Mašīnmācīšanās papildināta kauzālās ietekmes analīze
Mašīnmācīšanās papildināta kauzālās ietekmes analīze apvieno kvazi-eksperimentālu kontrfaktuālu spriešanu ar elastīgiem ML prognozēšanas modeļiem, lai novērtētu intervences kauzālo efektu uz laika rindu rezultātu. Balstoties uz Brodersen et al. Bejesa strukturālo laika rindu (BSTS) ietvaru un paplašināta ar dubultās/debiasētās ML metodēm, tā konstruē sintētisku kontrfaktuālu no donoru kovariātiem un secina par ārstēšanas efektu kā atšķirību starp novērotajiem un prognozētajiem rezultātiem pēc intervences.
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 ↗
- Chernozhukov, V., Chetverikov, D., Demirer, M., Duflo, E., Hansen, C., Newey, W., & Robins, J. (2018). Double/debiased machine learning for treatment and structural parameters. The Econometrics Journal, 21(1), C1-C68. DOI: 10.1111/ectj.12097 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Machine Learning-Augmented Causal Impact Analysis. ScholarGate. https://scholargate.app/lv/causal-inference/machine-learning-augmented-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
- Divkārši robusta novērtēšana (AIPW)Cēloņsakarību secināšana↔ compare
- Pārtraukto laika sēriju (ITS) analīzeCēloņsakarību secināšana↔ compare
- Paneļa notikumu pētījumsCēloņsakarību secināšana↔ compare
- Sintētiskās kontroles metode (SCM)Cēloņsakarību secināšana↔ compare
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →