Полный нумерованный реестр VarWar

Этот файл перечисляет все публичные методы из varwar.method_catalog. В основной R&D-гонке сравниваются полные пайплайны с одинаковым estimand. Примитивы сравниваются между собой только в ablation-анализе.

Статусы:

реализован — есть исполняемый код и тесты;
интеграция — адаптер к внешнему пакету с контролируемым fallback;
legacy — код сохранён, но исключён из активной гонки;
кандидат R&D — постановка понятна, реализация ещё не допущена;
нужна спецификация — не зафиксированы estimand или inference;
исключён — старое имя не обозначает самостоятельный метод.

Estimator

№	ID	Русское название	Статус	Назначение
E01	`welch_mean_diff`	Разность средних с тестом Уэлча	реализован	основной ATE baseline
E02	`hypex_ab`	A/B-тест HypEx, по умолчанию Welch	интеграция	сверка с PyPI HypEx
E03	`randomized_weighted_mean_diff`	Разность нормированных ёжиковых средних	реализован	взвешенный ATE с seed и согласованным inference
E04	`permutation_mean_diff`	Перестановочная оценка разности средних	реализован	permutation p-value и Welch CI
E05	`bootstrap_mean_diff`	Bootstrap-оценка разности средних	реализован	bootstrap SE и percentile CI
E06	`regression_adjustment`	Регрессионная корректировка	реализован	ATE с HC1 inference
E07	`ml_rate`	ML-RATE	реализован	cross-fitted ковариатная корректировка
E08	`stratified_mean_diff`	Стратифицированная разность средних	реализован	итоговый estimator после подготовки страт
E09	`variance_weighted_stratified`	Обратное дисперсионное взвешивание страт	реализован	отдельный precision-weighted estimand
E10	`nearest_neighbor_matching`	Matching ближайшего соседа	реализован	наблюдательный ATT baseline
E11	`ratio_delta`	Delta-оценка ratio-of-means	реализован	отдельный контур ratio-метрик
E12	`wald_late`	Оценка Уолда для LATE	реализован	отдельный IV-контур
E13	`calibration_reweighting`	Калибровочное перевзвешивание	нужна спецификация	нужны population totals
E14	`optimal_transport_matching`	Matching оптимальным транспортом	нужна спецификация	отдельный наблюдательный контур ATT/ATC
E15	`pooled_mean_diff`	Разность средних с общей дисперсией	legacy	диагностика допущения равных дисперсий
E16	`trimmed_mean_diff`	Разность усечённых средних	legacy	заменяется композицией трансформации
E17	`winsorized_mean_diff`	Разность винзоризированных средних	legacy	заменяется композицией трансформации

HypothesisTest

№	ID	Русское название	Статус
T01	`ks_test`	Двухвыборочный тест Колмогорова-Смирнова	реализован
T02	`approx_ks_fast`	Быстрый приближённый KS-тест	реализован
T03	`energy_test`	Тест энергетического расстояния	реализован
T04	`randomized_t_test`	Рандомизированный t-тест «ёжик»	реализован
T05	`permutation_mean_test`	Перестановочный тест разности средних	реализован
T06	`anti_nuclear_ks_test`	Tie-aware KS с контролируемым размыканием совпадений	кандидат R&D
T07	`optimal_transport_homogeneity_test`	OT-тест однородности распределений	кандидат R&D
X01	`optimal_transport_check`	Старое неопределённое OT-имя	исключён

OT-тест однородности и OT-matching решают разные задачи. Первый проверяет различие распределений, второй должен оценивать причинный эффект в наблюдательном контуре, поэтому T07 и E11 разделены.

TargetTransformer

№	ID	Русское название	Статус	Контракт
V01	`cuped`	CUPED с явной политикой fit-данных	реализован	общий движок
V02	`cuped_control`	CUPED по текущему контролю	реализован	theta по control, применение к обеим группам
V03	`cupac_linear`	Temporal linear CUPAC	реализован	lag2 features → lag1 pre-target
V04	`linear_intime_adjustment`	Линейная in-time корректировка	реализован	second-stage fit по текущему контролю
V05	`cupac_linear_A`	CUPAC A	реализован	только pre-treatment temporal CUPAC
V06	`cupac_linear_A_plus_B`	CUPAC A+B	реализован	CUPAC A → отдельный linear B
V07	`cupac_linear_A_plus_B_plus_C`	CUPAC A+B+C	реализован	A → B → gated linear C
V08	`cupac_quadratic_A`	Квадратичный temporal CUPAC A	реализован	линейные, квадратные и парные признаки
V09	`nonlinear_cupac`	Общий нелинейный CUPAC	кандидат R&D	шире ограниченной V08 модели
V10	`robust_cuped`	Робастный CUPED	кандидат R&D	тяжёлые хвосты
V11	`winsorized`	Винзоризация target	реализован	меняет целевую метрику
V12	`trimming`	Усечение хвостов target	кандидат R&D	нужен row-filter/inference контракт
V13	`bayesian_cupac`	Байесовский CUPAC	нужна спецификация	нужен posterior estimand

Точное значение зон A/B/C

A — признаки, измеренные до assignment/exposure/trigger. Они используются temporal CUPAC-моделью lag2 → lag1.
B — экспертно очевидные safe in-time признаки. Они не добавляются в CUPAC A, а образуют отдельную линейную second-stage корректировку.
C — предварительно очищенные от outcome, leakage и mediator-risk in-time признаки. Они образуют следующий линейный этап только после проверки SMD, разности missing-rate и KS-расстояния.
Balance gate не является доказательством причинной безопасности.
D (DAG-required), E (mediator-risk) и F (leakage/outcome-derived) не допускаются в основной estimator.

MetricTransformer

№	ID	Русское название	Статус
M01	`ratio_linearization`	Линеаризация ratio-метрики	кандидат R&D

FeatureAdapter и RandomizationStructureBuilder

№	ID	Категория	Русское название	Статус
F01	`numeric_feature_binner`	FeatureAdapter	Биннинг числовых признаков	реализован
D01	`atomic_strata`	RandomizationStructureBuilder	Полные атомарные страты	реализован
D02	`random_reduction`	RandomizationStructureBuilder	Случайное укрупнение страт	реализован
D03	`mean_sorted_reduction`	RandomizationStructureBuilder	Укрупнение по pre-period среднему	реализован
D04	`genetic_strata_reducer`	RandomizationStructureBuilder	Генетическое укрупнение страт	реализован
D05	`prognostic_blocks`	RandomizationStructureBuilder	Блоки по pre-treatment prognostic score	реализован
D06	`prognostic_score_block_randomization`	ConfigurationProfile	Старое имя профиля; заменено на `prognostic_blocks` + assignment	исключён
O01	`ab_proportional`	OptimizationObjective	Критерий GA для естественного A/B-трафика	реализован

GA обучается на pre-experiment target доступного датасета и не является самостоятельным estimator.

InferenceCorrection и ConfigurationProfile

№	ID	Категория	Русское название	Статус
C01	`bonferroni`	InferenceCorrection	Поправка Бонферрони	реализован
C02	`holm_bonferroni`	InferenceCorrection	Поправка Холма-Бонферрони	реализован
C03	`romano_wolf_stepdown`	InferenceCorrection	Step-down Романо-Вольфа	реализован
Q01	`hypex_matcher`	ConfigurationProfile	Профиль интеграции HypEx Matching	нужна спецификация

CompositePipeline

№	ID	Состав	Контур
P00	`welch`	`welch_mean_diff` без преобразований	подтверждающий baseline
P01	`hypex_cuped`	native HypEx CUPED → HypEx Welch	parity
P02	`cuped_control__hypex_ab`	CUPED по control → HypEx Welch	подтверждающий
P03	`hypex_cupac_temporal`	native temporal CUPAC → HypEx Welch	parity
P04	`cupac_linear_A__hypex_ab`	temporal CUPAC A → HypEx Welch	подтверждающий
P05	`cupac_linear_A_plus_B__hypex_ab`	CUPAC A → linear B → HypEx Welch	исследовательский
P06	`cupac_linear_A_plus_B_plus_C__hypex_ab`	A → B → gated C → HypEx Welch	исследовательский
P07	`cupac_quadratic_A__hypex_ab`	quadratic temporal CUPAC A → HypEx Welch	исследовательский
P08	`winsorized__hypex_ab`	control-winsorization → HypEx Welch	другой estimand
P09	`ga_strata__stratified`	GA → стратифицированная оценка	подтверждающий
P10	`ga_strata__cuped_control__stratified`	GA → CUPED по control → стратифицированная оценка	подтверждающий
P11	`ga_strata__cupac_linear_A__stratified`	GA → CUPAC A → стратифицированная оценка	подтверждающий
P12	`ga_strata__cupac_linear_A_plus_B__stratified`	GA → CUPAC A → linear B → стратифицированная оценка	исследовательский
P13	`ga_strata__cupac_linear_A_plus_B_plus_C__stratified`	GA → A → B → gated C → стратифицированная оценка	исследовательский

Эти строки генерируются функциями из varwar.pipelines, а их точный состав сохраняется вместе с каждым запуском гонки.

Дополнительные записи текущего каталога

ID	Категория	Название	Статус
`population_weighted_stratified`	PopulationGeneralizationEstimator	Стратифицированная оценка с известными долями целевой популяции	реализован
`hypex_matching`	Estimator	HypEx Matching с извлечением сырой таблицы MatchingAnalyzer	интеграция
`isolation_forest_trimming`	TargetTransformer	Treatment-blind отсечка аномалий Isolation Forest	реализован, изменённая метрика
`isolation_forest_winsorization`	TargetTransformer	Treatment-blind ограничение аномалий Isolation Forest	реализован, изменённая метрика
`panel_prior_cupac_A`	TargetTransformer	CUPAC A с prior из статистик исторической панели	реализован
`panel_prior_cupac_A_plus_B`	TargetTransformer	Panel-prior CUPAC A с отдельной стадией B	реализован
`panel_prior_cupac_A_plus_B_plus_C`	TargetTransformer	Panel-prior CUPAC A, B и balance-gated C	реализован
`panel_prior_cupac_A__hypex_ab`	CompositePipeline	Panel-prior CUPAC A -> HypEx Welch	интеграция
`panel_prior_cupac_A_plus_B__hypex_ab`	CompositePipeline	Panel-prior CUPAC A+B -> HypEx Welch	интеграция
`panel_prior_cupac_A_plus_B_plus_C__hypex_ab`	CompositePipeline	Panel-prior CUPAC A+B+C -> HypEx Welch	интеграция

Актуальная матрица активной RCT-гонки

Следующие записи имеют исполняемый маршрут в текущей синтетической гонке. Статус реализован означает наличие кода и unit/smoke-проверок; он не означает автоматически production-ready статистическую гарантию.

Группа	Пайплайны	`experiment_only`	`panel_prior`	Временной режим
Базовые оценки	`welch`, `hypex_ab`, `pooled_mean_diff`, `randomized_weighted_mean_diff`	да	да, без использования prior	pre-only
Рандомизационный вывод	`permutation_mean_diff`, `bootstrap_mean_diff`	да	да, без использования prior	pre-only
Коррекция target	`hypex_cuped`, `cuped_control__hypex_ab`, `hypex_cupac_temporal`, `cupac_linear_A__hypex_ab`	да	да, без использования prior	pre-only
In-time-коррекция	`cupac_linear_A_plus_B__hypex_ab`, `cupac_linear_A_plus_B_plus_C__hypex_ab`	да	да, без использования prior	post-allowed
Регрессия и matching	`regression_adjustment`, `ml_rate`, `nearest_neighbor_matching`, `hypex_matching`, `optimal_transport_matching`	да	да, без использования prior	pre-only
Panel-prior CUPAC	`panel_prior_cupac_A__hypex_ab`	нет	да	pre-only
Panel-prior CUPAC + in-time	`panel_prior_cupac_A_plus_B__hypex_ab`, `panel_prior_cupac_A_plus_B_plus_C__hypex_ab`	нет	да	post-allowed
Стратификация	`ga_strata__*__stratified`	да	да, без использования prior	по компонентам
Population generalization	`population_weighted_stratified`, `calibration_reweighting`	нет	только сценарий с заданными population totals	pre-only

В отчёте race_information_mode показывает фактически выбранный режим гонки, а information_mode в каталоге показывает минимальный контракт пайплайна. Поэтому обычный Welch может появиться и в строке panel_prior: он не использует prior, но участвует в честной паре сравнений с методами, которым prior разрешён.

Полное произведение совместимых компонентов формирует канонические ID вида adapt.<id>__structure.<id>__assign.<id>__target.<id>__analysis.<id>. Пайплайны не являются отдельными методами: их матрица хранится в Parquet и на листе Пайплайны итоговой книги.

Канонический реестр R&D v3

Пайплайны больше не считаются самостоятельными методами. Их ID строится из компонентов, а ниже перечислены новые исполняемые примитивы и неделимые пары point estimator + inference. Слова A_plus_B и A_plus_B_plus_C обозначают отдельные последовательные стадии внутри каждого семейства CUPAC.

Категория	ID
Механизм назначения	`complete_randomization`, `stratified_randomization`, `rerandomization_mahalanobis`, `rerandomization_max_smd`, `rerandomization_mixed_balance`, `hypex_aa_best_of_k`
Структура рандомизации	`none`, `atomic_strata`, `prognostic_blocks`, `genetic_strata_reducer`
CUPED	`cuped_historical`, `cuped_huber_historical`
CUPAC Auto-ML	`cupac_automl_A`, `cupac_automl_A_plus_B`, `cupac_automl_A_plus_B_plus_C`
CUPAC linear	`cupac_linear_A`, `cupac_linear_A_plus_B`, `cupac_linear_A_plus_B_plus_C`
CUPAC quadratic	`cupac_quadratic_A`, `cupac_quadratic_A_plus_B`, `cupac_quadratic_A_plus_B_plus_C`
CUPAC panel prior	`panel_prior_cupac_A`, `panel_prior_cupac_A_plus_B`, `panel_prior_cupac_A_plus_B_plus_C`
CUPAC HypEx-compatible	`cupac_hypex_compatible_A`, `cupac_hypex_compatible_A_plus_B`, `cupac_hypex_compatible_A_plus_B_plus_C`
Недоступный target-only HypEx API	`cupac_hypex_official_target_A`, `cupac_hypex_official_target_A_plus_B`, `cupac_hypex_official_target_A_plus_B_plus_C`
Бейзлайн target	`identity`
Разность средних	`diff_means__welch`, `diff_means__student_pooled`, `diff_means__design_based_normal`, `diff_means__welch_studentized_randomization`, `diff_means__bootstrap_t`, `diff_means__sharp_null_randomization`
Регрессионная корректировка	`lin_regression__hc2`, `lin_regression__hc3`, `ml_rate__crossfit_hc2`
HypEx parity	`hypex_ab__integration`, `hypex_cuped__integration`, `hypex_cupac_A__integration`, `hypex_matching_ate__integration`
Стратификация	`stratified_ate__native`, `common_effect_inverse_variance_stratified__native`
Обобщение на популяцию	`population_weighted_stratified_ate__native`, `calibration_weighted_population_ate__native`
Matching ATE	`nearest_neighbor_matching_ate__reuse_aware`, `optimal_transport_matching_ate__point`, `optimal_transport_matching_ate__sharp_null_ri`
Ёжиковые веса	`hedgehog_weighted_ate__native`
Устойчивые native effects	`yuen_trimmed_effect`, `winsorized_effect_bootstrap`, `trimmed_mean__yuen`, `winsorized_mean__full_refit_bootstrap`, `iforest_trimmed_mean__full_refit`, `iforest_winsorized_mean__full_refit`
Устойчивые кандидаты исходного среднего	`median_of_means_ate`, `catoni_mean_ate`, `median_of_means_ate__bootstrap`, `catoni_mean_ate__bootstrap`

FilesExpand file tree

all_methods.md

Latest commit

History