以上资料均来自互联网，如有侵权请提issue，感谢～ 这里是因果推理和AB实验相关的小书库，大多只是走过路过看过的一些paper，不100%保质保量保全，也欢迎发现好玩paper的小伙伴贡献自己的一份力量～ 下面还有些看paper留下的读书笔记

安装pygraphviz教程，win和mac都可，对因果推理框架画的框架图有用

免责声明 这个项目很稳定，可以长期支持。 它可能包含新的实验代码，其API可能会更改。 因果ML：用于ML进行抬升建模和因果推理的Python包 Causal ML是一个Python软件包，它提供了一套基于最近研究的，使用机器学习算法的提升模型和因果推理方法。 它提供了一个标准界面，允许用户从实验或观察数据中估计条件平均治疗效果（CATE）或个体治疗效果（ITE）。 本质上，它为具有观察特征X用户估计了干预T对结果Y的因果影响，而无需对模型形式做出强烈假设。 典型的用例包括 广告系列定位优化：提高广告系列投资回报率的重要手段是将广告定位到在给定的KPI（例如参与度或销售）方面有良好响应的一组客

许多领域中经常需要辨识非因果系统。比如地震勘探、通讯和水声信号处理等。单靠相关函数解决这类非因果系统的盲辨识问题是远远不够的，因为它不包含系统的相位信息［1］。　　　　近年来，基于高阶统计量的系统辨识方法受到了高度的重视。与传统的辨识方法相比较，高阶统计量的优点在于：     1.可保留系统的相位信息，从而有效地辨识非相位、非因果系统。     2.可以抑制加性有色噪声的影响，提高算法的鲁棒性。     在各种高阶统计量中，计算相对简单的四阶统计量，因为可以处理对称分布信号而受到特别重视，成为许多算法的基础。　　　　在文献［3］的基础上，本文提出了峰度准则，并将其应用到非因果系统的辨识中。通过

matlab滑动条码内核格兰杰因果关系 使用内核技巧降低复杂度的代码来评估非线性Granger因果关系这组函数实现了内核Granger因果关系，从而可以检测非线性动态相互作用，如所述。 内核Granger因果关系和动力学网络分析D.Marinazzo，M.Pellicoro和S.Stramaglia物理评论E，77，056215（2008） 非线性Granger因果关系的核方法D. Marinazzo，M.Pellicoro和S. Stramaglia Phys。 莱特牧师卷100帕格144103（2008） 该文件夹包含两个工具箱 内核因果关系最后 LOO_crossvalidation用于选择模型顺序 将这两个工具箱与其他MATLAB工具箱解压缩，然后将它们添加到您的路径中。 您会发现以下脚本： test_KGC_KCL：在5个节点的模拟网络上运行内核因果关系 test_biv_2n：在两个耦合图上测试KGC test_var_eps_1：两个耦合图的耦合参数在时间上的调制（包含对Granger因果关系和与滑动窗口的相关性的调用） 请不要犹豫与我们联系以获取建议和意见 免责声明和责

软件测试入门概念之一 黑盒经典测试方案设计

难得的信号与系统试题习题和答案 1.信号波形变换（尺度变换、平移变换） 2.连续信号和离散信号周期性分析与求解 3.卷积的运算与求解（公式法、图像法） 4.系统稳定性判定 5.系统记忆性判定 6.系统因果性判定 7.系统时变性判定 8.根据输入计算系统输出，并画图

本文档描述了黑盒测试有关因果图、判定表的理论，侧重于基本理论，适合初学者阅读

TIGRAMITE –时间序列数据集的因果发现 版本4.2 （Python软件包） 一般注意事项 Tigramite是一个因果时间序列分析python软件包。 它允许从高维时间序列数据集中有效地重构因果图，并对获得的因果相关性进行建模，以进行因果中介和预测分析。 因果发现基于适用于离散或连续值时间序列的线性以及非参数条件独立性测试。 还包括用于高质量结果图的功能。 请根据您使用的方法引用以下论文： PCMCI：J。Runge，P。Nowack，M。Kretschmer，S。Flaxman，D。Sejdinovic，在大型非线性时间序列数据集中检测和量化因果关联。 科学进阶5，eaau4996（2019）。 PCMCI +：J. Runge（2020）：在自相关的非线性时间序列数据集中发现同期和滞后的因果关系。 对不确定性的第36届学术会议论文集人工智能，UAI 2020年，加拿大多伦

黑盒测试的决策表法和因果图法，可以提供给正在学习软件测试的学弟学妹们借鉴和参考！