การประเมินผลกระทบเชิงสาเหตุแบบเบย์เซียน
การประเมินผลกระทบเชิงสาเหตุแบบเบย์เซียน (Bayesian Counterfactual Impact Evaluation) เป็นการประมาณค่าผลกระทบเชิงสาเหตุของการแทรกแซง โดยการสร้างการแจกแจงความน่าจะเป็นภายหลัง (posterior distribution) แบบเบย์เซียนสำหรับผลลัพธ์เชิงสาเหตุตรงกันข้าม (counterfactual outcome) ซึ่งก็คือสิ่งที่ควรจะเกิดขึ้นหากไม่มีการรักษา วิธีการนี้ซึ่งได้รับความนิยมจาก Brodersen และคณะ (2015) ผ่านกรอบการทำงาน CausalImpact ใช้แบบจำลองอนุกรมเวลาเชิงโครงสร้างแบบเบย์เซียน (Bayesian structural time-series models) ที่ปรับให้เข้ากับช่วงเวลาก่อนการแทรกแซง เพื่อคาดการณ์วิถีของผลลัพธ์ตรงกันข้าม จากนั้นจึงเปรียบเทียบผลลัพธ์ที่สังเกตได้หลังการแทรกแซงกับการคาดการณ์นั้น
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
แผนที่ระเบียบวิธี
ย่านของระเบียบวิธีที่เกี่ยวข้องกัน — เลือกโหนดเพื่อสำรวจ
แหล่งอ้างอิง
- 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 ↗
- Rubin, D. B. (2005). Causal inference using potential outcomes: Design, modeling, decisions. Journal of the American Statistical Association, 100(469), 322-331. DOI: 10.1198/016214504000001880 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Bayesian Counterfactual Impact Evaluation. ScholarGate. https://scholargate.app/th/causal-inference/bayesian-counterfactual-impact-evaluation
ระเบียบวิธีใด?
วางระเบียบวิธีนี้เคียงข้างระเบียบวิธีใกล้เคียงที่สุด แล้วอ่านเปรียบเทียบกัน — คลังวางหนังสือไว้บนโต๊ะให้แล้ว ส่วนการเลือกเป็นของท่าน
- Bayesian Difference-in-Differencesการอนุมานเชิงสาเหตุ↔ เปรียบเทียบ
- การวิเคราะห์ผลกระทบเชิงสาเหตุการอนุมานเชิงสาเหตุ↔ เปรียบเทียบ
- การประเมินผลกระทบเชิงสมมติฐาน (CIE)การอนุมานเชิงสาเหตุ↔ เปรียบเทียบ
- Difference-in-Differences (DiD)เศรษฐมิติ↔ เปรียบเทียบ
- ระเบียบวิธีสังเคราะห์การควบคุม (Synthetic Control Method - SCM)การอนุมานเชิงสาเหตุ↔ เปรียบเทียบ