Bayesian Causal Impact Analysis
Bayesian Causal Impact Analysis izmanto beijesiešu strukturālo laika sēriju (BSTS) modeli, lai novērtētu intervences cēloņsakarību ietekmi uz laika sērijas iznākumu. Brodersen un kolēģi no Google 2015. gadā izstrādātā metode veido probabisku kontrafaktuālu – kāda būtu sērija bez intervences – balstoties uz pirmsintervences datiem un izvēles kārtā esošiem kontroles kovariātiem, tad salīdzina to ar novērotajām pēciez intervences vērtībām, lai iegūtu pilnībā beijesiešu aizmugurējo sadalījumu par cēloņsakarību ietekmi.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- 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 ↗
- Scott, S. L., & Varian, H. R. (2014). Predicting the present with Bayesian structural time series. International Journal of Mathematical Modelling and Numerical Optimisation, 5(1-2), 4-23. DOI: 10.1504/IJMMNO.2014.059942 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Bayesian Causal Impact Analysis via Structural Time Series. ScholarGate. https://scholargate.app/lv/causal-inference/bayesian-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.
- Kausaālās ietekmes analīzeCēloņsakarību secināšana↔ compare
- Diferenču starpībām (Diff-in-Diff)Ekonometrija↔ compare
- Pārtraukto laika sēriju (ITS) analīzeCēloņsakarību secināšana↔ compare
- Sintētiskās kontroles metode (SCM)Cēloņsakarību secināšana↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →