Methodenbewijsdossier

Bayesian Causal Impact Analysis

Bayesian Causal Impact Analysis uses a Bayesian structural time series (BSTS) model to estimate the causal effect of an intervention on a time series outcome. Developed by Brodersen and colleagues at Google in 2015, it builds a probabilistic counterfactual — what the series would have looked like without the intervention — from pre-intervention data and optional control covariates, then compares it with the observed post-intervention values to produce a fully Bayesian posterior over the causal effect.

Sources recorded, not reviewed

Bronrecord

Citaten letterlijk overgenomen uit het bronrecord van de methode. Hieruit wordt geen verificatie op claimniveau afgeleid.

Bayesian Causal Impact Analysis via Structural Time Series

Taxonomisch methodendossier · regression-model / causal-inference

Volledige methode openen

Gecureerde claims

Claims opgeslagen in het bewijsregister, elk met zijn eigen beoordeling.

Nog geen gecureerde claims

Deze weergave verzint geen claimbeoordeling als het register er geen heeft.

Gerelateerde methoden

Gegenereerd uit de methodegraaf en getoond als machinaal voorgestelde relaties — er wordt geen bewijsclaim afgeleid.

Taxonomic bucketCausal Impact Analysismachine-suggested · Relational suggestion, not evidence.Same method familyDifference-in-Differencesmachine-suggested · Relational suggestion, not evidence.Same method familyInterrupted Time Seriesmachine-suggested · Relational suggestion, not evidence.Taxonomic bucketSynthetic Control Methodmachine-suggested · Relational suggestion, not evidence.