Maschinelles Lernen-gestützte Kausale-Auswirkungs-Analyse

Das maschinelle Lernen-gestützte kausale Auswirkungsanalyse kombiniert quasi-experimentelle kontrafaktische Schlussfolgerungen mit flexiblen ML-Prognosemodellen, um die kausale Auswirkung einer Intervention auf eine Zeitreihen-Ergebnismessung abzuschätzen. Aufbauend auf dem Bayesian Structural Time Series (BSTS)-Framework von Brodersen et al. und erweitert durch Double/Debiased ML-Methoden, konstruiert sie ein synthetisches Kontrafaktum aus Spenderkovariaten und leitet den Behandlungseffekt als Differenz zwischen beobachteten und prognostizierten Ergebnissen nach der Intervention ab.