Bayesowska analiza wpływu przyczynowego
Bayesowska analiza wpływu przyczynowego wykorzystuje bayesowski strukturalny model szeregów czasowych (BSTS) do oszacowania przyczynowego efektu interwencji na wynik szeregu czasowego. Opracowana przez Brodersena i współpracowników z Google w 2015 roku, buduje probabilistyczny kontrfaktyczny scenariusz — jak wyglądałby szereg bez interwencji — na podstawie danych sprzed interwencji i opcjonalnych kowariantów kontrolnych, a następnie porównuje go z obserwowanymi wartościami po interwencji, aby uzyskać w pełni bayesowskie posteriori dla efektu przyczynowego.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Bayesian Causal Impact Analysis via Structural Time Series. ScholarGate. https://scholargate.app/pl/causal-inference/bayesian-causal-impact-analysis
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Analiza wpływu przyczynowegoWnioskowanie przyczynowe↔ compare
- Metoda różnic w różnicach (Diff-in-Diff)Ekonometria↔ compare
- Analiza przerwanych szeregów czasowych (ITS)Wnioskowanie przyczynowe↔ compare
- Metoda syntetycznej kontroli (SCM)Wnioskowanie przyczynowe↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →