R版・Stata版のダブルLASSOチュートリアルのPython版です。同じデータ、同じ5つの推定量を用い、DoubleMLライブラリ（DoubleMLPLR、DoubleMLIRM、および LASSO・RandomForest・XGBoost 間での学習器のロバスト性）を実践的に紹介します。
Pythonでのsynthetic controlと操作変数法——pysynconとpyfixestを用いて、スウェーデンの炭素税とCO2排出量に関するAndersson (2019) を再現します。
pyfixestとlinearmodelsを用いて、Acemoglu, Johnson, Robinson (2001) をPythonで再現します。植民地時代の入植者死亡率を操作変数として64の旧植民地における現代の制度を推定し、操作変数法（IV）がOLSによって80パーセント過小評価された因果効果をどのように回復するかを学びます。
シミュレーションされた資源の呪いのデータに適用し、EconMLのCausalForestDMLとダブル機械学習を用いて、鉱業と鉱物価格が経済発展に与える異質な因果効果を推定します。
在宅勤務と生産性に関するシミュレーションされた観察データを用いて、DoWhyの4ステップフレームワークによる因果推論を初心者向けにわかりやすく紹介します。
1991年SIPP年金データセットを用い、3つのDoubleMLモデル（PLR、IRM、IIVM）により、401(k)の適格性と加入が純金融資産に与える因果効果を推定します。
Li & Fotheringham (2026) に忠実なPythonチュートリアルです。2段階のMGWFERアルゴリズムを用いて、マルチスケールGWRから時間不変の空間的交絡を取り除き、シミュレートされたパネルデータ（225ユニット×3期間）から不偏な空間変動傾きと内在的な文脈効果の両方を回復します。
因果機械学習を初心者向けにわかりやすく解説します。真の効果が既知の合成フランダースALMP風コホートに対して、DoubleMLとEconMLを用いて、ATE・GATE・IATEと厚生を最大化する割り当てを扱います。
7つのパネルデータ推定量——POLS、Between、First-Differences、Fixed Effects、Two-Way FE、Random Effects、Correlated Random Effects（Mundlak）——を、2期間の労働者賃金パネルに適用しながら初心者にも分かりやすく解説します。
PyFixestとGreat Tablesを用いて、Pythonで差分の差分法（DiD）を学びます。Corral and Yang (2024) に基づき、2×2デザイン、TWFE回帰、推論の比較、論文品質の表、イベントスタディ、平行トレンドの検定を扱います。