Séries temporelles interrompues augmentées par l'apprentissage automatique

Les séries temporelles interrompues augmentées par l'apprentissage automatique (ML-ITS) estiment l'effet causal d'une intervention discrète en entraînant un modèle d'apprentissage automatique sur des données de séries temporelles antérieures à l'intervention, en projetant une trajectoire contrefactuelle dans la période post-intervention, et en mesurant l'écart entre les résultats observés et prédits. Elle étend les séries temporelles interrompues classiques en remplaçant les hypothèses de tendance paramétrique par des estimateurs d'apprentissage automatique flexibles tels que le gradient boosting, les forêts aléatoires ou les modèles de séries temporelles structurelles bayésiens.