MediPFN
оценка непрямого эффекта на табличных данных
2 min readupdated
MediPFN от автора shibo769 оценивает популяционный естественный непрямой эффект (NIE — долю влияния воздействия через промежуточную переменную-медиатор) и его неопределённость по наблюдаемым табличным данным. В основе лежат замороженные веса табличной нейросети TabPFN-v3 от Prior Labs, дополненные кросс-фиттингом (перекрёстной оценкой на фолдах), дообученной головой ошибки и независимой калибровкой доверительных интервалов. В отличие от базового TabPFN-v3, который просто решает задачи классификации и регрессии, эта сборка выдаёт точечную оценку причинно-следственного эффекта, стандартную ошибку и откалиброванные интервалы. Модель пригодится исследователям, биостатистикам и аналитикам, работающим с причинно-следственным выводом (causal inference) и медиационным анализом.
Ключевые особенности
- Связка с TabPFN-v3: использует официальные веса классификатора и регрессора TabPFN-v3 (около 446 МБ скачиваются при первом запуске).
- Компонентная архитектура: включает адаптер
arena_adapter.ptдля прогнозирования мешающих параметров, дообученную головуarena_sft_head.ptдля квантилей ошибки и файл калибровки интервалов. - Работа на CPU: пример инференса из репозитория запускается на процессоре в 4 потока без обязательного требования GPU.
- Готовый пакет: в репозитории лежит полный бандл для StatsArena с кодом, зависимостями и синтетическим примером таблицы.
Что можно сделать
- Провести медиационный анализ на таблицах из 500 строк, передав признаки
x, воздействиеa, медиаторmи исходy. - Встроить класс
Predictorв пайплайн оценки для массового прогона таблиц с переиспользованием загруженной модели и заданиемfold_seed. - Воспроизвести эксперименты из научной статьи
arXiv:2611.13219на синтетических или собственных табличных наборах данных.
Пример
from predict import Predictor, read_observed
predictor = Predictor(classifier, regressor, device="cpu", threads=4)
observed = read_observed(model_dir / "example" / "observed_n500.npz")
result = predictor(observed, fold_seed=18031)
print(result["estimate"], result["standard_error"], result["intervals"])Подробнее
Окружение: Python 3.10, PyTorch, вес базовых чекпоинтов TabPFN-v3 — около 446 МБ.Формат входа: чекпоинт StatsArena рассчитан на таблицу из 500 строк (
n500) с указанием типов признаков x_types и медиаторов mediator_types.Пример вывода на тестовой таблице (
fold_seed=18031): NIE ≈ 0.24574, стандартная ошибка 0.06337, 95% доверительный интервал [0.06425, 0.42723].









Comments