السلاسل الزمنية المتقطعة المعززة بالتعلم الآلي
تقدّر السلاسل الزمنية المتقطعة المعززة بالتعلم الآلي (ML-ITS) التأثير السببي لتدخل منفصل عن طريق تدريب نموذج تعلم آلي على بيانات السلاسل الزمنية قبل التدخل، وإسقاط مسار بديل للفترة بعد التدخل، وقياس الفجوة بين النتائج المرصودة والمتوقعة. وهي توسع السلاسل الزمنية المتقطعة الكلاسيكية عن طريق استبدال افتراضات الاتجاه البارامتري بمقدِّرات تعلم آلي مرنة مثل تعزيز التدرج، أو الغابات العشوائية، أو نماذج السلاسل الزمنية الهيكلية البايزية.
اقرأ الطريقة كاملة
سجّل الدخول بحساب مجاني لقراءة هذا القسم.
خريطة المناهج
محيط المناهج ذات الصلة — اختر عقدةً للاستكشاف.
المصادر
- Brodersen, K. H., Gallusser, F., Koehler, J., Remy, N., & Scott, S. L. (2015). Inferring causal impact using Bayesian structural time-series models. Annals of Applied Statistics, 9(1), 247-274. DOI: 10.1214/14-AOAS788 ↗
- Varian, H. R. (2014). Big Data: New Tricks for Econometrics. Journal of Economic Perspectives, 28(2), 3-28. DOI: 10.1257/jep.28.2.3 ↗
كيف تستشهد بهذه الصفحة
ScholarGate. (2026, June 3). Machine Learning-Augmented Interrupted Time Series Analysis. ScholarGate. https://scholargate.app/ar/causal-inference/machine-learning-augmented-interrupted-time-series
أيُّ منهج؟
ضع هذا المنهج إلى جانب أقرب نظائره واقرأهما جنباً إلى جنب — المكتبة تضع الكتب على الطاولة، والاختيار لك.
- تحليل التأثير السببيالاستدلال السببي↔ قارن
- الفرق في الفروق (Diff-in-Diff)الاقتصاد القياسي↔ قارن
- السلاسل الزمنية المتقطعة الديناميكيةالاستدلال السببي↔ قارن
- تحليل السلاسل الزمنية المتقطعة (ITS)الاستدلال السببي↔ قارن
- الفرق في الفروق المعزز بالتعلم الآلي (ML-DiD)الاستدلال السببي↔ قارن
- منهج الضابط الاصطناعي (SCM)الاستدلال السببي↔ قارن