معرفی شرکت ها

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

توضیحات

Python Package for causal inference using Bayesian structural time-series models

ویژگی	مقدار
سیستم عامل	-
نام فایل	causalimpact-0.2.6
نام	causalimpact
نسخه کتابخانه	0.2.6
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Jamal Senouci
ایمیل نویسنده	jamalsenouci@gmail.com
آدرس صفحه اصلی	https://github.com/jamalsenouci/causalimpact/
آدرس اینترنتی	https://pypi.org/project/causalimpact/
مجوز	MIT

## CausalImpact [![Python package](https://github.com/jamalsenouci/causalimpact/actions/workflows/main.yml/badge.svg)](https://github.com/jamalsenouci/causalimpact/actions/workflows/main.yml) [![codecov](https://codecov.io/gh/jamalsenouci/causalimpact/branch/master/graph/badge.svg?token=EIPC36VQHS)](https://codecov.io/gh/jamalsenouci/causalimpact) ![monthly downloads](https://pepy.tech/badge/causalimpact/month) [![DeepSource](https://deepsource.io/gh/jamalsenouci/causalimpact.svg/?label=active+issues&show_trend=true&token=R5aIDSkIId_5THWTAPKccjcH)](https://deepsource.io/gh/jamalsenouci/causalimpact/?ref=repository-badge) #### A Python package for causal inference using Bayesian structural time-series models This is a port of the R package CausalImpact, see: https://github.com/google/CausalImpact. This package implements an approach to estimating the causal effect of a designed intervention on a time series. For example, how many additional daily clicks were generated by an advertising campaign? Answering a question like this can be difficult when a randomized experiment is not available. The package aims to address this difficulty using a structural Bayesian time-series model to estimate how the response metric might have evolved after the intervention if the intervention had not occurred. As with all approaches to causal inference on non-experimental data, valid conclusions require strong assumptions. The CausalImpact package, in particular, assumes that the outcome time series can be explained in terms of a set of control time series that were themselves not affected by the intervention. Furthermore, the relation between treated series and control series is assumed to be stable during the post-intervention period. Understanding and checking these assumptions for any given application is critical for obtaining valid conclusions. #### Try it out in the browser [![Binder](https://mybinder.org/badge_logo.svg)](https://mybinder.org/v2/gh/jamalsenouci/causalimpact/HEAD?labpath=GettingStarted.ipynb) #### Installation install the latest release via pip ```bash pip install causalimpact ``` #### Getting started [Documentation and examples](https://nbviewer.org/github/jamalsenouci/causalimpact/blob/master/GettingStarted.ipynb) #### Further resources - Manuscript: [Brodersen et al., Annals of Applied Statistics (2015)](http://research.google.com/pubs/pub41854.html) #### Bugs The issue tracker is at https://github.com/jamalsenouci/causalimpact/issues. Please report any bugs that you find. Or, even better, fork the repository on GitHub and create a pull request.

نیازمندی

مقدار	نام
-	pandas
-	numpy
-	statsmodels
-	matplotlib
-	pymc
-	pytensor
-	importlib-metadata
-	setuptools
-	pytest
-	pytest-cov

زبان مورد نیاز

مقدار	نام
>=2.6	Python

نحوه نصب

نصب پکیج whl causalimpact-0.2.6:

pip install causalimpact-0.2.6.whl

نصب پکیج tar.gz causalimpact-0.2.6:

pip install causalimpact-0.2.6.tar.gz