Analyse d'impact causal augmentée par l'apprentissage automatique

L'analyse d'impact causal augmentée par l'apprentissage automatique combine le raisonnement contrefactuel quasi-expérimental avec des modèles de prédiction ML flexibles pour estimer l'effet causal d'une intervention sur une série temporelle de résultats. S'appuyant sur le cadre des séries temporelles structurelles bayésiennes (BSTS) de Brodersen et al. et étendu par des méthodes ML à double/débiaisée, il construit un contrefactuel synthétique à partir de covariables donneuses et infère l'effet du traitement comme l'écart entre les résultats observés et prédits post-intervention.