[Python]因果检验工具

如果你已经安装了 pip ，那么你只需运行以下代码即可

causality.inference 模块中将会包含多种推断变量之间因果关系的算法。但是到2016年1月23日为止，我只实现了 Pearl(2000) 提出的 IC* 算法。

此时，我们已将变量的关系图储存到 graph 中，在这个图中每个变量表示一个节点，每条边则表示给定搜索路径中其他变量的情况下，相邻节点之间的统计相关性。如果两个变量之间存在统计相关性，那么箭头方向处的变量将被存在 arrow 中。如果两个变量之间同时满足真正的因果关系，此时 marked=True 。如果我们打印出模型的拟合结果，我们可以很明显的看出变量之间存在的关系：

从上述结果中我们可以看出， x2 与 x4 ， x3 与 x4 ， x4 与 x5 之间存在统计相关性，此外我们还可以看出 x4 到 x5 之间存在真正的因果关系。这个结果与 Pearl(2000) 文章中的图 2.3(d) 相吻合。

causality.nonparametric 模块是一个利用观测数据集对因果分布进行非参数化估计的工具。你可以提供一个变量的容许集用来控制，它用来度量给定原因时一个效应的因果反应分布，或给定原因时这个效应的期望值。

我最近已经添加了调整功能，