Εγγραφή τεκμηρίου μεθόδου

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

Εγγραφή πηγής

Οι παραπομπές αντιγράφονται αυτούσιες από την εγγραφή πηγής της μεθόδου. Δεν υπονοείται επαλήθευση σε επίπεδο ισχυρισμού από αυτές.

Machine Learning-Augmented Interrupted Time Series Analysis

Εγγραφή ταξινομικής μεθόδου · regression-model / causal-inference

Άνοιγμα πλήρους μεθόδου

Επιμελημένοι ισχυρισμοί

Οι ισχυρισμοί έχουν αποθηκευτεί στο καθολικό τεκμηρίων, καθένας με τη δική του αξιολόγηση.

Δεν υπάρχουν ακόμη επιμελημένοι ισχυρισμοί

Αυτή η προβολή δεν επινοεί αξιολόγηση ισχυρισμού όταν το καθολικό δεν έχει κανέναν.

Σχετικές μέθοδοι

Δημιουργούνται από τον γράφο μεθόδων και εμφανίζονται ως προτεινόμενες από μηχανή σχέσεις — δεν υπονοείται ισχυρισμός τεκμηρίου.

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.