Auto Causal Inference

🚀 銀行業自動因果推斷

本項目藉助大語言模型（LLM）的強大語義理解和推理能力，讓用戶只需指定“處理”和“結果”變量，即可自動推斷變量角色並生成建議的因果圖，解決了傳統因果推斷中變量角色識別依賴專業知識和手動構建的難題，實現了銀行業因果推斷的自動化，提高了實驗效率和結果的透明度與可重複性。

🚀 快速開始

本項目提供了兩種不同的代理架構來運行因果推斷工作流，你可以根據需求選擇運行方式。

運行 LangGraph

cd agent
python app.py

若要使用 LangGraph Studio 進行測試：

langgraph dev

UI 地址為：https://smith.langchain.com/studio/?baseUrl=http://127.0.0.1:2024

結合 Claude Desktop 運行 MCP

cd mcp_agent
python client.py

✨ 主要特性

• 自動化變量角色識別：利用大語言模型（LLM），用戶只需指定“處理”和“結果”變量，即可自動推斷變量角色和建議的因果圖。
• 多工具集成：集成了 CausalNex、CausalTune、DoWhy 等工具，實現了從因果關係發現、估計到調優的全流程自動化。
• 可擴展性架構：提供了 LangGraph Agent 和 MCP Agent 兩種不同的代理架構，支持同步或異步任務執行，便於擴展和模塊化服務部署。
• 結果驗證與修正：運行反駁測試來檢查因果結構，並在測試不通過時提出修正解決方案。

📦 安裝指南

環境要求

• Python 3.10
• Claude Desktop（用於運行 MCP）

安裝依賴

pip install requirements.txt

💻 使用示例

基礎用法

以下是一個簡單的示例，展示瞭如何使用本項目進行因果推斷：

# 示例輸入
User asks: "Does offering a promotion increase digital product activation ?"

# 示例輸出
# 因果關係
age -> promotion_offer;
age -> activated_ib;
income -> promotion_offer;
income -> activated_ib;
education -> promotion_offer;
education -> activated_ib;

region_code -> promotion_offer;

promotion_offer -> branch_visits;
branch_visits -> activated_ib;

promotion_offer -> customer_engagement;
activated_ib -> customer_engagement;

channel_preference -> activated_ib;
promotion_offer -> activated_ib

# 因果變量
{
  "confounders": ["age", "income", "education"],
  "mediators": ["branch_visits"],
  "effect_modifiers": ["channel_preference"],
  "colliders": ["customer_engagement"],
  "instruments": ["region_code"],
  "causal_graph": "...DOT format...",
  "dowhy_code": "...Python code..."
}

# 計算平均處理效應（ATE）
import dowhy
from dowhy import CausalModel

model = CausalModel(
    data=df,
    treatment='promotion_offer',
    outcome='activated_ib',
    common_causes=['age', 'income', 'education'],
    instruments=['region_code'],
    mediators=['branch_visits']
)

identified_model = model.identify_effect()
estimate = model.estimate_effect(identified_model, method_name='backdoor.propensity_score_matching')
print(estimate)

高級用法

以下是一些高級用法示例，包括模型調優和反駁測試：

# 模型調優
estimators = ["S-learner", "T-learner", "X-learner"]
# base_learners = ["random_forest", "neural_network"]

cd = CausalityDataset(data=df, treatment=state['treatment'], outcomes=[state["outcome"]],
                    common_causes=state['confounders'])
cd.preprocess_dataset()

estimators = ["SLearner", "TLearner"]
# base_learners = ["random_forest", "neural_network"]

ct = CausalTune(
    estimator_list=estimators,
    metric="energy_distance",
    verbose=1,
    components_time_budget=10, # in seconds trial for each model
    outcome_model="auto",
)

# run causaltune
ct.fit(data=cd, outcome=cd.outcomes[0])

print(f"Best estimator: {ct.best_estimator}")
print(f"Best score: {ct.best_score}")

# 反駁測試
refute_results = []
refute_methods = [
    "placebo_treatment_refuter",
    "random_common_cause",
    "data_subset_refuter"
]
for method in refute_methods:
    refute = model.refute_estimate(identified_estimand, estimate, method_name=method)
    refute_results.append({"method": method, "result": str(refute)})

pass_test = all("fail" not in r["result"].lower() for r in refute_results)

📚 詳細文檔

示例用例

分析變量列表

項目結構

auto_causal_inference/
├── agent/                 # LangGraph agent source code
│   ├── data/              # Sample data (bank.db)
│   ├── app.py             # Main entry point for LangGraph causal agent
│   ├── generate_data.py   # Data generation script for causal inference
│   ├── requirements.txt   # Dependencies for LangGraph agent
│   └── ...                # Other helper modules and notebooks
│
├── mcp_agent/             # MCP agent implementation
│   ├── data/              # Sample data (bank.db)
│   ├── server.py          # MCP causal inference server
│   ├── client.py          # MCP client to call the causal inference server
│   ├── requirements.txt   # Dependencies for MCP agent
│   └── ...                # Additional files
│
└── README.md              # This documentation file

結果分析

最佳估計器：backdoor.econml.metalearners.TLearner，得分：483.1930697900207

反駁測試通過：True。

與其他工具/方法的比較

🔧 技術細節

版本變更說明

• v1.1（當前版本）：集成了 CausalNex、CausalTune、反駁測試 等，使自動因果推斷更加健壯。
• v1.0 (鏈接)：依賴 LLM 的強大語義理解和推理能力，實時識別整個因果結構（因果關係、因果變量等）。

工作原理

本項目展示了一個用於銀行業用例的自動化因果推斷管道，用戶只需指定：

• 一個 處理 變量
• 一個 結果 變量

應用程序將自動執行以下步驟：

• 在數據庫中搜索相關變量
• 使用 CausalNex 查找因果關係
• 識別因果變量
• 使用 DoWhy 執行因果模型
• 使用 CausalTune 尋找最佳估計器和基礎學習器
• 運行反駁測試以檢查因果結構
• 如果反駁測試未通過，提出修復解決方案（並進行重新運行循環）

📄 許可證

文檔中未提及許可證相關信息。