帮我写一段因果效应估计的代码，并要求画出热力图

在Python中，我们可以使用`statsmodels`库来估计因果效应，如通过回归分析来进行处理，然后利用`seaborn`库来创建热力图。以下是一个简单的例子，假设我们有一个关于广告支出和产品销量的数据集：

import pandas as pd
import statsmodels.formula.api as smf
import seaborn as sns
import matplotlib.pyplot as plt

# 假设数据集df有列 'ad_spending', 'product_sales'
df = pd.read_csv('your_dataset.csv')  # 请替换为实际文件路径

# 使用线性回归模型估计因果效应
model = smf.ols(formula="product_sales ~ ad_spending", data=df)
result = model.fit()
causal_effect = result.params['ad_spending']  # 因果效应系数

# 热力图用于展示变量之间的关联性，这里我们只显示广告支出和销量的关系
sns.heatmap(df[['ad_spending', 'product_sales']].corr(), annot=True, cmap='coolwarm')
plt.title('广告支出与产品销量的相关性和因果效应')
plt.show()

# 如果你想了解因果效应的置信区间，可以这样计算：
confidence_interval = result.conf_int().iloc[0, 1]  # 双侧95%置信区间

print(f"因果效应估计: {causal_effect:.2f}")
print(f"95%置信区间: [{confidence_interval[0]:.2f}, {confidence_interval[1]:.2f}]")

在这个例子中，我们首先通过`smf.ols()`拟合了一个简单的线性回归模型，然后从结果中提取出广告支出对产品销量的因果效应估计。热力图展示了广告支出和销量之间的相关性。

请注意，这只是一个基本示例，实际应用中可能需要考虑更多的因素，例如控制其他潜在的混淆变量，以及选择合适的因果推断方法，如工具变量法、匹配法等。