DoWhy MCP v2.0

# 🚀 DoWhy MCP工具快速参考 ## 📋 工具选择指南 ### 按分析目标选择工具 | 分析目标 | 推荐工具 | 适用场景 | |---------|---------|---------| | **构建因果模型** | `causal_graph_builder` | 理论建模阶段 | | **估计处理效应** | `backdoor_estimator` | 有足够混杂因子 | | **处理内生性** | `instrumental_variable_estimator` | 有有效工具变量 | | **高维混杂** | `propensity_score_estimator` | 混杂因子很多 | | **稳健估计** | `doubly_robust_estimator` | 模型不确定性 | | **异质效应** | `metalearner_estimator` | 个体差异大 | | **政策评估** | `difference_in_differences_estimator` | 面板数据 | | **阈值设计** | `regression_discontinuity_estimator` | 有分配阈值 | | **稳健性检验** | `refutation_test_suite` | 验证结果 | | **敏感性分析** | `e_value_analyzer` | 未观测混杂 | | **归因分析** | `shapley_value_attribution` | 多因素贡献 | | **反事实推理** | `individual_counterfactual` | 个体预测 | | **因果发现** | `pc_algorithm` | 探索性分析 | ### 按数据类型选择工具 | 数据类型 | 推荐工具组合 | |---------|-------------| | **横截面数据** | `backdoor_estimator` + `propensity_score_estimator` | | **面板数据** | `difference_in_differences_estimator` + `stability_analyzer` | | **实验数据** | `doubly_robust_estimator` + `individual_counterfactual` | | **观察数据** | `instrumental_variable_estimator` + `e_value_analyzer` | | **高维数据** | `metalearner_estimator` + `causal_contribution_analysis` | --- ## 🔧 常用工具参数 ### backdoor_estimator ```python { "data_path": "data.csv", "treatment": "treatment_var", "outcome": "outcome_var", "confounders": ["conf1", "conf2"], "method": "linear" # 可选: "linear", "nonlinear" } ``` ### propensity_score_estimator ```python { "data_path": "data.csv", "treatment": "treatment_var", "outcome": "outcome_var", "confounders": ["conf1", "conf2"], "method": "matching" # 可选: "matching", "weighting", "stratification" } ``` ### instrumental_variable_estimator ```python { "data_path": "data.csv", "treatment": "treatment_var", "outcome": "outcome_var", "instrument": "instrument_var", "confounders": ["conf1", "conf2"] # 可选 } ``` ### e_value_analyzer ```python { "observed_effect": 0.5, "confidence_interval": [0.3, 0.7], "effect_type": "mean_difference" # 可选: "risk_ratio", "odds_ratio" } ``` --- ## 📊 输出结果解读 ### 因果效应估计结果 ```json { "causal_effect": { "estimate": 0.45, // 因果效应估计值 "standard_error": 0.08, // 标准误 "confidence_interval": { // 置信区间 "lower": 0.29, "upper": 0.61 } }, "method": "Backdoor Adjustment", "sample_size": 1000 } ``` ### 敏感性分析结果 ```json { "e_value": 2.1, // E-value值 "e_value_ci": 1.6, // 置信区间的E-value "interpretation": { "strength_needed": "moderate", // 所需混杂强度 "robustness": "high" // 稳健性等级 } } ``` --- ## ⚡ 快速诊断 ### 结果可信度检查清单 - [ ] **因果假设合理**: 基于领域知识验证 - [ ] **识别策略有效**: 后门/前门/工具变量假设成立 - [ ] **模型规范正确**: 函数形式和变量选择合适 - [ ] **样本代表性**: 目标群体的代表性 - [ ] **敏感性稳健**: 通过多种敏感性测试 - [ ] **结果一致性**: 多种方法得到相似结果 ### 常见问题诊断 | 问题 | 可能原因 | 解决方案 | |------|---------|---------| | **效应估计不稳定** | 模型规范错误 | 尝试不同的函数形式 | | **置信区间很宽** | 样本量不足 | 增加样本或使用更精确的方法 | | **敏感性测试失败** | 存在重要混杂 | 寻找更多控制变量或工具变量 | | **不同方法结果差异大** | 方法假设不满足 | 检查各方法的适用条件 | --- ## 🎯 分析流程模板 ### 标准因果推断流程 ``` 1. 理论建模 → causal_graph_builder 2. 效应估计 → backdoor_estimator / propensity_score_estimator 3. 稳健性检验 → doubly_robust_estimator 4. 敏感性分析 → e_value_analyzer + refutation_test_suite 5. 结果解释 → shapley_value_attribution ``` ### 政策评估流程 ``` 1. 数据准备 → 确保面板数据结构 2. 平行趋势检验 → difference_in_differences_estimator 3. 稳健性检验 → stability_analyzer 4. 异质效应 → metalearner_estimator 5. 反事实分析 → population_counterfactual ``` ### 机制分析流程 ``` 1. 总效应估计 → total_causal_influence 2. 路径分析 → path_specific_effects 3. 中介分析 → mechanism_attribution 4. 归因分析 → causal_contribution_analysis ``` --- ## 🚨 重要提醒 ### 使用前必读 1. **因果推断不是预测**: 关注的是因果关系而非预测精度 2. **假设至关重要**: 所有方法都依赖不可验证的假设 3. **领域知识必需**: 统计方法无法替代专业知识 4. **多方法验证**: 单一方法的结果可能误导 ### 报告建议 1. **明确因果问题**: 清楚定义因果问题和目标群体 2. **说明识别策略**: 解释如何识别因果效应 3. **报告敏感性分析**: 展示结果的稳健性 4. **讨论局限性**: 诚实讨论方法的局限性 --- ## 📞 技术支持 如果遇到技术问题或需要方法学指导，请参考： - 详细文档: `TOOLS_DETAILED_GUIDE.md` - 项目结构: `PROJECT_STRUCTURE.md` - 完成报告: `FINAL_COMPLETION_REPORT.md` **记住**: 因果推断是科学，也是艺术。工具只是手段，关键在于正确的思维方式和严谨的分析过程。