Uczenie maszynowe wspomagane przerywanymi szeregami czasowymi
Uczenie maszynowe wspomagane przerywanymi szeregami czasowymi (ML-ITS) szacuje przyczynowy wpływ dyskretnej interwencji poprzez trenowanie modelu uczenia maszynowego na danych szeregów czasowych sprzed interwencji, prognozowanie trajektorii kontrfaktycznej na okres po interwencji i mierzenie luki między obserwowanymi a przewidywanymi wynikami. Rozszerza klasyczne ITS poprzez zastąpienie parametrycznych założeń trendu elastycznymi estymatorami ML, takimi jak gradient boosting, lasy losowe lub bayesowskie modele szeregów czasowych strukturalnych.
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 ↗
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Machine Learning-Augmented Interrupted Time Series Analysis. ScholarGate. https://scholargate.app/pl/causal-inference/machine-learning-augmented-interrupted-time-series
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
- Dynamiczne przerywane szeregi czasoweWnioskowanie przyczynowe↔ compare
- Analiza przerwanych szeregów czasowych (ITS)Wnioskowanie przyczynowe↔ compare
- Uczenie maszynowe wspomagające metodę różnicy w różnicach (ML-DiD)Wnioskowanie przyczynowe↔ compare
- Metoda syntetycznej kontroli (SCM)Wnioskowanie przyczynowe↔ compare
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →