovnejte plochy pod Kaplanovými–Meierovými křivkami do stejného času. Rozdíl vyjádřený v jednotkách času je neadjustovaná souvislost.

    survival.rmst
Heterogenita účinků intervence4 položky
  • Heterogenita u binárních výsledků

    Python

    Testujte interakce v logistickém modelu. Zvlášť testujte heterogenitu standardizovaných kontrastů na škále rozdílu rizik, poměru rizik nebo marginálního poměru šancí.

    heterogeneity.binary
  • Heterogenita u nominálních a ordinálních výsledků

    Python

    V multinomickém modelu zahrňte interakce s intervencí a společně testujte kontrasty mezi pravděpodobnostmi kategorií. Kategorie se zachovají bez převodu na číselné skóre.

    heterogeneity.categorical
  • Heterogenita u spojitých výsledků

    Python

    V OLS zahrňte interakce intervence s charakteristikou měřenou na začátku. Použijte HC3 nebo směrodatné chyby robustní vůči shlukování. Testujte rozdíly průměrů přímo a pro párová srovnání použijte Holmovu korekci.

    heterogeneity.continuous
  • Heterogenita u četností a měr

    Python

    Použijte interakce podmíněného průměru v Poissonově modelu s robustní inferencí. Porovnejte standardizované kontrasty v počtech nebo v mírách při pevné expozici.

    heterogeneity.count
Testy citlivosti a robustnosti14 položek
  • Nepozorovaný matoucí faktor

    Python

    Simulujte společnou příčinu se zvolenou silou a sledujte změnu odhadu. Zjistěte, jak silný by tento matoucí faktor musel být, aby vysvětlil celý pozorovaný vztah.

    probe.add_unobserved_confounder
  • Specifikační křivka

    Python

    Spusťte sadu obhajitelných specifikací a seřaďte odhady. Výsledkem je celá křivka, která ukazuje rozdíly mezi jednotlivými výpočty.

    probe.alternate_spec
  • Citlivost podle Cinelliho a Hazletta (parciální R²)

    Python

    Jak silný by musel být neměřený matoucí faktor ve srovnání s měřenými kovariátami, aby snížil odhad až na nulu?

    probe.cinelli_hazlett
  • E-hodnota

    Python

    Nejmenší síla vztahu na škále poměru rizik, kterou by neměřený matoucí faktor musel mít k intervenci i k výsledku, aby po zohlednění měřených kovariát vysvětlil pozorovanou souvislost.

    probe.evalue
  • Honest DiD (Rambachan–Roth)

    Python

    Zjistěte, které závěry platí, pokud povolíte stanovenou odchylku od paralelních trendů.

    probe.honest_did
  • Vynechávání po jedné jednotce

    Python

    Postupně vynechávejte po jednom klastru, kohortě nebo srovnávací jednotce. Sledujte, zda výsledek závisí hlavně na tom, co jste vynechali.

    probe.leave_one_out
  • Negativní kontrola

    Python

    Zvolte negativní kontrolu, na niž mohou působit stejné matoucí faktory a u níž neočekáváte kauzální účinek. Zjištěná souvislost může upozornit na zkreslení.

    probe.negative_control
  • Stabilita koeficientu podle Osterové

    Python

    Jak významné by musely být nepozorované proměnné vzhledem k již použitým kontrolám, aby koeficient klesl na nulu?

    probe.oster
  • Placebo výsledek

    Python

    Proveďte stejnou analýzu pro výsledek, který intervence nemohla změnit. Neměl by se ukázat žádný účinek.

    probe.placebo_outcome
  • Placebo intervence

    Python

    Pro placebo analýzu zvolte dřívější datum zavedení, náhodně přeskupte přidělení intervence nebo použijte proměnnou, která výsledek nemůže způsobit.

    probe.placebo_treatment
  • Náhodná společná příčina

    Python

    Do sady pro adjustaci přidejte proměnnou bez kauzálního vlivu. Odhad by se měl změnit jen nepatrně.

    probe.random_common_cause
  • Rosenbaumovy meze

    Python

    Jak rozdílné mohou být šance na přidělení intervence uvnitř spárované dvojice, než závěr přestane být jednoznačný?

    probe.rosenbaum
  • Stabilita v podvzorcích

    Python

    Opakujte odhad v náhodných podvzorcích. Výsledek by se neměl posunout víc, než odpovídá úbytku dat.

    probe.subset
  • Citlivost na prahové hodnoty ořezu

    Python

    Opakujte odhad při různých prahových hodnotách pro ořezávání propensity skóre. Zjistěte, jak na jejich výběru závisí výsledek.

    probe.trim_curve

Údaj o dostupnosti platí pro tuto verzi. Vhodnost metody posuďte podle svého návrhu studie. R se instaluje samostatně. Adaptér kauzálního lesa vyžaduje také grf. Katalog v aplikaci uvádí předpoklady, diagnostiku, možnosti a zdroje pro každou metodu.

Desktop, CLI a MCP

Pro celou studii využijte desktopovou aplikaci, automatizujte analýzy z terminálu nebo připojte offline výzkumnou knihovnu k vlastnímu asistentovi.

Desktopová aplikace

Začněte příkladem s průvodcem nebo vlastními daty. Navrhněte studii, projděte diagnostiku a zobrazte výsledky. Můžete porovnat analýzy, zkontrolovat vygenerovaný kód a sestavit zprávu i bez vlastního skriptu.

Aplikace pro Windows x64 obsahuje Python i analytické balíčky. Instalační soubor není podepsaný. Ve Windows, macOS a Linuxu lze také ze zdrojového kódu spustit místní aplikaci v prohlížeči.

Instalace a nastavení ze zdrojového kódu v angličtině

CLI pro analýzu

Vytvářejte projekty, importujte data a stanovte specifikaci. Projděte diagnostiku, zjistěte doporučené metody a spusťte analýzu. Můžete vygenerovat kód pro R či Python nebo specifikaci YAML, ověřit uložené běhy a exportovat zprávy.

Po nastavení prostředí Pythonu pro práci se zdrojovým kódem spusťte příkazy z kořenové složky repozitáře. Příklad vypíše cestu k projektu a ID specifikace pro další kroky.

Přečíst průvodce analytickým CLI v angličtině

Bash · aktivní prostředí Pythonu

export PYTHONPATH="engines/python:sidecar"
python -m capy_sidecar example medicaid
python -m capy_sidecar engines

# Replace PROJECT and SPEC with the example output.
python -m capy_sidecar sketch PROJECT SPEC
python -m capy_sidecar recommend PROJECT SPEC
python -m capy_sidecar run PROJECT SPEC \
  did.callaway_santanna did.twfe
python -m capy_sidecar scripts PROJECT SPEC --lang r
python -m capy_sidecar report PROJECT SPEC \
  --format markdown
python -m capy_sidecar validate PROJECT

Offline výzkumné CLI a MCP

Nainstalujte capy-knowledge jako samostatný balíček. Hledejte ve stromu výzkumných poznatků, ověřujte požadavky metod a načítejte podklady s citacemi nebo otázky pro kontrolu studie. Desktopovou aplikaci ani statistická výpočetní jádra k tomu nepotřebujete.

Propojte projekt s Codexem, Claude Code, Grok Build nebo Antigravity. Příkaz k nastavení nainstaluje přenositelný výzkumný modul (skill) a přidá místní konfiguraci MCP pro zvoleného klienta.

Průvodce nastavením MCP a klientů v angličtině

Python 3.11+ · z místní kopie zdrojového kódu

python -m venv .venv
# Activate the environment for your shell, then:
python -m pip install './knowledge[mcp]'
capy-knowledge validate
capy-knowledge search "AIPW overlap"
capy-knowledge requirements survival.aft
capy-knowledge coverage --method survival.aft

# Choose your client: codex, claude, grok, antigravity.
capy-knowledge setup-client codex \
  --project /absolute/path/to/your/project

Osm specializovaných nástrojů MCP

Offline knihovna nabízí veřejné výzkumné poznatky s citacemi, stavem posouzení, mezerami v důkazech a snímkem s číslem verze. MCP vyhledává podklady. Statistické analýzy spustíte v desktopové aplikaci nebo analytickém CLI.

Server MCP nemá přístup k souborům studií ani k surovým datům, nevyhledává přes síť a nespouští analýzy. U vlastních nástrojů a poskytovatelů asistenta dál platí jejich nastavení.

search_knowledge
Najděte pojmy, metody a odkazy.
get_knowledge_node
Prohlédněte si záznam a jeho podmínky platnosti.
get_source_evidence
Dohledejte podklady citované u tvrzení.
traverse_relations
Prozkoumejte vazby ve stromu výzkumných poznatků.
get_method_requirements
Zkontrolujte předpoklady a požadované vstupy.
build_research_context
Připravte vymezené výzkumné podklady s citacemi.
get_ontology_coverage
Zjistěte, co knihovna pokrývá a kde důkazy chybějí.
get_audit_checklist
Získejte otázky pro posouzení návrhu studie.

Výukové zdroje

Výzkumná knihovna

Přečtěte si 316 samostatných článků o výzkumných designech, metodách, testech, estimandech, předpokladech, diagnostice a studiích. Můžete je číst bez otevřeného projektu nebo spuštěného výpočetního jádra. Hledejte v knihovně literatury, otevírejte odkazy na publikace a kopírujte seznamy zdrojů.

Řešené příklady

Projděte 14 řešených příkladů s vygenerovanými daty a šest šablon simulací. Porovnejte zkreslení, RMSE a pokrytí intervalů v simulacích, kde je skutečný kauzální účinek známý.

Publikované studie

Na vyžádání si můžete od vydavatelů stáhnout deset datových sad z publikovaných studií a ověřit je podle stanovených kontrolních součtů. Stahování začne až na váš pokyn. Aplikace data sama dál nešíří.

Analýza přežití a rozdíly v účincích intervence

Pracujte s Kaplanovou–Meierovou metodou, omezenou střední dobou přežití (RMST) a lognormálními nebo Weibullovými modely AFT při cenzorování zprava. Testujte rozdíly v účinku u spojitých, binárních a kategoriálních výsledků, u počtů a měr i u doby do události. Uveďte škálu účinku a testujte rozdíly přímo.

Offline strom výzkumných poznatků spojuje AIPW s předpoklady, pojmy, podmínkami, záznamy zdrojů a mezerami v důkazech.

Od metody přejděte k jejím podmínkám a důkazům.

Přečíst zobrazené vysvětlení AIPW

Záznam vysvětluje, kdy může dvojitě robustní estimátor AIPW konvergovat k cílovému účinku. Účinek musí být identifikován a váhy platné. Za uvedených podmínek regularity a integrovatelnosti musí být konzistentně odhadnut model pravděpodobnosti přidělení nebo příslušný model výsledku.

Oba modely mohou být chybné. Statistická inference vyžaduje další podmínky. Pokrytí intervalů spolehlivosti v konečných výběrech uvádí záznam jako mezeru v důkazech.

Strom výzkumných poznatků v souvislostech

Prozkoumejte 208 pojmů, 38 vymezených tvrzení a 253 zdrojů. U jednotlivých metod uvidíte jejich předpoklady, potřebné kontroly i to, co dostupné důkazy podporují.

Stejné veřejné znalosti jsou dostupné v aplikaci, v nezávislém CLI i přes MCP.

Výzkumný asistent

Ukládejte si konverzace a rozepsané texty místně u každé studie. Zeptejte se na diagnostickou kontrolu, porovnejte metody nebo projděte výsledek s odkazy na výzkumné zdroje.

Vyhledávejte pouze v místních zdrojích nebo využijte Ollama, podporované cloudové API či vlastní CLI Codexu, Claude Code nebo Groku. Před odesláním si zkontrolujte, které souhrny studií, výsledky diagnostiky, úryvky kódu a poznámky zahrnujete.

U navržené změny si můžete porovnat stav před úpravou a po ní. Použití změny i spuštění analýzy vyžadují samostatné schválení.

Přečíst průvodce výzkumným asistentem v angličtině
Výzkumný asistent s uloženou konverzací vedle výsledků analýzy. Odpověď vychází z místních zdrojů a asistent kvůli ní nekontaktoval žádného poskytovatele AI.

Skutečná odpověď z veřejných zdrojů vedle výsledků na vygenerovaných výukových datech.

Přečíst zobrazenou odpověď asistenta

Otázka zní, co znamená dvojitá robustnost u AIPW. Asistent čerpá odpověď z místních veřejných zdrojů. Rozlišuje předpoklady pro identifikaci účinku a podmínky pro odhadnuté modely. Neměřené matoucí faktory stále mohou odhad zkreslit. Statistickou inferenci je potřeba zdůvodnit zvlášť.

Otázky a odpovědi

Musím programovat nebo instalovat Python?

Aplikace pro Windows obsahuje Python a analytické balíčky. V desktopovém rozhraní lze pracovat bez psaní kódu. Ke spuštění ze zdroje a práci s analytickým CLI potřebujete vlastní prostředí Pythonu. R je volitelné a instaluje se samostatně.

Lze spustit všech 93 metod a testů z katalogu?

V Pythonu lze spustit 70 metod a testů. Zbývajících 23 jsou výukové karty k metodám, které v této verzi ještě nemají adaptér. Sedm metod má také adaptér pro R. Dostupnost metody a její vhodnost pro konkrétní návrh studie posuzujte zvlášť.

Spouští MCP kauzální analýzy?

MCP čerpá z veřejných výzkumných podkladů offline. Nabízí pojmy, důkazy, požadavky metod, souvislosti a kontrolní otázky. Neotevírá datové sady, nemění studie ani neodhaduje modely. K provedení analýzy použijte desktopovou aplikaci nebo analytické CLI.

Zůstanou moje data v počítači?

Analýzy probíhají místně. Projekty a uložené konverzace zůstávají v počítači. K vyhledávání v místních zdrojích nepotřebujete poskytovatele modelu. Pokud zvolíte cloudové API nebo CLI využívající cloud, schválený kontext se odešle danému poskytovateli podle jeho nastavení a podmínek.

Mohu analýzu reprodukovat a sdílet?

Pracovní prostor ukládá specifikaci studie s verzí a generuje kód pro R nebo Python. Exportujte grafy, metodické zdroje a zprávy v Markdownu, HTML či Wordu. K vytvoření PDF potřebujete místní instalaci TeXu. Uložené běhy můžete pomocí CLI ověřit podle schématu výsledků.

Mohu nástroj využít ve výuce nebo v instituci?

Causal Capybara je software s otevřeným zdrojovým kódem pod licencí Apache-2.0. Tato licence umožňuje původní kód prohlížet i znovu použít. Pro součásti třetích stran a stažené datové sady platí vlastní podmínky. Začněte řešeným příkladem nebo se ohledně výuky či výzkumu obraťte na VCESR.

Stáhnout Causal Capybara

Aplikace pro Windows v0.2.0 · nepodepsaný instalační soubor

Kapybara vedle kauzálního grafu na papíře.