ну pytorch на основе torch создан, сам решай

Lua используется в scrapy-splash

Lua актуален и будет актуален еще долго.
Torch7 быстро теряет позиции.

напомните, пжл, вылетело уже. каким образом можно посмотреть на причино сл-ию связь (не на корреляцию)

А можно? Обычно это зависит от твоего предположения о той или иной причинно-следственной связи перед началом анализа. Если, скажем, ты предполагаешь, что тормозной путь зависит от скорости и потом регрессионный анализ показывает стат значимую взаимосвязь между ними, то можно сказать, что твоя гипотеза была верна.

Но с тем же успехом ты бы мог в начале предположить, что скорость зависит от тормозного пути, и регрессионный анализ тоже бы подтвердил стат значимую взаимосвязь между ними. Так что думаю без подхода с здравым умом к решаемой проблеме не получится

Ух, ну не всегда причинно-следственная связь работает:
- две величины могут быть связаны друг с другом явным образом: к примеру, чем жарче, тем больше берут в прокат велосипедов
- две величины неявно связаны, а через какую-то другую, которую мы не знаем

И тут наверно поможет как АБ-тесты (параметрические и непараметрические критерии), так и некоторая экспертность в области, чтобы проверить, а имеет ли смысл твой эксперимент. Иными словами следует смотреть статистическую и практическую значимости

вводить три возможных варианта A->B, A<-B, A и B независимы.
и сравнивать их информационными критериями( K2Score, BIC например )

Может будет полезно: https://www.bradyneal.com/causal-inference-course

.. да. вот например. бизнесовая задача. есть корелляция м/у ретеншн и , например, долей пользователей, совевршивших какое либо действие.
цель - поднять ретенш.
как понять, приведет ли повышение доли к росту ретеншна или нет? только а/б тест получается?

к сожалению, не встречался пока с байс. инф криетриями..

ну или второй вариант A/B тесты, проверять произошло влияние или нет

смотрим на довер. интевал разницы долей? так?

инетересно теперь про критерии почитать)

помнитя, на курсе ток акаике как то упоминал Евгений. и все

ну, мне кажется можно попробовать просто оценить размер корреляции. effect size, в данном случае это корреляция пирсона между размером доли и ретенш (что такое ретенш?) Ну и там есть градацииот -1 до 1, насколько она большая. В данном случае не важно есть ли прямая причинно-следственная связь или она опосредственная, все равно она какая то есть. Ну и дальше исходя из размера эффекта можно оценить насколько изменение доли повлияет на результат . вроде так

ретеншн - доля вернувшихся в приложение, напрмиер, через 30 дней.
да, пирсона замерил, увидел что то в районе 0,8. понимаю, что связь есть, а далее проверяю гипотизу, что увеличение одного приведет к росту другого (возможна ж связь через третью переменную) . вот и вопрос как это проверить.

кроме а/б тестов я хз

там есть еще другие оценки из этой же серии, напрмер, Odds Ratio там можно например оценить насколько доля состоящая из одной категории пользователей повлияет на результат по сравнению с другой категорией

Correlation doesn’t mean any causation.

сам по себе коэффицент пирсона это есть проверка статистической гипотезы будет рост или нет, если pvalue теста при определенном уровне alpha меньше  alpha то нулевая гипотеза об отсутствии  линейной зависимости отвергается, а размер корреляции показывает его силу.ю Ну то есть тест должен возвращать два значения - corr и pvalue