Regression modelQuasi-experimental / causal inference
머신러닝 강화 중단 시계열 분석
머신러닝 강화 중단 시계열 분석(ML-ITS)은 개입 전 시계열 데이터로 머신러닝 모델을 훈련하고, 개입 후 기간에 대한 반사실적 궤적을 예측하며, 관측된 결과와 예측된 결과 간의 차이를 측정함으로써 이산적 개입의 인과적 효과를 추정합니다. 이는 매개변수적 추세 가정을 경사 부스팅, 랜덤 포레스트 또는 베이지안 구조 시계열 모델과 같은 유연한 ML 추정량으로 대체하여 고전적인 중단 시계열 분석(ITS)을 확장합니다.
방법 전문 읽기
회원 전용
로그인무료 계정으로 로그인하면 이 섹션을 읽을 수 있습니다.
방법 지도
관련 방법들로 이루어진 인접 영역 — 노드를 선택해 살펴보세요.
출처
- 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 ↗
이 페이지 인용 방법
ScholarGate. (2026, June 3). Machine Learning-Augmented Interrupted Time Series Analysis. ScholarGate. https://scholargate.app/ko/causal-inference/machine-learning-augmented-interrupted-time-series
어떤 방법일까요?
이 방법을 가장 가까운 동류의 방법들과 나란히 놓고 비교해 보세요 — 라이브러리는 책을 펼쳐 놓을 뿐, 선택은 여러분의 몫입니다.
- 인과 충격 분석인과추론↔ 비교
- 이중차분법 (Diff-in-Diff)계량경제학↔ 비교
- 동적 단절 시계열 분석 (Dynamic Interrupted Time Series)인과추론↔ 비교
- 시계열 단절 분석 (Interrupted Time Series, ITS)인과추론↔ 비교
- Machine Learning-Augmented Difference-in-Differences (ML-DiD)인과추론↔ 비교
- 합성 통제 방법 (SCM)인과추론↔ 비교