Mašīnmācīšanās papildināts pārtrauktu laika sēriju modelis
Mašīnmācīšanās papildināts pārtrauktu laika sēriju modelis (ML-ITS) novērtē diskrētas intervences cēloņsakarību, apmācot mašīnmācīšanās modeli uz laika sērijas datiem pirms intervences, projicējot kontrafaktisko trajektoriju pēcie intervences periodā un mērot atšķirību starp novērotajiem un prognozētajiem rezultātiem. Tas paplašina klasisko ITS, aizstājot parametriskos trenda pieņēmumus ar elastīgiem ML novērtētājiem, piemēram, gradientu pastiprināšanu, nejaušiem mežiem vai beijesa strukturālajiem laika sēriju modeļiem.
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 ↗
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Machine Learning-Augmented Interrupted Time Series Analysis. ScholarGate. https://scholargate.app/lv/causal-inference/machine-learning-augmented-interrupted-time-series
Kura metode?
Novietojiet šo metodi blakus tās tuvākajām radniecīgajām metodēm un lasiet tās līdzās — bibliotēka noliek grāmatas uz galda; izvēle ir jūsu.
- Kausaālās ietekmes analīzeCēloņsakarību secināšana↔ salīdzināt
- Diferenču starpībām (Diff-in-Diff)Ekonometrija↔ salīdzināt
- Dinamiskās pārtrauktās laika rindasCēloņsakarību secināšana↔ salīdzināt
- Pārtraukto laika sēriju (ITS) analīzeCēloņsakarību secināšana↔ salīdzināt
- Mašīnmācības papildinātā atšķiršanās divos veidos (ML-DiD)Cēloņsakarību secināšana↔ salīdzināt
- Sintētiskās kontroles metode (SCM)Cēloņsakarību secināšana↔ salīdzināt
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →