Anàlisi d'impacte causal augmentada per aprenentatge automàtic

L'anàlisi d'impacte causal augmentada per aprenentatge automàtic combina el raonament contrafactual quasi-experimental amb models de predicció flexibles d'aprenentatge automàtic (ML) per estimar l'efecte causal d'una intervenció sobre un resultat de sèrie temporal. Basant-se en el marc de sèries temporals estructurals bayesianes (BSTS) de Brodersen et al. i ampliat amb mètodes de ML de doble/desbiaixat, construeix un contrafactual sintètic a partir de covariables donants i inferix l'efecte del tractament com la diferència entre els resultats observats i predits post-intervenció.