Machine Learning-Augmented Interrupted Time Series
ML-Augmented Interrupted Time Series (ML-ITS) schat het causale effect van een discrete interventie door een machine learning-model te trainen op tijdreeksgegevens vóór de interventie, een contrafactuele traject te projecteren in de periode na de interventie, en de kloof tussen waargenomen en voorspelde uitkomsten te meten. Het breidt klassieke ITS uit door parametrische trendaannames te vervangen door flexibele ML-schatters zoals gradient boosting, random forests of Bayesiaanse structurele tijdreeksmodellen.
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 ↗
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Machine Learning-Augmented Interrupted Time Series Analysis. ScholarGate. https://scholargate.app/nl/causal-inference/machine-learning-augmented-interrupted-time-series
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
- Dynamische Onderbroken TijdreeksCausale inferentie↔ vergelijken
- Onderbroken Tijdreeks (ITS) AnalyseCausale inferentie↔ vergelijken
- Machine Learning-Augmented Difference-in-Differences (ML-DiD)Causale inferentie↔ vergelijken
- Synthetische Controle Methode (SCM)Causale inferentie↔ vergelijken
Een fout op deze pagina gezien? Meld het of stel een correctie voor →