Machine Learning-Augmented Interrupted Time Series

Machine Learning-Augmented Interrupted Time Series (ML-ITS) estima o efeito causal de uma intervenção discreta treinando um modelo de machine learning com dados de séries temporais pré-intervenção, projetando uma trajetória contrafactual para o período pós-intervenção e medindo a lacuna entre os resultados observados e previstos. Ele estende o ITS clássico substituindo suposições de tendência paramétricas por estimadores flexíveis de ML, como gradient boosting, random forests ou modelos de séries temporais estruturais Bayesianos.