# Opensourcesoftware voor causale inferentie | Causal Capybara

Bron: https://www.vcesr.com/nl/causal-capybara

# Causal Capybara

Opensourcesoftware voor causale inferentie op Windows. Ontwerp een studie, beoordeel aannames en diagnostische controles, vergelijk schattingen van interventie-effecten en exporteer scripts en rapporten. Je kunt ook analyses uitvoeren op de opdrachtregel en de offline onderzoeksdienst apart gebruiken.

-   [Download voor Windows](https://github.com/HYHBalci/causal-capybara/releases)
-   [Lees het voorbeeld van gefaseerde invoering](https://www.vcesr.com/nl/insights/evaluation-rollout)

Open source · Windows-app v0.2.0 · inclusief Python

[![Causal Capybara vergelijkt drie in Python berekende schattingen van het interventie-effect en hun betrouwbaarheidsintervallen. Daarnaast staan de onderzoeksvraag, de geselecteerde variabelen en de aannames.](https://www.vcesr.com/assets/capybara-results-1680.3ad73d0120.webp)](https://www.vcesr.com/assets/capybara-results.244f11cd67.png)

Werkelijke resultaten uit Python op gegenereerde lesdata. [Bekijk de Engelstalige schermafbeelding](https://www.vcesr.com/assets/capybara-results.244f11cd67.png)

Lees de getoonde schattingen

Het voorbeeld schat het gemiddelde effect van een vroeg ondersteuningsprogramma op de ontwikkelingsscores van de deelnemers (ATT). De lesdataset bevat 747 waarnemingen. In 258 daarvan kreeg het kind ondersteuning.

| Methode | Schatting | 95%-betrouwbaarheidsinterval |
| --- | --- | --- |
| Uitkomstregressie (g-computation) | 3,586 | 2,848–4,323 |
| Dubbelrobuuste schatting (AIPW) | 3,57 | 2,801–4,339 |
| Weging met de propensityscore | 3,66 | 2,863–4,457 |

## Onderzoeksproces

1.  ### Formuleer de onderzoeksvraag
    
    Benoem de interventie, uitkomst, populatie en vergelijking. Bepaal eerst welk effect je wilt schatten en kies daarna de schatter.
    
2.  ### Leg de onderzoeksopzet vast
    
    Kies uit tien onderzoeksopzetten. Wijs variabelen een rol toe in het ontwerpoverzicht, teken een causale graaf en laat controlevariabelen van na de interventie buiten de correctieset.
    
3.  ### Eerst controleren, dan schatten
    
    Bekijk 119 diagnostische controles, onder meer voor overlap, balans tussen groepen en trends. Vergelijk verdedigbare methoden naast elkaar en houd de onzekerheid van de schattingen zichtbaar.
    
4.  ### Neem de onderbouwing mee
    
    Exporteer de specificatie, gegenereerde R- of Python-code, grafieken en rapporten. De aannames, uitgesloten waarnemingen en voorlopige resultaten worden bij de analyse bewaard.
    

[![In het ontwerpoverzicht geef je aan welke variabelen de interventie, uitkomst en gemeten verstorende factoren voorstellen. Ernaast staan de resultaten van de overlapcontrole.](https://www.vcesr.com/assets/capybara-design-1680.ecf4e14cc9.webp)](https://www.vcesr.com/assets/capybara-design.f894ab75c7.png)

In het ontwerpoverzicht zie je op welke keuzes de identificatie van het effect berust.

Lees de getoonde overlapcontrole

In het ontwerpoverzicht staat `support_program` voor de interventie en `development_score` voor de uitkomst. De gemeten verstorende factoren zijn het geboortegewicht, de leeftijd en opleiding van de moeder, vroeggeboorte, de neonatale score en of het kind een meisje is.

De grafiek vergelijkt de propensityscores van 258 waarnemingen met en 489 zonder interventie. Ongeveer 1% valt buiten het gebied waarin beide groepen elkaar overlappen. De groep zonder interventie heeft een effectieve steekproefomvang van ongeveer 359. Buiten het overlappende gebied berust de vergelijking op extrapolatie.

### Aannames en diagnostiek

In het overzicht van aannames zie je wat je aanneemt, waarvoor je onderbouwing hebt en wat nog niet is getoetst. Goede balans tussen groepen bewijst niet dat alle verstorende factoren zijn gemeten.

Bij elke wijziging van de steekproef staat een reden. Zolang je de belangrijkste diagnostische controles niet hebt beoordeeld, is het resultaat als voorlopig gemarkeerd. Leveren methoden verschillende schattingen op, dan blijven die naast elkaar zichtbaar.

Hulp nodig bij de onderzoeksopzet? Bekijk onze [dienst voor effectevaluatie van beleid en programma’s](https://www.vcesr.com/nl/services/policy-impact-evaluation).

[Lees de Engelstalige analysehandleiding](https://github.com/HYHBalci/causal-capybara/blob/main/docs/GUIDE.md)

## Methodencatalogus

Bekijk alle 93 geregistreerde methoden en toetsen. Je kunt er 70 in Python uitvoeren. De andere 23 zijn leskaarten voor methoden waarvoor deze versie nog geen adapter heeft. Zeven uitvoerbare methoden hebben ook een R-adapter.

93 methoden en toetsen

Gerandomiseerde experimenten7 items

-   ### Interferentie en overloopeffecten
    
    Leskaart
    
    Als een interventie bij één eenheid de uitkomst van een andere eenheid beïnvloedt, schat je het directe effect en het overloopeffect apart.
    
    `interference.exposure`
-   ### ITT en CACE bij niet-naleving
    
    Python
    
    Niet iedereen die een programma aangeboden krijgt, doet mee. Rapporteer het effect van het aanbod en apart het effect van deelname bij mensen die door het aanbod gingen meedoen.
    
    `rct.cace`
-   ### Clustergerandomiseerd experiment
    
    Python
    
    Als hele scholen, klinieken of dorpen aan een onderzoeksarm zijn toegewezen, is vooral het aantal clusters van belang voor de steekproefomvang.
    
    `rct.cluster`
-   ### Verschil in gemiddelden
    
    Python + R
    
    Vergelijk de twee groepen zoals ze zijn gerandomiseerd. Gebruik covariaten om de vergelijking preciezer te maken zonder de onderzoeksvraag te veranderen.
    
    `rct.diff_means`
-   ### Randomisatie-inferentie van Fisher
    
    Python
    
    Herhaal de randomisatie duizenden keren met dezelfde uitkomsten en bepaal hoe uitzonderlijk het waargenomen resultaat is.
    
    `rct.randomization_inference`
-   ### Gerandomiseerd onderzoek met blokken of strata
    
    Python
    
    Schat het effect in elk blok waarin is gerandomiseerd. Bereken daarna een gemiddelde van die schattingen dat past bij het effect dat je wilt schatten.
    
    `rct.stratified`
-   ### Overdraagbaarheid en generaliseerbaarheid
    
    Leskaart
    
    Gebruik een effect dat in één populatie is geschat en onderzoek hoe groot het zou zijn in een andere populatie met een andere verdeling van kenmerken.
    
    `transport.generalize`

Correctie in observationeel onderzoek en causaal machinaal leren20 items

-   ### Manski-grenzen
    
    Leskaart
    
    Geef aan binnen welke grenzen het effect moet liggen op basis van wat de gegevens toelaten. Voor de ontbrekende contrafeitelijke uitkomst hoef je geen extra aannames te doen.
    
    `bounds.manski`
-   ### Causale structuur afleiden
    
    Leskaart
    
    Zoek een graaf die bij de gegevens past. Om de werkelijke causale structuur uit observationele gegevens af te leiden, zijn aanvullende aannames nodig.
    
    `discovery.structure_learning`
-   ### Causaal bos met gescheiden steekproeven
    
    Python + R
    
    Bouw bomen die zoeken naar eenheden met afwijkende effecten. Gebruik voor de keuze van splitsingen andere rijen dan voor de effectschatting.
    
    `ml.causal_forest`
-   ### Double ML met aparte uitkomstmodellen (IRM)
    
    Python
    
    Combineer per groep een uitkomstmodel met een model voor de interventietoewijzing in een dubbelrobuuste score. Onder de vereiste causale aannames kan de schatting naar het beoogde effect convergeren als de relevante uitkomstmodellen óf het toewijzingsmodel consistent zijn geschat.
    
    `ml.dml_irm`
-   ### Double ML (gedeeltelijk lineair)
    
    Python
    
    Voorspel de uitkomst en de interventietoewijzing met de verstorende factoren. Regresseer daarna de residuen van de uitkomst op die van de toewijzing.
    
    `ml.dml_plr`
-   ### Meta-learners (T, S, X, DR)
    
    Python
    
    Schat het effect per eenheid op vier manieren met gewone voorspelmodellen en dezelfde cross-fitting.
    
    `ml.metalearner`
-   ### Beslisboom voor interventietoewijzing
    
    Python
    
    Leid uit de gegevens een korte, begrijpelijke regel af voor wie de interventie krijgt. Beoordeel de regel op gegevens die je bij het afleiden niet hebt gebruikt.
    
    `ml.policy_tree`
-   ### Dubbelrobuuste schatting (AIPW)
    
    Python + R
    
    Combineer een model voor interventietoewijzing met een model voor de uitkomst. Onder de vereiste causale aannames en met geldige gewichten kan de schatting naar het beoogde effect convergeren als een van beide modellen consistent is geschat.
    
    `obs.aipw`
-   ### Exact matchen na groeperen (CEM)
    
    Python
    
    Deel covariaten in categorieën in. Vergelijk alleen binnen categorieën waarin beide groepen voorkomen.
    
    `obs.matching.cem`
-   ### Genetische matching
    
    Leskaart
    
    Zoek naar gewichten voor de afstandsmaat die de beste balans opleveren, in plaats van vooraf één maat te kiezen.
    
    `obs.matching.genetic`
-   ### Matching met de dichtstbijzijnde buur
    
    Python
    
    Koppel elke behandelde eenheid aan de meest vergelijkbare onbehandelde eenheid en vergelijk binnen de paren.
    
    `obs.matching.nn`
-   ### Optimale en volledige matching
    
    Leskaart
    
    Kies de koppelingen in één keer zodat de totale afstand zo klein mogelijk is. De methode kijkt daarbij naar alle eenheden tegelijk.
    
    `obs.matching.optimal`
-   ### Meervoudige imputatie die bij de analyse past
    
    Leskaart
    
    Imputeer ontbrekende waarden meerdere keren, voer de analyse uit op elke ingevulde dataset en voeg de schattingen samen. Zo kun je rijen met ontbrekende waarden blijven meenemen.
    
    `obs.missing.mice`
-   ### Uitkomstregressie (g-computation)
    
    Python + R
    
    Modelleer de uitkomst en schat wat er zou zijn gebeurd als iedereen de interventie kreeg en als niemand die kreeg.
    
    `obs.outcome_regression`
-   ### Super Learner voor hulpmodellen
    
    Leskaart
    
    Combineer verschillende voorspelmodellen met gewichten uit kruisvalidatie.
    
    `obs.superlearner`
-   ### Gerichte maximum likelihood (TMLE)
    
    Python
    
    Schat het uitkomstmodel en werk het gericht één keer bij met behulp van het interventiemodel.
    
    `obs.tmle`
-   ### Propensityscore voor balans tussen groepen
    
    Leskaart
    
    Schat de kans op interventietoewijzing met een model dat rekening houdt met balans in de covariaten. Een model dat de toewijzing goed voorspelt, levert op zichzelf nog geen goede balans op.
    
    `obs.weighting.cbps`
-   ### Entropiebalancering
    
    Python
    
    Kies gewichten die zo dicht mogelijk bij gelijke gewichten liggen en de gewogen gemiddelden van de covariaten precies gelijk maken.
    
    `obs.weighting.entropy`
-   ### Weging met de propensityscore
    
    Python + R
    
    Pas de gewichten aan zodat de groepen met en zonder interventie beter vergelijkbaar zijn wat betreft de gemeten verstorende factoren.
    
    `obs.weighting.ipw`
-   ### Propensityscores via boosting (twang)
    
    Leskaart
    
    Schat de propensityscore met boosting. Kies de iteratie met de beste balans in covariaten tussen de groepen.
    
    `obs.weighting.twang`

Verschil-in-verschillen13 items

-   ### Imputatie (Borusyak–Jaravel–Spiess)
    
    Python
    
    Gebruik alleen waarnemingen zonder interventie om de uitkomst zonder interventie te schatten. Vergelijk voor elke cel met interventie de waargenomen uitkomst met die schatting.
    
    `did.bjs_imputation`
-   ### Effecten per cohort en periode (Callaway en Sant’Anna)
    
    Python
    
    Schat voor elk invoeringscohort en elke periode het effect met een geschikte vergelijkingsgroep. Leg uit met welke gewichten je deze effecten samenvoegt.
    
    `did.callaway_santanna`
-   ### De Chaisemartin en D’Haultfoeuille
    
    Leskaart
    
    Een schatter voor panelgegevens waarin een eenheid de interventie op het ene moment wel en op het andere moment niet krijgt. De getoonde imputatie- en cohortschatters gaan uit van voortzetting na invoering.
    
    `did.chaisemartin`
-   ### Dubbelrobuuste DiD
    
    Python
    
    Combineer bij verschil-in-verschillen een uitkomstmodel met een model voor groepsindeling. Onder de vereiste causale aannames kan de schatting consistent zijn als een van beide modellen correct is gespecificeerd.
    
    `did.dr_did`
-   ### Event study (perioden vóór en na invoering)
    
    Python
    
    Zet de schattingen per periode rond de invoering in een grafiek. Zo zie je of het verschil tussen de groepen rond de invoering ontstond of al eerder zichtbaar was.
    
    `did.event_study`
-   ### DiD in twee stappen (Gardner / Wooldridge–Mundlak)
    
    Python
    
    Schat de effecten van eenheden en perioden op basis van waarnemingen zonder interventie. Regresseer daarna de residuen op de indicator voor de beleidsmaatregel.
    
    `did.gardner_2s`
-   ### Goodman–Bacon-decompositie
    
    Python
    
    Splits een schatting met vaste effecten voor eenheden en tijd op in vergelijkingen tussen telkens twee groepen. Toon hun gewichten, ook wanneer al behandelde eenheden als controle dienen.
    
    `did.goodman_bacon`
-   ### Verschil-in-verschillen met matching
    
    Leskaart
    
    Koppel eenheden met en zonder interventie op kenmerken van vóór de interventie. Bereken daarna het verschil-in-verschillen binnen de gekoppelde steekproef.
    
    `did.matched`
-   ### Event study van Sun en Abraham
    
    Python
    
    Schat voor elk cohort een eigen traject rond de invoering. Bereken vervolgens een gemiddelde gewogen naar cohortomvang.
    
    `did.sun_abraham`
-   ### Synthetisch verschil-in-verschillen (synthdid)
    
    Leskaart
    
    Weeg zowel eenheden als perioden en bereken daarna het verschil-in-verschillen. Dit combineert synthetische controle met DiD.
    
    `did.synthdid_r`
-   ### Drievoudige verschillen
    
    Python
    
    Bereken het verschil tussen interventie- en vergelijkingsgroep voor mensen die de maatregel kon bereiken. Vergelijk dat met hetzelfde verschil voor mensen binnen dezelfde eenheden die niet bereikt konden worden.
    
    `did.triple_diff`
-   ### Vaste effecten voor eenheden en tijd
    
    Python + R
    
    Gebruik één regressie met vaste effecten voor eenheden en perioden. Als invoeringsmomenten en effecten uiteenlopen, kan de coëfficiënt vergelijkingen combineren met gewichten die niet passen bij het gemiddelde effect dat je wilt schatten.
    
    `did.twfe`
-   ### Verschil-in-verschillen (2×2)
    
    Python + R
    
    Twee groepen, twee perioden. Vergelijk de verandering in de groep met interventie met de verandering in de vergelijkingsgroep over dezelfde periode.
    
    `did.twoway_2x2`

Regressiediscontinuïteit7 items

-   ### Is er bij de drempel ook een sprong in de covariaten?
    
    Python
    
    Pas dezelfde schatter toe op variabelen die het programma niet kan hebben veranderd. Controleer of hun waarden rond de drempel doorlopen.
    
    `rd.covariate_balance`
-   ### Hebben mensen hun positie rond de drempel beïnvloed?
    
    Python
    
    Vergelijk het aantal eenheden vlak onder de drempel met het aantal vlak erboven.
    
    `rd.density_test`
-   ### Fuzzy RD (de drempel verandert de kans op deelname)
    
    Python
    
    Deel de sprong in de uitkomst door de sprong in deelname. Dit geeft het effect voor de mensen bij wie de drempel het verschil maakte.
    
    `rd.fuzzy`
-   ### Regressie met een knik (de regel verandert van helling)
    
    Python
    
    Waar een formule van helling verandert zonder sprong, meet je hoe sterk de helling van de uitkomst verandert.
    
    `rd.kink`
-   ### Scherpe RD bij de drempel
    
    Python
    
    Pas aan weerszijden van de drempel een lijn aan de data en meet de sprong ertussen.
    
    `rd.local_linear`
-   ### RD met lokale randomisatie
    
    Leskaart
    
    Behandel een smal venster rond de drempel als een klein gerandomiseerd experiment.
    
    `rd.local_randomization`
-   ### RD met meerdere drempels of grenzen
    
    Leskaart
    
    Combineer meerdere drempels of een grens op de kaart in één onderzoeksopzet.
    
    `rd.multi_cutoff`

Instrumentele variabelen6 items

-   ### Kleinste kwadraten in twee stappen (2SLS)
    
    Python
    
    Gebruik alleen variatie in de interventie die door het instrument is veroorzaakt en bekijk wat er met de uitkomst gebeurde.
    
    `iv.2sls`
-   ### GMM in twee stappen
    
    Python
    
    Weeg de instrumenten naar de informatie die ze leveren, met een gewichtsmatrix die je uit de gegevens schat.
    
    `iv.gmm`
-   ### LIML (en Fuller)
    
    Python
    
    Een maximum-likelihoodvariant van kleinste kwadraten in twee stappen die stabieler blijft bij zwakke instrumenten.
    
    `iv.liml`
-   ### Marginale interventie-effecten
    
    Leskaart
    
    Volg hoe het effect afhangt van de terughoudendheid van een eenheid om de interventie te krijgen. Zo zie je meer dan één lokaal gemiddelde.
    
    `iv.mte`
-   ### Shift-share-instrumenten (Bartik)
    
    Leskaart
    
    Combineer landelijke schokken met lokale blootstellingsaandelen om een instrument voor lokale veranderingen te bouwen.
    
    `iv.shift_share`
-   ### Betrouwbaarheidsverzameling bij zwakke instrumenten
    
    Python
    
    Rapporteer de effectwaarden die de toets niet verwerpt. De betrouwbaarheidsverzameling kan ook bij zwakke instrumenten geldig zijn als aan de IV-aannames is voldaan.
    
    `iv.weak_robust`

Methoden voor synthetische controle6 items

-   ### Synthetische controle
    
    Python
    
    Maak met gewichten een vergelijkingsgebied uit gebieden zonder interventie die vooraf vergelijkbaar waren. Bekijk hoe de twee reeksen na de interventie uiteenlopen.
    
    `sc.abadie`
-   ### Uitgebreide synthetische controle
    
    Python
    
    Als geen enkel gewogen gemiddelde van de vergelijkingsgebieden het gebied met de interventie voldoende benadert, corrigeer dan de resterende vertekening met ridgeregressie. Laat de omvang van die correctie zien.
    
    `sc.augmented`
-   ### Matrixaanvulling
    
    Python
    
    Gebruik een model met lage rang om voor cellen met interventie te schatten welke uitkomsten het panel zonder interventie zou hebben gehad.
    
    `sc.matrix_completion`
-   ### Microsynth (veel behandelde eenheden)
    
    Leskaart
    
    Synthetische controle voor veel kleine gebieden, bijvoorbeeld buurten, die elk een interventie kregen.
    
    `sc.microsynth`
-   ### Voorspellingsintervallen voor synthetische controle (scpi)
    
    Leskaart
    
    Bepaal voorspellingsintervallen voor synthetische controle met een model voor de voorspellingsfout. De methode gebruikt daarvoor geen permutatietoets.
    
    `sc.scpi`
-   ### Synthetisch verschil-in-verschillen
    
    Python
    
    Weeg vergelijkingseenheden en perioden van vóór de interventie en bereken daarna het verschil-in-verschillen. Uitgangsniveaus mogen verschillen, trends moeten overeenkomen.
    
    `sc.synthdid`

Onderbroken tijdreeksen4 items

-   ### ARIMA met interventie
    
    Python
    
    Modelleer de afhankelijkheid binnen de tijdreeks. Onderzoek daarna welke sprong, tijdelijke impuls of geleidelijke verandering de data op de interventiedatum ondersteunen.
    
    `its.arima`
-   ### Bayesiaanse structurele tijdreeks (CausalImpact)
    
    Leskaart
    
    Modelleer het contrafeitelijke verloop met een structureel tijdreeksmodel en controlereeksen. Gebruik de posteriorverdeling om de geschatte verandering na de interventie samen te vatten.
    
    `its.causal_impact`
-   ### Onderbroken tijdreeks met controlereeks
    
    Python
    
    Meet dezelfde onderbreking ten opzichte van een reeks die de interventie niet raakte. Dan telt een algemene schok niet mee als interventie-effect.
    
    `its.controlled`
-   ### Gesegmenteerde regressie
    
    Python
    
    Schat de trend vóór de onderbreking, trek die door en meet daarna de sprong en verandering in helling.
    
    `its.segmented`

Mediatie3 items

-   ### Gecontroleerd direct effect
    
    Python
    
    Schat het effect van de interventie wanneer de mediator voor iedereen op dezelfde waarde wordt vastgezet.
    
    `med.controlled_direct`
-   ### Interventionele directe en indirecte effecten
    
    Python
    
    Trek waarden voor de mediator uit de verdeling die deze in de populatie zou hebben. Zo hoef je niet voor elke persoon de onwaarneembare contrafeitelijke waarde van de mediator in te vullen.
    
    `med.interventional`
-   ### Natuurlijke directe en indirecte effecten
    
    Python
    
    Splits het totale effect in een direct deel en een deel dat via de mediator loopt.
    
    `med.natural_effects`

Longitudinale interventies6 items

-   ### G-schatting van structurele geneste modellen
    
    Leskaart
    
    Schat het effect van een interventieregime met de parameter die het verband wegneemt tussen interventietoewijzing en de uitkomst waaruit het gemodelleerde interventie-effect is verwijderd.
    
    `long.g_estimation`
-   ### Parametrische g-formule
    
    Python
    
    Modelleer elke periode op volgorde en simuleer daarna wat er gebeurt als iedereen je gekozen strategie volgt.
    
    `long.gformula`
-   ### Longitudinale aangepaste interventieregels (lmtp)
    
    Leskaart
    
    Schat het effect van een verschuiving van een continue interventie of een interventie met meerdere waarden, zonder iedereen op één waarde vast te zetten.
    
    `long.lmtp`
-   ### Sequentieel dubbelrobuust (uitgebreide ICE-g-formule)
    
    Python
    
    Begin bij de laatste uitkomst en schat de regressies terug in de tijd. Vul ze aan met de kansen op interventietoewijzing. Onder de vereiste causale aannames kan het voldoende zijn om de relevante uitkomstregressies of de toewijzingsmodellen consistent te schatten.
    
    `long.ltmle`
-   ### Longitudinale TMLE voor tijd tot een gebeurtenis
    
    Leskaart
    
    Uitkomsten voor tijd tot gebeurtenis, met tijdsafhankelijke interventies en censoring. Pas de gerichte correctie in elke periode toe.
    
    `long.ltmle_survival`
-   ### Marginaal structureel model (tijdsafhankelijke gewichten)
    
    Python
    
    Geef elke waarneming per persoon en periode een nieuw gewicht zodat de voorgeschiedenis van groepen met en zonder interventie vergelijkbaar wordt. Schat daarna één model op de herwogen gegevens.
    
    `long.msm_iptw`

Overlevingsanalyse3 items

-   ### AFT-regressie met rechtscensoring en causale standaardisatie
    
    Python
    
    Schat een lognormaal of Weibull-AFT-model bij rechtscensoring. Gebruik onder expliciete causale aannames de verdeling van de covariaten bij aanvang om overleving of de beperkte gemiddelde overlevingstijd (RMST) te standaardiseren. Je kunt ook een conditionele tijdsfactor rapporteren.
    
    `survival.aft`
-   ### Ongecorrigeerd Kaplan–Meier-overlevingscontrast
    
    Python
    
    Vergelijk voor beide groepen de geschatte kans dat de gebeurtenis op hetzelfde gekozen tijdstip nog niet is opgetreden. Dit geeft een ongecorrigeerd verband.
    
    `survival.kaplan_meier`
-   ### Ongecorrigeerd verschil in beperkte gemiddelde overlevingstijd
    
    Python
    
    Vergelijk de oppervlakten onder de Kaplan–Meier-curven tot hetzelfde tijdstip. Het verschil wordt uitgedrukt in tijdseenheden en geeft een ongecorrigeerd verband.
    
    `survival.rmst`

Heterogeniteit van interventie-effecten4 items

-   ### Heterogeniteit bij binaire uitkomsten
    
    Python
    
    Toets interacties in het logistische model. Toets daarnaast apart of het gestandaardiseerde risicoverschil, de risicoverhouding of de marginale oddsratio tussen groepen verschilt.
    
    `heterogeneity.binary`
-   ### Heterogeniteit bij nominale en ordinale uitkomsten
    
    Python
    
    Gebruik een multinomiaal model met interacties voor de interventie en toets gezamenlijk de contrasten tussen categoriekansen. De categorieën behouden hun oorspronkelijke labels zonder numerieke scores.
    
    `heterogeneity.categorical`
-   ### Heterogeniteit bij continue uitkomsten
    
    Python
    
    Gebruik OLS met een interactie tussen de interventie en een kenmerk dat vóór de interventie is gemeten. Gebruik HC3 of clusterrobuuste inferentie, toets verschillen in gemiddelden rechtstreeks en pas bij paarsgewijze vergelijkingen de Holm-correctie toe.
    
    `heterogeneity.continuous`
-   ### Heterogeniteit bij aantallen en incidentiecijfers
    
    Python
    
    Gebruik interacties voor het conditionele gemiddelde in een Poisson-model met robuuste inferentie. Vergelijk gestandaardiseerde contrasten in aantallen of frequenties bij een vaste blootstelling.
    
    `heterogeneity.count`

Gevoeligheids- en robuustheidstoetsen14 items

-   ### Niet-waargenomen verstorende factor
    
    Python
    
    Simuleer een gemeenschappelijke oorzaak met een gekozen sterkte en bekijk hoe de schatting verandert. Bepaal hoe sterk die oorzaak moet zijn om de uitkomst door vertekening te verklaren.
    
    `probe.add_unobserved_confounder`
-   ### Specificatiecurve
    
    Python
    
    Draai de verdedigbare specificaties en sorteer de uitkomsten. De hele curve laat zien hoe de resultaten uiteenlopen.
    
    `probe.alternate_spec`
-   ### Gevoeligheid volgens Cinelli–Hazlett (partiële R²)
    
    Python
    
    Hoe sterk moet een ongemeten verstorende factor zijn, vergeleken met gemeten covariaten, om de schatting tot nul terug te brengen?
    
    `probe.cinelli_hazlett`
-   ### E-waarde
    
    Python
    
    De E-waarde geeft aan hoe sterk het verband van een ongemeten verstorende factor met zowel de interventie als de uitkomst minimaal moet zijn om de waargenomen associatie te verklaren. De waarde staat op de schaal van risicoverhoudingen en houdt rekening met gemeten covariaten.
    
    `probe.evalue`
-   ### Honest DiD (Rambachan–Roth)
    
    Python
    
    Bekijk welke conclusies standhouden als je een bepaalde afwijking van parallelle trends toestaat.
    
    `probe.honest_did`
-   ### Laat telkens één eenheid weg
    
    Python
    
    Laat per analyse één cluster, cohort of donoreenheid weg. Kijk of de uitkomst vooral afhangt van één daarvan.
    
    `probe.leave_one_out`
-   ### Negatieve controle
    
    Python
    
    Kies een negatieve controle waarop dezelfde verstorende factoren invloed kunnen hebben en waarbij je op causale gronden geen effect verwacht. Een verband kan wijzen op vertekening.
    
    `probe.negative_control`
-   ### Coëfficiëntstabiliteit volgens Oster
    
    Python
    
    Hoe belangrijk moeten niet-waargenomen variabelen zijn ten opzichte van je controlevariabelen om de coëfficiënt naar nul te brengen?
    
    `probe.oster`
-   ### Placebo-uitkomst
    
    Python
    
    Draai dezelfde analyse voor iets wat de interventie onmogelijk kon veranderen. De analyse hoort geen effect te vinden.
    
    `probe.placebo_outcome`
-   ### Placebo-interventie
    
    Python
    
    Kies bij wijze van placebo een eerdere invoeringsdatum, herschik wie de interventie krijgt of gebruik een variabele die de uitkomst niet kan veroorzaken.
    
    `probe.placebo_treatment`
-   ### Willekeurige gemeenschappelijke oorzaak
    
    Python
    
    Voeg aan de correctieset een variabele toe die niets veroorzaakt. De schatting hoort nauwelijks te veranderen.
    
    `probe.random_common_cause`
-   ### Rosenbaum-grenzen
    
    Python
    
    Hoe sterk mag de verhouding tussen de odds op interventietoewijzing binnen een gematcht paar afwijken van één voordat de conclusie onzeker wordt?
    
    `probe.rosenbaum`
-   ### Stabiliteit in deelsteekproeven
    
    Python
    
    Herhaal de schatting op willekeurige deelsteekproeven. De uitkomst hoort niet sterker te veranderen dan je door het verlies aan gegevens zou verwachten.
    
    `probe.subset`
-   ### Gevoeligheid voor afkapgrenzen
    
    Python
    
    Herhaal de schatting voor verschillende afkapgrenzen van de propensityscore. Bekijk hoe gevoelig het resultaat is voor de gekozen grens.
    
    `probe.trim_curve`

De beschikbaarheid geldt voor deze versie. Beoordeel de geschiktheid van een methode aan de hand van je onderzoeksopzet. Voor R heb je een aparte installatie nodig. De adapter voor causale bossen vereist ook `grf`. De catalogus in de app geeft per methode de aannames, diagnostiek, opties en bronnen.

## Desktop, CLI en MCP

Gebruik de desktopapp voor de hele studie, automatiseer analyses vanaf de opdrachtregel of sluit de offline onderzoeksbibliotheek aan op je eigen assistent.

### Desktopapp

Begin met een begeleid voorbeeld of je eigen dataset. Maak een onderzoeksopzet, loop de diagnostiek door en bekijk de resultaten. Vergelijk analyses, controleer de gegenereerde code en stel een rapport op zonder eerst zelf een script te schrijven.

De app voor Windows x64 bevat Python en de analysepakketten. Het installatiebestand is niet ondertekend. Op Windows, macOS en Linux kun je ook een lokale browserapp vanuit de broncode starten.

[Engelstalige handleiding voor installatie en gebruik vanuit broncode](https://github.com/HYHBalci/causal-capybara/blob/main/docs/INSTALL.md)

### Analyse-CLI

Maak projecten, importeer gegevens en leg de specificatie vast. Bekijk diagnostiek en aanbevolen methoden en voer analyses uit. Genereer R- of Python-code of een YAML-specificatie, valideer opgeslagen analyses en exporteer rapporten.

Richt eerst de Python-omgeving voor de broncode in. Voer de opdrachten daarna uit vanuit de hoofdmap van de repository. Het voorbeeld toont het projectpad en de specificatie-ID voor de volgende stappen.

[Lees de Engelstalige handleiding voor de analyse-CLI](https://github.com/HYHBalci/causal-capybara/blob/main/README.md#command-line-analysis)

Bash · Python-omgeving actief

```
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 onderzoeks-CLI en MCP

Installeer `capy-knowledge` als zelfstandig pakket. Zoek in de onderzoeksboom voor causale inferentie, bekijk wat methoden vereisen en haal achtergrondinformatie met bronverwijzingen of vragen voor een audit op. Daarvoor hoef je de desktopapp of de statistische rekenkernen niet te installeren.

Koppel een project aan Codex, Claude Code, Grok Build of Antigravity. Het installatiecommando installeert de herbruikbare onderzoeksskill en voegt de lokale MCP-configuratie voor je gekozen client toe.

[Engelstalige handleiding voor MCP- en clientconfiguratie](https://github.com/HYHBalci/causal-capybara/blob/main/docs/ONTOLOGY_CLIENTS.md)

Python 3.11+ · vanuit de lokale broncode

```
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
```

### Acht gerichte MCP-hulpmiddelen

De offline bibliotheek bevat openbare onderzoekskennis met bronverwijzingen, informatie over de beoordeling, hiaten in het bewijs en een momentopname met versie. MCP haalt de informatie op. Voor statistische analyses gebruik je de desktopapp of de analyse-CLI.

De MCP-server opent geen studiebestanden of ruwe gegevens, haalt niets op via het netwerk en voert geen analyses uit. Voor je assistent zelf gelden de instellingen van zijn tools en providers.

`search_knowledge`

Vind begrippen, methoden en bronnen.

`get_knowledge_node`

Bekijk een record en de bijbehorende voorbehouden.

`get_source_evidence`

Volg een bewering naar het geciteerde bewijs.

`traverse_relations`

Verken verbanden in de onderzoeksboom.

`get_method_requirements`

Bekijk de aannames en de vereiste invoer.

`build_research_context`

Verzamel afgebakende onderzoekscontext met bronnen.

`get_ontology_coverage`

Bekijk wat is behandeld en waar bewijs ontbreekt.

`get_audit_checklist`

Haal vragen op om een onderzoeksopzet te beoordelen.

## Leermateriaal

### Onderzoeksbibliotheek

Lees 316 afzonderlijke artikelen over onderzoeksopzetten, methoden, toetsen, te schatten effecten, aannames, diagnostiek en studies. Je kunt ze lezen zonder project of actieve rekenkern. Zoek in de literatuurbibliotheek, open publicaties en kopieer literatuurlijsten.

### Uitgewerkte voorbeelden

Bekijk 14 uitgewerkte voorbeelden met gegenereerde gegevens en zes simulatiesjablonen. Vergelijk vertekening, RMSE en de dekkingsgraad van intervallen in simulaties waarin het werkelijke causale effect bekend is.

### Gepubliceerde studies

Je kunt tien datasets uit gepubliceerde studies bij de oorspronkelijke aanbieders ophalen en controleren met vaste controlesommen. De app haalt een dataset op jouw verzoek op en verspreidt de bestanden zelf niet.

### Overlevingsanalyse en verschillen in interventie-effecten

Gebruik Kaplan–Meier, de beperkte gemiddelde overlevingstijd (RMST) en lognormale of Weibull-AFT-modellen bij rechtscensoring. Toets verschillen in effecten bij continue, binaire, categorische en overlevingsuitkomsten, en bij aantallen en frequenties. Kies de effectschaal expliciet en toets verschillen rechtstreeks.

[![De offline onderzoeksboom koppelt AIPW aan aannames, begrippen, voorwaarden, bronverwijzingen en open vragen over het bewijs.](https://www.vcesr.com/assets/capybara-tree-1680.d7849f3aa9.webp)](https://www.vcesr.com/assets/capybara-tree.32662f4cde.png)

Bekijk de voorwaarden en het bewijs achter een methode.

Lees de getoonde uitleg bij AIPW

De uitleg beschrijft wanneer een dubbelrobuuste AIPW-schatter naar het beoogde effect kan convergeren. Het effect moet geïdentificeerd zijn en de gewichten moeten geldig zijn. Het propensitymodel of het relevante uitkomstmodel moet consistent zijn geschat, onder de genoemde regulariteits- en integreerbaarheidsvoorwaarden.

Beide modellen kunnen onjuist zijn. Voor statistische inferentie gelden aanvullende voorwaarden. De dekking van betrouwbaarheidsintervallen bij eindige steekproeven blijft volgens dit overzicht een open vraag.

### Onderzoeksboom met context

Verken 208 begrippen, 38 afgebakende beweringen en 253 bronnen. Bekijk welke aannames en controles bij een methode horen en welke conclusies het beschikbare bewijs ondersteunt.

Dezelfde openbare kennis staat in de app, de zelfstandige CLI en MCP.

## Onderzoeksassistent

Bewaar gesprekken en concepten lokaal bij elke studie. Stel vragen over een diagnostische controle, vergelijk methoden of bespreek een resultaat met verwijzingen naar de literatuur.

Zoek alleen in de bronnen of kies Ollama, een ondersteunde cloud-API of je eigen Codex-, Claude Code- of Grok-CLI. Bekijk welke samenvattingen, diagnostische resultaten, codefragmenten en notities je opneemt voordat je iets verstuurt.

Bij een voorgestelde wijziging zie je wat er in de studie verandert. Het toepassen van een wijziging en het uitvoeren van een analyse vergen elk je goedkeuring.

[Lees de Engelstalige handleiding voor de onderzoeksassistent](https://github.com/HYHBalci/causal-capybara/blob/main/docs/ASSISTANT_GUIDE.md)

[![De onderzoeksassistent naast de analyseresultaten. Het antwoord verwijst naar lokale bronnen en is opgehaald zonder een AI-aanbieder in te schakelen.](https://www.vcesr.com/assets/capybara-assistant-1680.809fb80e29.webp)](https://www.vcesr.com/assets/capybara-assistant.3e669cfb27.png)

Een daadwerkelijk opgehaald antwoord uit openbare bronnen naast resultaten op gegenereerde lesdata.

Lees het getoonde antwoord van de assistent

De vraag is wat dubbele robuustheid bij AIPW betekent. De assistent haalt het antwoord op uit lokale, openbare bronnen. Het antwoord onderscheidt de aannames voor identificatie van het effect van de voorwaarden voor de geschatte modellen. Ongemeten verstorende factoren kunnen de schatting nog steeds vertekenen. Statistische inferentie vergt een eigen onderbouwing.

## Vragen en antwoorden

Moet ik programmeren of Python installeren?

De Windows-app bevat Python en de analysepakketten. Via de desktopinterface kun je werken zonder code te schrijven. Voor installatie vanuit broncode en de analyse-CLI heb je een eigen Python-omgeving nodig. R is optioneel en installeer je apart.

Kun je alle 93 methoden en toetsen uitvoeren?

Je kunt 70 methoden en toetsen in Python uitvoeren. De overige 23 zijn leskaarten voor methoden waarvoor deze versie nog geen adapter heeft. Zeven methoden hebben ook een R-adapter. Beoordeel bij elke beschikbare methode of ze past bij je onderzoeksopzet.

Voert de MCP causale analyses uit?

MCP haalt offline openbare onderzoekskennis op, zoals begrippen, bewijs, methodevereisten, achtergrondinformatie en auditvragen. De dienst opent geen datasets, wijzigt geen studies en schat geen modellen. Gebruik de desktopapp of de analyse-CLI om een analyse uit te voeren.

Blijven mijn gegevens op mijn computer?

Analyses voer je lokaal uit. Projecten en opgeslagen gesprekken blijven op je computer. Zoeken in de lokale bronnen heeft geen modelaanbieder nodig. Kies je een cloud-API of een CLI die een clouddienst gebruikt, dan wordt de door jou goedgekeurde context volgens de instellingen en voorwaarden van die aanbieder verstuurd.

Kan ik de analyse reproduceren en delen?

De werkruimte bewaart versies van de studiespecificatie en genereert code voor R of Python. Exporteer grafieken, methodologische bronnen en rapporten in Markdown, HTML of Word. Voor PDF heb je lokaal TeX nodig. Met de CLI controleer je of opgeslagen analyses aan het uitvoerschema voldoen.

Kan ik het gebruiken voor onderwijs of werk bij een instelling?

Causal Capybara is opensourcesoftware onder de Apache-2.0-licentie. Onder die licentie mag je de originele code bekijken en hergebruiken. Voor componenten van derden en gedownloade datasets gelden hun eigen voorwaarden. Begin met een uitgewerkt voorbeeld of [neem contact op met VCESR](mailto:contact@vcesr.com?subject=Causal%20Capybara%20voor%20onderwijs%20en%20onderzoek) over je onderwijs of onderzoek.

## Causal Capybara downloaden

Windows-app v0.2.0 · niet-ondertekend installatiebestand

-   [Download voor Windows](https://github.com/HYHBalci/causal-capybara/releases)
-   [Bekijk de openbare broncode](https://github.com/HYHBalci/causal-capybara)

![Een capibara naast een causale graaf op papier.](https://www.vcesr.com/assets/project-causal-capybara.3c51a9ea8f.webp)
