Koneoppimista hyödyntävä kausaalisen vaikutuksen analyysi
Koneoppimista hyödyntävä kausaalisen vaikutuksen analyysi yhdistää kvasi-kokeellisen kontrafaktuaalisen päättelyn joustaviin koneoppimisen ennustusmalleihin arvioidakseen intervention kausaalista vaikutusta aikasarjatuotokseen. Perustuen Brodersen et al.:n Bayesiläiseen rakenteelliseen aikasarjamalliin (BSTS) ja laajennettuna kaksois-/debiaseeratuilla ML-menetelmillä, se rakentaa synteettisen kontrafaktuaalin luovuttajakovariaateista ja päättelee hoitovaikutuksen erotuksena havaittujen ja ennustettujen interventiota jälkeisten tuotosten välillä.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Machine Learning-Augmented Causal Impact Analysis. ScholarGate. https://scholargate.app/fi/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.
- KausaalivaikutusanalyysiKausaalipäättely↔ compare
- Erojen erot (Diff-in-Diff)Ekonometria↔ compare
- Kaksoisrobustin estimoinnin (AIPW) menetelmäKausaalipäättely↔ compare
- Aikasarjojen katkosanalyysi (Interrupted Time Series, ITS)Kausaalipäättely↔ compare
- PaneelitapahtumatutkimusKausaalipäättely↔ compare
- Synteettisen kontrollin menetelmä (SCM)Kausaalipäättely↔ compare
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →