ScholarGate
Asistenti
Regression modelQuasi-experimental / causal inference

Seri kohore të ndërprera të zgjeruara me mësim makinerik

Seritë kohore të ndërprera të zgjeruara me mësim makinerik (ML-ITS) vlerësojnë efektin shkakësor të një ndërhyrjeje diskrete duke trajnuar një model të mësimit makinerik mbi të dhënat e serive kohore para ndërhyrjes, duke projektuar një trajektore kundërfaktike në periudhën pas ndërhyrjes dhe duke matur hendekun midis rezultateve të vëzhguara dhe të parashikuara. Ai zgjeron ITS-në klasike duke zëvendësuar supozimet parametrike të trendit me vlerësues fleksibël të ML-së, si p.sh. gradient boosting, pyjet e rastësishme, ose modelet strukturore kohore Bajeziane.

Hapeni në MethodMindSë shpejtiVideoSë shpejtiShkarko diapozitivat

Lexoni metodën e plotë

Vetëm për anëtarët

Hyni me një llogari falas për ta lexuar këtë seksion.

Hyni

Harta e metodave

Lagjja e metodave të lidhura — zgjidhni një nyje për të eksploruar.

Burimet

  1. 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
  2. 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

Si ta citoni këtë faqe

ScholarGate. (2026, June 3). Machine Learning-Augmented Interrupted Time Series Analysis. ScholarGate. https://scholargate.app/sq/causal-inference/machine-learning-augmented-interrupted-time-series

Cila metodë?

Vendoseni këtë metodë pranë të afërmeve të saj më të ngushta dhe lexojini krah për krah — biblioteka i shtron librat mbi tryezë; zgjedhja është e juaja.

Krahasoni krah për krah
ScholarGateMachine Learning-Augmented Interrupted Time Series (Machine Learning-Augmented Interrupted Time Series Analysis). Marrë më 2026-06-15 nga https://scholargate.app/sq/causal-inference/machine-learning-augmented-interrupted-time-series · Seti i të dhënave: https://doi.org/10.5281/zenodo.20539026