Robust Causal Impact Analysis
Robust Causal Impact Analysis paplašina Bajeza strukturālās laika sēriju CausalImpact sistēmu (Brodersen et al., 2015), iekļaujot sistemātiskas robustuma pārbaudes — placebo testus laikā, placebo kontroles telpā, kovariātu jutīguma analīzi un prioritāšu jutīguma novērtējumus — lai pārbaudītu, vai noteiktais intervences efekts ir paties, nevis modelēšanas izvēļu vai nejaušu datu modeļu artefakts.
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 ↗
- Cunningham, S. (2021). Causal Inference: The Mixtape. Yale University Press. ISBN: 978-0300251685
Kā citēt šo lapu
ScholarGate. (2026, June 3). Robust Causal Impact Analysis with Sensitivity and Placebo Checks. ScholarGate. https://scholargate.app/lv/causal-inference/robust-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.
- Bayesian Causal Impact AnalysisCēloņsakarību secināšana↔ compare
- Kausaālās ietekmes analīzeCēloņsakarību secināšana↔ compare
- Pārtraukto laika sēriju (ITS) analīzeCēloņsakarību secināšana↔ compare
- Kauzalitātes jutīguma analīzeCēloņsakarību secināšana↔ compare
- Sintētiskās kontroles metode (SCM)Cēloņsakarību secināšana↔ compare
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →