Przejdź do treści
Biblioteka skilli
Dane i analityka · Automatyzacja

causal-run

/causal-run

Wykonuje uzgodnioną analizę przyczynową z pliku JSON i CSV, zapisując foldy, diagnostykę, wersje i pełne wyniki szacunków.

Licencja
MIT
Ostatnia zmiana repozytorium
08.11.2026

Ocena i bezpieczeństwo

90/ 100Klasa: dobry
Format25 / 25
Frontmatter z nazwą i opisem, poprawna nazwa, opis do 1024 znaków, nazwa zgodna z folderem.
Odkrywalność25 / 25
Opis mówi, kiedy użyć skilla, ma sensowną długość i jest w 3. osobie.
Treść25 / 35
Co najmniej 150 słów i do 500 linii, nagłówki, listy kroków, przykłady albo kod.
Higiena15 / 15
Bez zaślepek typu TODO, bez ścieżek Windows, z licencją.
Ryzykobrak sygnałów w skanie
Pliki w paczce
5
Skrypty
0
Komentarze HTML
0
Adresy URL w SKILL.md
0
Przestarzałość

Brak sygnałów. Repozytorium zmienione 08.11.2026, bez odwołań do wycofanych modeli i API.

Licencja

MIT, otwarta: można używać i zmieniać, z zachowaniem informacji o autorze.

Co robi i kiedy

Wykonuje uzgodnioną analizę przyczynową z pliku JSON i CSV, zapisując foldy, diagnostykę, wersje i pełne wyniki szacunków.

Oryginalny opis (EN)

Execute an agreed causal analysis from a JSON config and CSV, retaining folds, nuisance predictions, diagnostics, versions, hashes and complete estimates. Use when the user asks to run.

Jak działa

  1. Work contract
  2. Important decisions
  3. Module handoffs
Sekcje z nagłówków SKILL.md, w oryginale · 35 linii, 259 słów
Podgląd SKILL.md
---
name: causal-run
description: "Execute an agreed causal analysis from a JSON config and CSV, retaining folds, nuisance predictions, diagnostics, versions, hashes and complete estimates. Use when the user asks to run."
---

# 可复现运行 / causal-run

Use this module for the capability in the description. Match the user's language.
Read the relevant sections of `references/runbook.md`; the skill includes its own required references for standalone installation.

## Work contract

1. State the observational unit, outcome, treatment, adjustment variables, effect modifiers,
   target population and estimand. Preserve an already agreed specification.
2. Explain the chosen equation and every symbol. Declare identification assumptions
   separately from prediction quality and computational success.
3. Use the linked reference to choose an estimator, write code, run or audit as requested.
   Load only references needed for this task. `references/sources.json` maps official sources.
4. Return the concrete requested artifact or explanation, including assumptions,
   uncertainty and limitations appropriate to the design. Report null findings too.

## Important decisions

- Specify discrete contrasts or continuous derivatives explicitly. Polynomial coefficients,
  average derivatives and coefficients after recentering answer different hypotheses.
- Choose learners and tuning using training-only predictive losses. Cross-fit every learned
  preprocessing step. Record declared seeds and all planned runs; do not select a run by p-value.
- For dependent data, make folds respect the dependence unit and use compatible inference.
  Grouped folds alone do not make a library's confidence intervals cluster robust.
- A successful fit does not establish unconfoundedness, exclusion or overlap. Interpret
  results as adjusted associations while causal identification remains unsupported.

## Module handoffs

For identification questions use `causal-theory`; estimator choice uses `causal-method-router`.
After design agreement, `causal-code` implements and `causal-run` executes.
`causal-audit` checks evidence; `causal-report` explains verified output.
These handoffs are optional capabilities, not permission to spawn agents or change scope.
Pliki w paczce (5)
  • SKILL.md 2 KB
  • agents/openai.yaml 1 KB
  • references/identification.md 2 KB
  • references/runbook.md 2 KB
  • references/sources.json 3 KB

Wersje

W bazie nie ma innych skilli o nazwie causal-run.

Migawka bazy z 13.11.2026 · wersja paczki e2665ffa6624 (skrót SHA-256 całej paczki)

Pobrania w ostatnich 30 dniach: 0 · ranking

Zgłoś problem z tym skillem: szkodliwa treść, błędny opis albo prośba autora o usunięcie.

Podobne skille

  • 100causal-report
    Kompiluje analizę przyczynową w ustrukturyzowany raport z tabelami, wykresami i opisem metod, gotowy do publikacji lub jako streszczenie dla zarządu.
  • 100causal-ts-discovery
    Odkrywa strukturę przyczynową w danych szeregów czasowych biblioteką causal-ts: graf przyczynowy oraz zależności opóźnień i czasowe dla danych z czujników i sekwencji.
  • 100causal-auditor
    Poddaje próbie dowolną analizę przyczynową pod kątem zagrożeń trafności w pięciu kategoriach: identyfikacja, statystyka, jakość danych, interpretacja i trafność zewnętrzna, bez wdrażania poprawek.
  • 90causal-code
    Pisze i dostosowuje estymatory przyczynowe w Pythonie z użyciem dołączonego narzędzia, EconML lub DoubleML, według uzgodnionego planu.
  • 90causal-audit
    Sprawdza założenia przyczynowe, nakładanie się grup, wyciek danych, podział krzyżowy, klasteryzację i wrażliwość wyników w analizie ML.

Uwagi i zgłoszenia

Wiadomość trafi do Bartosza Sokolińskiego. Adres e-mail jest potrzebny tylko do odpowiedzi. Szczegóły w polityce prywatności.