Bayesiaanse Causale Impact Analyse
Bayesiaanse Causale Impact Analyse gebruikt een Bayesiaans structureel tijdreeksmodel (BSTS) om het causale effect van een interventie op een tijdreeksuitkomst te schatten. Ontwikkeld door Brodersen en collega's bij Google in 2015, bouwt het een probabilistische contrafactuele situatie — hoe de reeks eruit zou hebben gezien zonder de interventie — op basis van pre-interventiedata en optionele controlevariabelen, en vergelijkt deze vervolgens met de waargenomen post-interventiewaarden om een volledig Bayesiaanse posterior over het causale effect te produceren.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Methodenkaart
De omgeving van verwante methoden — selecteer een knooppunt om te verkennen.
Bronnen
- 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 ↗
- Scott, S. L., & Varian, H. R. (2014). Predicting the present with Bayesian structural time series. International Journal of Mathematical Modelling and Numerical Optimisation, 5(1-2), 4-23. DOI: 10.1504/IJMMNO.2014.059942 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Bayesian Causal Impact Analysis via Structural Time Series. ScholarGate. https://scholargate.app/nl/causal-inference/bayesian-causal-impact-analysis
Welke methode?
Plaats deze methode naast haar naaste verwanten en lees ze naast elkaar — de bibliotheek legt de boeken op tafel; de keuze is aan u.
- Causale Impact AnalyseCausale inferentie↔ vergelijken
- Difference-in-Differences (DiD)Econometrie↔ vergelijken
- Onderbroken Tijdreeks (ITS) AnalyseCausale inferentie↔ vergelijken
- Synthetische Controle Methode (SCM)Causale inferentie↔ vergelijken
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →