Machine Learning-Augmented Interrupted Time Series
Machine Learning-Augmented Interrupted Time Series (ML-ITS) estimează efectul cauzal al unei intervenții discrete prin antrenarea unui model de machine learning pe date din serii de timp pre-intervenție, proiectând o traiectorie contrafactuală în perioada post-intervenție și măsurând decalajul dintre rezultatele observate și cele prezise. Extinde ITS clasic prin înlocuirea ipotezelor de trend parametric cu estimatori ML flexibili, cum ar fi modelele de tip gradient boosting, random forests sau Bayesian structural time-series.
Citește metoda completă
Autentifică-te cu un cont gratuit pentru a citi această secțiune.
Harta metodelor
Vecinătatea metodelor înrudite — selectați un nod pentru a explora.
Surse
- 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 ↗
Cum se citează această pagină
ScholarGate. (2026, June 3). Machine Learning-Augmented Interrupted Time Series Analysis. ScholarGate. https://scholargate.app/ro/causal-inference/machine-learning-augmented-interrupted-time-series
Ce metodă?
Așezați această metodă lângă cele mai apropiate rude și citiți-le alăturat — biblioteca pune cărțile pe masă; alegerea vă aparține.
- Analiza Impactului CauzalInferență cauzală↔ compară
- Difference-in-Differences (Diff-in-Diff)Econometrie↔ compară
- Serii de Timp Interupte DinamiceInferență cauzală↔ compară
- Analiza seriilor de timp întrerupte (ITS)Inferență cauzală↔ compară
- Diferența-în-diferențe augmentată cu învățare automată (ML-DiD)Inferență cauzală↔ compară
- Metoda Controlului Sintetic (MCS)Inferență cauzală↔ compară
Ai observat o problemă pe această pagină? Raportează sau sugerează o corectură →