Análisis de Impacto Causal Aumentado por Aprendizaje Automático

El análisis de impacto causal aumentado por aprendizaje automático combina el razonamiento cuasi-experimental contrafactual con modelos de predicción flexibles de ML para estimar el efecto causal de una intervención en una serie temporal de resultados. Basándose en el marco de series temporales estructurales bayesianas (BSTS) de Brodersen et al. y extendido por métodos de ML de doble/desviación reducida, construye un contrafactual sintético a partir de covariables donantes e infiere el efecto del tratamiento como la brecha entre los resultados observados y predichos posteriores a la intervención.