Maskinlærings-augmenteret afbrudt tidsserieanalyse
Maskinlærings-augmenteret afbrudt tidsserieanalyse (ML-ITS) estimerer den kausale effekt af en diskret intervention ved at træne en maskinlæringsmodel på tidsseriedata før interventionen, projicere en kontrafaktisk bane ind i perioden efter interventionen og måle afstanden mellem observerede og forudsagte resultater. Den udvider klassisk ITS ved at erstatte parametriske trendantagelser med fleksible ML-estimatorer såsom gradient boosting, random forests eller Bayesianske strukturelle tidsseriemodeller.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Machine Learning-Augmented Interrupted Time Series Analysis. ScholarGate. https://scholargate.app/da/causal-inference/machine-learning-augmented-interrupted-time-series
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Analyse af kausal påvirkningKausal inferens↔ compare
- Difference-in-Differences (Diff-in-Diff)Økonometri↔ compare
- Dynamisk afbrudt tidsserieKausal inferens↔ compare
- Afbrudt tidsserieanalyse (ITS)Kausal inferens↔ compare
- Maskinlærings-augmenteret Difference-in-Differences (ML-DiD)Kausal inferens↔ compare
- Syntetisk Kontrol Metode (SCM)Kausal inferens↔ compare
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →