Serie Storiche Interrotte Potenziate da Apprendimento Automatico
Le Serie Storiche Interrotte Potenziate da Apprendimento Automatico (ML-ITS) stimano l'effetto causale di un intervento discreto addestrando un modello di apprendimento automatico sui dati della serie storica pre-intervento, proiettando una traiettoria controfattuale nel periodo post-intervento e misurando il divario tra i risultati osservati e quelli previsti. Estende le serie storiche interrotte classiche sostituendo le assunzioni di trend parametrico con stimatori ML flessibili come il gradient boosting, le foreste casuali o i modelli bayesiani di serie storiche strutturali.
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 ↗
- Varian, H. R. (2014). Big Data: New Tricks for Econometrics. Journal of Economic Perspectives, 28(2), 3-28. DOI: 10.1257/jep.28.2.3 ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Machine Learning-Augmented Interrupted Time Series Analysis. ScholarGate. https://scholargate.app/it/causal-inference/machine-learning-augmented-interrupted-time-series
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
- Serie Storiche Interrotte DinamicheInferenza causale↔ compare
- Analisi delle Serie Storiche Interrotte (ITS)Inferenza causale↔ compare
- Differenza-in-differenze aumentata con Machine Learning (ML-DiD)Inferenza causale↔ compare
- Metodo del Controllo Sintetico (SCM)Inferenza causale↔ compare
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →