Robust Causal Impact Analysis
Robust Causal Impact Analysis rozszerza bayesowską strukturalną analizę szeregów czasowych CausalImpact (Brodersen et al., 2015) poprzez wbudowanie systematycznych testów odporności — testów placebo w czasie, kontroli placebo w przestrzeni, analizy wrażliwości kowariantów i oceny wrażliwości apriorycznej — w celu weryfikacji, czy wykryty efekt interwencji jest rzeczywisty, a nie artefaktem wyborów modelowych lub przypadkowymi wzorcami danych.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Mapa metod
Sąsiedztwo pokrewnych metod — wybierz węzeł, aby je zgłębić.
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 ↗
- Cunningham, S. (2021). Causal Inference: The Mixtape. Yale University Press. ISBN: 978-0300251685
Jak cytować tę stronę
ScholarGate. (2026, June 3). Robust Causal Impact Analysis with Sensitivity and Placebo Checks. ScholarGate. https://scholargate.app/pl/causal-inference/robust-causal-impact-analysis
Która metoda?
Zestaw tę metodę z najbliższymi jej krewnymi i czytaj je obok siebie — biblioteka kładzie księgi na stole; wybór należy do Ciebie.
- Bayesowska analiza wpływu przyczynowegoWnioskowanie przyczynowe↔ porównaj
- Analiza wpływu przyczynowegoWnioskowanie przyczynowe↔ porównaj
- Analiza przerwanych szeregów czasowych (ITS)Wnioskowanie przyczynowe↔ porównaj
- Analiza wrażliwości dla przyczynowościWnioskowanie przyczynowe↔ porównaj
- Metoda syntetycznej kontroli (SCM)Wnioskowanie przyczynowe↔ porównaj
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →