Μηχανική Μάθηση-Ενισχυμένη Διακοπτόμενη Χρονοσειρά
Η Μηχανική Μάθηση-Ενισχυμένη Διακοπτόμενη Χρονοσειρά (ML-ITS) εκτιμά τη αιτιακή επίδραση μιας διακριτής παρέμβασης, εκπαιδεύοντας ένα μοντέλο μηχανικής μάθησης σε δεδομένα χρονοσειρών προ-παρέμβασης, προβάλλοντας μια αντιφακτική τροχιά στην περίοδο μετά την παρέμβαση και μετρώντας το χάσμα μεταξύ παρατηρούμενων και προβλεπόμενων αποτελεσμάτων. Επεκτείνει την κλασική ITS αντικαθιστώντας παραμετρικές υποθέσεις τάσης με ευέλικτους εκτιμητές ML, όπως η ενίσχυση κλίσης, τα τυχαία δάση ή τα μοντέλα δομικών χρονοσειρών Bayesian.
Διαβάστε ολόκληρη τη μέθοδο
Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.
Χάρτης μεθόδων
Η γειτονιά των σχετιζόμενων μεθόδων — επιλέξτε έναν κόμβο για εξερεύνηση.
Πηγές
- 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 ↗
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 3). Machine Learning-Augmented Interrupted Time Series Analysis. ScholarGate. https://scholargate.app/el/causal-inference/machine-learning-augmented-interrupted-time-series
Ποια μέθοδος;
Τοποθετήστε αυτή τη μέθοδο δίπλα στις πιο συγγενείς της και διαβάστε τις παράλληλα — η βιβλιοθήκη απλώνει τα βιβλία στο τραπέζι· η επιλογή είναι δική σας.
- Ανάλυση Αιτιώδους ΕπίπτωσηςΑιτιακή Συμπερασματολογία↔ σύγκριση
- Difference-in-Differences (Diff-in-Diff)Οικονομετρία↔ σύγκριση
- Δυναμική Διακοπτόμενη ΧρονοσειράΑιτιακή Συμπερασματολογία↔ σύγκριση
- Ανάλυση Διακοπτόμενης Χρονοσειράς (ITS)Αιτιακή Συμπερασματολογία↔ σύγκριση
- Μηχανική Μάθηση-Ενισχυμένη Διαφορές-στις-Διαφορές (ML-DiD)Αιτιακή Συμπερασματολογία↔ σύγκριση
- Μέθοδος Συνθετικού Ελέγχου (SCM)Αιτιακή Συμπερασματολογία↔ σύγκριση
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →