Análise de Impacto Causal Aumentada por Aprendizado de Máquina

A análise de impacto causal aumentada por aprendizado de máquina combina o raciocínio contrafatual quasi-experimental com modelos flexíveis de predição de ML para estimar o efeito causal de uma intervenção em um resultado de série temporal. Baseando-se no framework de séries temporais estruturais bayesianas (BSTS) de Brodersen et al. e estendido por métodos de ML de dupla/desviada (double/debiased ML), ele constrói um contrafactual sintético a partir de covariáveis doadoras e infere o efeito do tratamento como a lacuna entre os resultados observados e previstos pós-intervenção.