Záznam důkazů metody

Machine Learning-Augmented Interrupted Time Series

Machine Learning-Augmented Interrupted Time Series (ML-ITS) estimates the causal effect of a discrete intervention by training a machine learning model on pre-intervention time series data, projecting a counterfactual trajectory into the post-intervention period, and measuring the gap between observed and predicted outcomes. It extends classical ITS by replacing parametric trend assumptions with flexible ML estimators such as gradient boosting, random forests, or Bayesian structural time-series models.

Sources recorded, not reviewed

Zdrojový záznam

Citace zkopírované doslovně ze zdrojového záznamu metody. Nejsou z nich vyvozovány žádné ověření na úrovni tvrzení.

Machine Learning-Augmented Interrupted Time Series Analysis

Taxonomický záznam metody · regression-model / causal-inference

Otevřít celou metodu

Spravovaná tvrzení

Tvrzení uložená v registru důkazů, každé s vlastním hodnocením.

Zatím žádná spravovaná tvrzení

Tento pohled nevymýšlí hodnocení tvrzení, pokud registr žádné neobsahuje.

Související metody

Vygenerováno z grafu metod a zobrazeno jako strojově navržené vztahy – nejsou z nich vyvozována žádná tvrzení o důkazech.

Taxonomic bucketCausal Impact Analysismachine-suggested · Relational suggestion, not evidence.Same method familyDifference-in-Differencesmachine-suggested · Relational suggestion, not evidence.Taxonomic bucketDynamic Interrupted Time Seriesmachine-suggested · Relational suggestion, not evidence.Same method familyInterrupted Time Seriesmachine-suggested · Relational suggestion, not evidence.Taxonomic bucketMachine learning-augmented difference-in-differencesmachine-suggested · Relational suggestion, not evidence.Taxonomic bucketSynthetic Control Methodmachine-suggested · Relational suggestion, not evidence.