Dynamiczne przerywane szeregi czasowe
Dynamiczne przerywane szeregi czasowe (Dynamic ITS) rozszerzają standardowy projekt ITS, pozwalając efektom interwencji narastać, zanikać lub przesuwać się w czasie, zamiast zakładać pojedynczą, natychmiastową zmianę poziomu. Szacuje ono, jak wpływ interwencji ewoluuje w okresach czasowych, co czyni je szczególnie odpowiednim do zastosowania w dziedzinie zdrowia publicznego, badań nad usługami medycznymi i oceny polityki, gdzie efekty narastają stopniowo lub słabną po początkowym wpływie.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Mapa metod
Sąsiedztwo pokrewnych metod — wybierz węzeł, aby je zgłębić.
Źródła
- Lopez Bernal, J., Cummins, S., & Gasparrini, A. (2017). Interrupted time series regression for the evaluation of public health interventions: a tutorial. International Journal of Epidemiology, 46(1), 348-355. DOI: 10.1093/ije/dyw098 ↗
- Wagner, A. K., Soumerai, S. B., Zhang, F., & Ross-Degnan, D. (2002). Segmented regression analysis of interrupted time series studies in medication use research. Journal of Clinical Pharmacy and Therapeutics, 27(4), 299-309. DOI: 10.1046/j.1365-2710.2002.00430.x ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Dynamic Interrupted Time Series Analysis. ScholarGate. https://scholargate.app/pl/causal-inference/dynamic-interrupted-time-series
Która metoda?
Zestaw tę metodę z najbliższymi jej krewnymi i czytaj je obok siebie — biblioteka kładzie księgi na stole; wybór należy do Ciebie.
- Metoda różnic w różnicach (Diff-in-Diff)Ekonometria↔ porównaj
- Dynamic Difference-in-DifferencesWnioskowanie przyczynowe↔ porównaj
- Analiza przerwanych szeregów czasowych (ITS)Wnioskowanie przyczynowe↔ porównaj
- Badanie zdarzeń panelowychWnioskowanie przyczynowe↔ porównaj
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →