Analisi di impatto causale aumentata dall'apprendimento automatico
L'analisi di impatto causale aumentata dall'apprendimento automatico combina il ragionamento controfattuale quasi-sperimentale con modelli predittivi flessibili di ML per stimare l'effetto causale di un intervento su una serie temporale di esiti. Basandosi sul framework delle serie temporali strutturali bayesiane (BSTS) di Brodersen et al. ed esteso da metodi ML doppi/debiassati, costruisce un controfattuale sintetico da covariate donatrici e inferisce l'effetto del trattamento come il divario tra gli esiti osservati e predetti post-intervento.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Method map
The neighbourhood of related methods — select a node to explore.
Fonti
- 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 ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Machine Learning-Augmented Causal Impact Analysis. ScholarGate. https://scholargate.app/it/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.
- Analisi di Impatto CausaleInferenza causale↔ compare
- Difference-in-Differences (Diff-in-Diff)Econometria↔ compare
- Stima a Doppia Robustezza (AIPW)Inferenza causale↔ compare
- Analisi delle Serie Storiche Interrotte (ITS)Inferenza causale↔ compare
- Panel Event StudyInferenza causale↔ compare
- Metodo del Controllo Sintetico (SCM)Inferenza causale↔ compare
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →