Regression modelQuasi-experimental / causal inference
機械学習拡張中断時系列分析
機械学習拡張中断時系列分析（ML-ITS）は、介入前の時系列データで機械学習モデルを訓練し、介入後の反事実的軌跡を予測し、観測値と予測値の差を測定することにより、離散的介入の因果効果を推定する。これは、パラメトリックなトレンド仮定を、勾配ブースティング、ランダムフォレスト、またはベイズ構造時系列モデルのような柔軟なML推定器に置き換えることで、古典的なITSを拡張するものである。
手法の全文を読む
会員限定
ログイン無料アカウントでログインすると、このセクションを読めます。
手法マップ
関連する手法の近傍 — ノードを選択して探索できます。
出典
- 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 ↗
このページの引用方法
ScholarGate. (2026, June 3). Machine Learning-Augmented Interrupted Time Series Analysis. ScholarGate. https://scholargate.app/ja/causal-inference/machine-learning-augmented-interrupted-time-series
どの手法を選ぶ？
この手法を最も近い類縁の手法と並べ、両者を見比べてください — ライブラリは本を机の上に並べるだけ。選ぶのはあなたです。
- 因果影響分析因果推論↔ 比較
- 差分の差 (Difference-in-Differences, DiD)計量経済学↔ 比較
- 動的介入時系列分析因果推論↔ 比較
- 中断時系列分析（Interrupted Time Series, ITS）因果推論↔ 比較
- 機械学習拡張差分-イン-差分（ML-DiD）因果推論↔ 比較
- 合成コントロール法（SCM）因果推論↔ 比較