Series de Tiempo Interrumpidas Aumentadas con Aprendizaje Automático

Las Series de Tiempo Interrumpidas Aumentadas con Aprendizaje Automático (ML-ITS) estiman el efecto causal de una intervención discreta entrenando un modelo de aprendizaje automático con datos de series de tiempo previos a la intervención, proyectando una trayectoria contrafactual en el período posterior a la intervención y midiendo la brecha entre los resultados observados y los predichos. Extiende las ITS clásicas al reemplazar las suposiciones de tendencia paramétrica con estimadores de ML flexibles como el gradient boosting, los bosques aleatorios o los modelos bayesianos de series de tiempo estructurales.