Beijesiskā pretfaktiskā ietekmes novērtēšana
Beijesiskā pretfaktiskā ietekmes novērtēšana (Bayesian Counterfactual Impact Evaluation) aprēķina intervences cēloņsakarību efektu, konstruējot Beijesa posterioru sadalījumu pār pretfaktisko iznākumu — ko notiktu bez ārstēšanas. Metodi, ko popularizēja Brodersen et al. (2015) ar CausalImpact sistēmu, izmanto Beijesa strukturālos laika sēriju modeļus, kas pielāgoti pirmsintervences periodam, lai prognozētu pretfaktisko trajektoriju, un pēc tam salīdzina novērotos pēciekšintervences iznākumus ar šo prognozi.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Metožu karte
Saistīto metožu apkaime — atlasiet mezglu, lai izpētītu.
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 ↗
- Rubin, D. B. (2005). Causal inference using potential outcomes: Design, modeling, decisions. Journal of the American Statistical Association, 100(469), 322-331. DOI: 10.1198/016214504000001880 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Bayesian Counterfactual Impact Evaluation. ScholarGate. https://scholargate.app/lv/causal-inference/bayesian-counterfactual-impact-evaluation
Kura metode?
Novietojiet šo metodi blakus tās tuvākajām radniecīgajām metodēm un lasiet tās līdzās — bibliotēka noliek grāmatas uz galda; izvēle ir jūsu.
- Beijesa atšķirību atšķirību metodeCēloņsakarību secināšana↔ salīdzināt
- Kausaālās ietekmes analīzeCēloņsakarību secināšana↔ salīdzināt
- Kontrafaktiskās ietekmes novērtēšana (CIE)Cēloņsakarību secināšana↔ salīdzināt
- Diferenču starpībām (Diff-in-Diff)Ekonometrija↔ salīdzināt
- Sintētiskās kontroles metode (SCM)Cēloņsakarību secināšana↔ salīdzināt
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →