Maskininlärningsförstärkt avbruten tidsserieanalys
Maskininlärningsförstärkt avbruten tidsserieanalys (ML-ITS) estimerar den kausala effekten av en diskret intervention genom att träna en maskininlärningsmodell på tidsseriedata före interventionen, projicera en kontrafaktisk bana in i perioden efter interventionen och mäta gapet mellan observerade och predikterade utfall. Metoden utökar klassisk ITS genom att ersätta parametriska trendantaganden med flexibla ML-estimatorer såsom gradient boosting, random forests eller Bayesianska strukturella tidsseriemodeller.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Metodkarta
Närområdet av besläktade metoder — välj en nod för att utforska.
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Machine Learning-Augmented Interrupted Time Series Analysis. ScholarGate. https://scholargate.app/sv/causal-inference/machine-learning-augmented-interrupted-time-series
Vilken metod?
Placera den här metoden bredvid sina närmaste släktingar och läs dem sida vid sida — biblioteket lägger fram böckerna på bordet; valet är ditt.
- Analys av kausal påverkanKausal inferens↔ jämför
- Differens-i-differens (DiD)Ekonometri↔ jämför
- Dynamisk avbruten tidsserieanalysKausal inferens↔ jämför
- Avbruten tidsserieanalys (ITS)Kausal inferens↔ jämför
- Maskininlärningsförstärkt skillnad-i-skillnader (ML-DiD)Kausal inferens↔ jämför
- Syntetisk kontrollmetod (SCM)Kausal inferens↔ jämför
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →