Machine Learning-geaugmenterde Causale Impactanalyse

Machine learning-geaugmenterde causale impactanalyse combineert quasi-experimentele contrafeitelijke redenering met flexibele ML-predictiemodellen om het causale effect van een interventie op een tijdreeksuitkomst te schatten. Voortbouwend op het Bayesiaanse structurele tijdreeks (BSTS)-raamwerk van Brodersen et al. en uitgebreid met double/debiased ML-methoden, construeert het een synthetisch contrafeitelijk scenario uit donorcovariaten en leidt het behandelingseffect af als het verschil tussen waargenomen en voorspelde uitkomsten na de interventie.