Metodes pierādījumu reģistrs

Machine Learning-Augmented Interrupted Time Series

Machine Learning-Augmented Interrupted Time Series (ML-ITS) estimates the causal effect of a discrete intervention by training a machine learning model on pre-intervention time series data, projecting a counterfactual trajectory into the post-intervention period, and measuring the gap between observed and predicted outcomes. It extends classical ITS by replacing parametric trend assumptions with flexible ML estimators such as gradient boosting, random forests, or Bayesian structural time-series models.

Sources recorded, not reviewed

Avota reģistrs

Atsauces kopētas tieši no metodes avota reģistra. Tās nenozīmē nekādu apgalvojumu līmeņa verifikāciju.

Machine Learning-Augmented Interrupted Time Series Analysis

Taksonomiskās metodes reģistrs · regression-model / causal-inference

Atvērt pilnu metodi

Kurēti apgalvojumi

Apgalvojumi saglabāti pierādījumu reģistrā, katram ar savu novērtējumu.

Vēl nav kurētu apgalvojumu

Šis skatījums neizgudro apgalvojumu novērtējumu, ja reģistrā tā nav.

Saistītās metodes

Ģenerēts no metodes grafika un parādīts kā mašīnas ieteiktas attiecības — netiek izvirzīts neviens pierādījumu apgalvojums.

Taxonomic bucketCausal Impact Analysismachine-suggested · Relational suggestion, not evidence.Same method familyDifference-in-Differencesmachine-suggested · Relational suggestion, not evidence.Taxonomic bucketDynamic Interrupted Time Seriesmachine-suggested · Relational suggestion, not evidence.Same method familyInterrupted Time Seriesmachine-suggested · Relational suggestion, not evidence.Taxonomic bucketMachine learning-augmented difference-in-differencesmachine-suggested · Relational suggestion, not evidence.Taxonomic bucketSynthetic Control Methodmachine-suggested · Relational suggestion, not evidence.