Machine learning-augmented causal impact analysis
Machine learning-augmented causal impact analysis combines quasi-experimental counterfactual reasoning with flexible ML prediction models to estimate the causal effect of an intervention on a time series outcome. Building on Brodersen et al.'s Bayesian structural time series (BSTS) framework and extended by double/debiased ML methods, it constructs a synthetic counterfactual from donor covariates and infers the treatment effect as the gap between observed and predicted post-intervention outcomes.
स्रोत रिकॉर्ड
विधियों के स्रोत रिकॉर्ड से उद्धरण शब्दशः कॉपी किए गए हैं। इनसे किसी भी दावे-स्तरीय सत्यापन का अनुमान नहीं लगाया गया है।
- 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
क्यूरेटेड दावे
साक्ष्य लेज़र में दावे बने हुए हैं, प्रत्येक का अपना मूल्यांकन है।
जब लेज़र में कोई दावा नहीं होता है तो यह दृश्य दावा मूल्यांकन का आविष्कार नहीं करता है।
संबंधित विधियाँ
विधि ग्राफ़ से उत्पन्न और मशीन-अनुशंसित संबंध के रूप में दिखाए गए हैं — किसी भी साक्ष्य दावे का अनुमान नहीं लगाया गया है।