تحلیل اثرات سببی تقویتشده با یادگیری ماشین
تحلیل اثرات سببی تقویتشده با یادگیری ماشین، استدلال شبهتجربی پادواقعی را با مدلهای پیشبینی انعطافپذیر یادگیری ماشین ترکیب میکند تا اثر سببی یک مداخله بر یک سری زمانی نتیجه را تخمین بزند. این روش با تکیه بر چارچوب سریهای زمانی ساختاری بیزی (BSTS) برودرسن و همکاران و با گسترش توسط روشهای یادگیری ماشین دوگانه/بدون اریب، یک پادواقعیت مصنوعی از کوواریتهای اهداکننده میسازد و اثر درمان را به عنوان شکاف بین نتایج مشاهدهشده و پیشبینیشده پس از مداخله استنباط میکند.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- 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 ↗
- Chernozhukov, V., Chetverikov, D., Demirer, M., Duflo, E., Hansen, C., Newey, W., & Robins, J. (2018). Double/debiased machine learning for treatment and structural parameters. The Econometrics Journal, 21(1), C1-C68. DOI: 10.1111/ectj.12097 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Machine Learning-Augmented Causal Impact Analysis. ScholarGate. https://scholargate.app/fa/causal-inference/machine-learning-augmented-causal-impact-analysis
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- تحلیل اثر علیّتاستنتاج علّی↔ compare
- روش تفاوت در تفاوت (Diff-in-Diff)اقتصادسنجی↔ compare
- برآورد دوگانه استوار (AIPW)استنتاج علّی↔ compare
- تحلیل سری زمانی مقطعدار (ITS)استنتاج علّی↔ compare
- مطالعه رویداد پانلیاستنتاج علّی↔ compare
- روش کنترل ترکیبی (SCM)استنتاج علّی↔ compare
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →