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.
Catatan sumber
Kutipan disalin apa adanya dari catatan sumber metode. Tidak ada verifikasi tingkat klaim yang disimpulkan darinya.
- 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
Klaim yang dikurasi
Klaim tersimpan dalam buku besar bukti, masing-masing dengan penilaiannya sendiri.
Tampilan ini tidak menciptakan penilaian klaim ketika buku besar tidak memilikinya.
Metode terkait
Dihasilkan dari grafik metode dan ditampilkan sebagai relasi yang disarankan mesin — tidak ada klaim bukti yang disimpulkan.