This module provides methods for causal inference and effect estimation using Bayesian approaches.
 
Classes:
    CausalEffects:
        A class for performing causal inference and estimating effects using directed acyclic graphs (DAGs) and observational data.
 
Functions:
    gibbs_linear(X, y, n_iter=2000, burn_in=500):
        Performs Bayesian linear regression with unknown variance via Gibbs sampling.
 
    gibbs_probit(X, y, n_iter=2000, burn_in=500):
        Implements the Albert-Chib Gibbs sampler for probit regression.
 
    estimate_hybrid_dag(adj_matrix, data, domains, n_iter=2000, burn_in=500):
        Estimates posterior samples of parameters for each node in a DAG.
 
    normalise_data(data, domains):
        Standardises continuous columns to mean=0, sd=1 while leaving binary columns unchanged.
 
    denormalise_linear_sample(beta_norm, child_idx, parent_idxs, mus, sds):
        Converts normalised linear beta samples to their original scale.
 
    denormalise_probit_sample(beta_norm, child_idx, parent_idxs, mus, sds):
        Converts normalised probit beta samples to their original latent scale.
 
    simulate_do_effects(adj_matrix, intervention, est_params, domains, data, do_value=1.0, multiply=False):
        Simulates do-intervention effects on raw data, injecting noise at each step.

Modules
		numpy networkx pandas matplotlib.pyplot seaborn sumu

Classes
		builtins.object CausalEffects   class CausalEffects(builtins.object)     CausalEffects(graphs: Union[structure_learning.data_structures.dag.DAG, List[structure_learning.data_structures.dag.DAG], structure_learning.distributions.distribution.MCMCDistribution], data: structure_learning.data.data.Data)       Methods defined here: __init__(self, graphs: Union[structure_learning.data_structures.dag.DAG, List[structure_learning.data_structures.dag.DAG], structure_learning.distributions.distribution.MCMCDistribution], data: structure_learning.data.data.Data) Initialize the CausalEffects object with a graph and data.   Parameters:     graph (DAG): The directed acyclic graph representing the causal structure.     data (Data): The observational data. beeps(self, edges: List[tuple] = None, plot: bool = False) Compute pairwise causal effects using the BEEPS algorithm.   Returns:     List[np.ndarray]: A list of pairwise causal effect matrices for each graph. do(self, intervention: List[Union[int, str]], do_value: float = 1.0, multiply: bool = False) -> numpy.ndarray Perform a do-intervention on the graph and data.   Parameters:     intervention (List[Union[int, str]]): The node indices or labels to intervene on.     do_value (float): The value to set for the intervention.     multiply (bool): If True, applies the intervention as a multiplier; otherwise, adds it.   Returns:     np.ndarray: The effect of the intervention on the data. estimate_effects(self, n_iter=2000, burn_in=500) Estimate the effects of interventions using Gibbs sampling. Parameters:     n_iter (int): Number of iterations for Gibbs sampling.     burn_in (int): Number of burn-in iterations to discard. Returns:     dict: Estimated parameters for each node. plot(self, effects, weights, edges) simulate(self, intervention: List[Union[int, str]], do_value: float = 1.0, multiply: bool = False, plot=False, edges=None) -> numpy.ndarray Perform do-intervention on the graph and data.   Parameters:     intervention (Union[int, str]): The node index or label to intervene on.     do_value (float): The value to set for the intervention.     multiply (bool): If True, applies the intervention as a multiplier; otherwise, adds it.   Returns:     np.ndarray: The effect of the intervention on the data. Data descriptors defined here: __dict__ dictionary for instance variables __weakref__ list of weak references to the object

Functions
		denormalise_linear_sample(beta_norm, child_idx, parent_idxs, mus, sds) Given one normalised linear beta sample [intercept, slopes...], return (intercept_orig, slopes_orig_list). denormalise_probit_sample(beta_norm, child_idx, parent_idxs, mus, sds) Given one normalised probit beta sample [intercept, slopes...], return (intercept_orig, slopes_orig_list) on latent scale. estimate_hybrid_dag(adj_matrix, data, domains, n_iter=2000, burn_in=500) Given:   - adj_matrix: (n x n) adjacency (0/1) of a DAG,   - data:      (N x n) observations,   - domains:   length-n list, 'continuous' or 'binary' Returns posterior samples of parameters for each node. gibbs_linear(X, y, n_iter=2000, burn_in=500) Bayesian linear regression with unknown variance via Gibbs. gibbs_probit(X, y, n_iter=2000, burn_in=500) Albert-Chib Gibbs sampler for probit regression. normalise_data(data, domains) Standardise continuous columns to mean=0, sd=1; leave binaries unchanged. Returns:   data_norm : np.ndarray   mus       : dict (column means)   sds       : dict (column s.d.) simulate_do_effects(adj_matrix, intervention, est_params, domains, data, do_value=1.0, multiply=False) Perform do-intervention simulations on raw data, injecting noise at each step. est_params[j] should contain:   - 'beta_mean': array [intercept, slopes...]   - optional 'sigma2_mean' for continuous nodes do_value: if multiply=False, adds do_value to Xi; if multiply=True, multiplies Xi by do_value multiply: boolean flag to apply do_value as multiplier instead of additive shift

Data
		List = typing.List Union = typing.Union norm = <scipy.stats._continuous_distns.norm_gen object> truncnorm = <scipy.stats._continuous_distns.truncnorm_gen object>