Maschinelles Lernen-gestützte unterbrochene Zeitreihenanalyse

ML-gestützte unterbrochene Zeitreihenanalyse (ML-ITS) schätzt den kausalen Effekt einer diskreten Intervention, indem ein Modell des maschinellen Lernens auf Zeitreihendaten vor der Intervention trainiert, eine kontrafaktische Trajektorie in die Zeit nach der Intervention projiziert und die Lücke zwischen beobachteten und vorhergesagten Ergebnissen misst. Sie erweitert die klassische ITS, indem sie parametrische Trendannahmen durch flexible ML-Schätzer wie Gradient Boosting, Random Forests oder Bayes'sche strukturelle Zeitreihenmodelle ersetzt.