DLMAIIUK01 – Jupyter Notebooks (Kausalität & probabilistische Modellierung)

Dieses Repository enthält eine kleine Sammlung von Jupyter-Notebooks, die Themen aus probabilistischer Modellierung und kausaler Inferenz demonstrieren, u.a.:

• Kausale Inferenz mit doWhy (Confounding, Backdoor-Adjustment, Interventionen / do-Operator)
• Bayes’sche Netze mit pgmpy (Wet Grass / Sprinkler sowie das klassische „Asia“-Netz)
• Markov-Ketten (Konvergenz zum Gleichgewicht / zur stationären Verteilung)
• Bayes’sche lineare Regression mit PyMC3

Die (gepinnten) Python-Abhängigkeiten stehen in requirements.txt.

Schnellstart

1) Umgebung erstellen

Mit venv:

python -m venv .venv
.
.venv\Scripts\activate
pip install -r requirements.txt

Mit conda:

conda create -n dlmaiiuk01 python=3.8 -y
conda activate dlmaiiuk01
pip install -r requirements.txt

2) (Optional) Graphviz als Systempaket installieren

Einige Notebooks rendern Graphen. Dafür muss Graphviz ggf. zusätzlich auf dem Betriebssystem installiert sein.

• Linux (Debian/Ubuntu):

sudo apt install graphviz libgraphviz-dev graphviz-dev pkg-config

Unter Windows Graphviz installieren (z.B. von https://graphviz.org/download/) und sicherstellen, dass dot im PATH liegt.

3) JupyterLab starten

jupyter lab

Notebooks (was man damit machen kann)

• DoWhyFirstSteps.ipynb

  • Synthetische kausale Daten erzeugen, CausalModel definieren, Estimand identifizieren und die ATE mittels linearer Regression und Propensity-Score-Methoden schätzen.

• doWhy_Confounder.ipynb

  • Ein klassisches Confounding-Szenario („Sweet Spot“-Artefakt) zeigen und demonstrieren, dass der Effekt nach Adjustierung verschwindet.

• doWhy_CausalDo.ipynb

  • Interventionen mit dem do-Operator: Outcomes unter do(X=1) vs do(X=0) vergleichen und die ATE berechnen.

• Adjusting_for_confounder_binary_variables.ipynb

  • Binäre Treatment-Variable mit Confounder: verzerrte Schätzung (ohne Confounder) vs. adjustierte Schätzung (Backdoor-Methoden) und Diskussion einer Refutation.

• Adjusting_for_confounder_continuous_variables.ipynb

  • Kontinuierliches Treatment und mehrere Outcomes: Effekte pro Outcome schätzen und mit einem Placebo-Refuter plausibilisieren.

• Sprinkler.ipynb

  • Wet-Grass-Bayesnetz (C/S/R/W) aufbauen, CPTs definieren und Posterioren mit Variablenelimination in pgmpy berechnen.

• AsiaBayesNet.ipynb

  • Das bekannte Asia-Bayesnetz (aus einer BIF-Datei) laden und Inferenz mit Evidenz durchführen.

• MCEquilibrium.ipynb

  • Übergangsmatrix einer Markov-Kette definieren, Zustände iterieren und die Konvergenz zur Gleichgewichtsverteilung beobachten.

• LinearRegressionProbabilistic.ipynb

  • Bayes’sche lineare Regression in PyMC3: Priors festlegen, Posterior sampeln, Diagnostik prüfen und Unsicherheit / Credible Intervals visualisieren.

Anmerkung

Die Jupyter-Notebooks sind bisher aus dem englishen "Inference and Causality" Kurs der IU und noch nicht in die deutsche Sprache übersetzt.

Bei Problemen diesbezüglich bitte bei dem Tutor des Kurses melden.