Bayesci Nedensel Etki Analizi
Bayesian Causal Impact Analysis via Structural Time Series · Ayrıca şöyle bilinir: CausalImpact, Bayesian structural time series causal inference, BSTS causal impact, Bayesian intervention analysis
Bayesian Nedensel Etki Analizi, bir müdahalenin zaman serisi çıktısı üzerindeki nedensel etkisini tahmin etmek için Bayesçi yapısal zaman serisi (BSTS) modelini kullanır. Google'da Brodersen ve arkadaşları tarafından 2015 yılında geliştirilen bu yöntem, müdahale öncesi verilere ve isteğe bağlı kontrol kovaryantlarına dayanarak olasılıksal bir karşı-olgusal durum (serinin müdahale olmasaydı nasıl görüneceği) oluşturur ve ardından nedensel etki üzerinde tam Bayesçi bir sonsal dağılım üretmek için müdahale sonrası gözlemlenen değerlerle karşılaştırır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Bayesian Causal Impact'i, açıkça tanımlanmış bir müdahale tarihine sahip tek bir işlem görmüş zaman seriniz olduğunda, anlamlı bir müdahale öncesi geçmişiniz olduğunda (ideal olarak en az 60 gözlem) ve çıktı ile birlikte hareket eden kontrol kovaryantlarına (müdahaleden etkilenmeyen diğer seriler) erişiminiz olduğunda kullanın. Özellikle dijital pazarlama, ürün lansmanları, politika uygulamaları veya rastgeleleştirmenin imkansız olduğu ve olasılıksal bir etki tahmini gerektiren herhangi bir ortam için uygundur. Müdahale öncesi dönemin çok kısa olduğu (kabaca 30 zaman noktasından az), müdahalenin net bir başlangıç tarihi olmayan kademeli olduğu veya karşı-olgusal durumu sabitlemek için geçerli bir kontrol serisi veya tarihsel temel çizginin bulunmadığı durumlarda kullanmayın — bu gibi durumlarda kesintili zaman serileri veya farkların farkı daha uygun olabilir.
Güçlü yönler & sınırlılıklar
- Nedensel etki üzerinde tam bir sonsal dağılım üretir, güven aralıkları ve sonsal olasılıklar dahil olmak üzere gerçek belirsizlik ölçümü sağlar.
- Esnek BSTS durum uzayı formülasyonu aracılığıyla eğilim, mevsimsellik ve yapısal kırılmaları otomatik olarak ele alır.
- Spike-and-slab regresyonu aracılığıyla kontrol kovaryantlarını içerir, otomatik değişken seçimi yapar ve gözlemlenmeyen ortak faktörlerden kaynaklanan karıştırıcı etkileri azaltır.
- Sezgisel görsel çıktı sağlar: belirsizlik bantlarıyla gözlemlenen seri, karşı-olgusal durum ve noktasal ve kümülatif etki grafikleri.
- Kontrol grubu birimlerine değil, yalnızca kontrol zaman serilerine ihtiyaç duyar, bu da paralel grupların mevcut olmadığı durumlarda uygulanabilir olmasını sağlar.
- Yüksek boyutlu öngörücü kümelerine manuel kovaryant seçimi olmadan ölçeklenir.
- Yeterince uzun ve kararlı bir müdahale öncesi dönem gerektirir; kısa veya durağan olmayan müdahale öncesi dönemler güvenilmez karşı-olgusal durumlar üretebilir.
- Karşı-olgusal durumun kalitesi, kontrol kovaryantlarının kalitesine ve sayısına büyük ölçüde bağlıdır; iyi kontrollere sahip olmadan, Bayesçi model temelde bir eğilimi dışa doğru tahmin eder, bu da yanıltıcı olabilir.
- Müdahalenin kontrol serilerini etkilediği (yayılma etkisi) durumları, kovaryantlar için dışlama kısıtlamasını ihlal ettiği için ele alamaz.
- Klasik kesintili zaman serisi yöntemlerinden hesaplama açısından daha yoğundur, ancak çoğu uygulamalı veri boyutu için yönetilebilirdir.
- Müdahale öncesi model yapısının (eğilim, mevsimsellik) doğru olduğunu varsayar; model yanlış belirtimi karşı-olgusal durumu yanıltabilir.
SSS
Bu yöntemi standart kesintili zaman serisi yöntemlerinden ayıran nedir?
Standart kesintili zaman serisi, yapısal bir kırılma ile bir regresyon uydurur ve sıklıkçı güven aralıkları raporlar. Bayesian Causal Impact, tüm model parametrelerine önsel dağılımlar yerleştirir, belirsizliği bir durum uzayı modeli aracılığıyla yayar ve her nicelik - karşı-olgusal yörüngeler, noktasal etkiler ve kümülatif etki - üzerinde tam bir sonsal dağılım sunar, bu da daha zengin ve daha dürüst bir belirsizlik ölçümü sağlar.
Kaç adet müdahale öncesi zaman noktasına ihtiyacım var?
BSTS modeli, eğilimi, mevsimsel deseni ve kovaryant ilişkilerini güvenilir bir şekilde öğrenmek için yeterli müdahale öncesi veriye ihtiyaç duyar. Uygulamada, kararlı tahminler için en az 60 müdahale öncesi gözlem önerilir; 30'dan azı genellikle geniş ve güvenilmez güven aralıkları üretir.
Kontrol serilerine (kovaryantlara) ihtiyacım var mı?
Kesinlikle gerekli değillerdir, ancak şiddetle tavsiye edilirler. Kontrol kovaryantları olmadan, karşı-olgusal durum yalnızca çıktının kendi geçmişine dayanır ve karıştırıcıları gözden kaçırabilir. İyi kontrol serileri, müdahale öncesi dönemde çıktı ile ilişkili olan ancak müdahaleden etkilenmeyen değişkenlerdir.
Nedensel bir etkinin sonsal olasılığı ne anlama gelir?
Model ve verilere göre, müdahalenin pozitif (veya negatif) bir etkisi olduğu olasılığıdır. 0.97 değeri, sonsal kütlenin %97'sinin pozitif etki tarafında yer aldığı anlamına gelir. Klasik bir p-değeri değildir, ancak benzer bir iletişimsel rol oynar ve genellikle yorumlanması daha kolaydır.
Neden farkların farkı yöntemini buna tercih etmeliyim?
Çok sayıda işlem görmüş ve kontrol birimi olduğunda ve müdahale öncesi verilerle paralel eğilimlerin doğrulanabildiği nispeten küçük sayıda zaman periyodu olduğunda DiD'yi tercih edin. Bayesian Causal Impact, uzun bir zaman serisine ve iyi kontrol kovaryantlarına sahip ancak doğal bir paralel karşılaştırma grubu olmayan tek bir işlem görmüş birim olduğunda tercih edilir.
Kaynaklar
- 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 ↗
- Scott, S. L., & Varian, H. R. (2014). Predicting the present with Bayesian structural time series. International Journal of Mathematical Modelling and Numerical Optimisation, 5(1-2), 4-23. DOI: 10.1504/IJMMNO.2014.059942 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Bayesian Causal Impact Analysis via Structural Time Series. ScholarGate. https://scholargate.app/tr/causal-inference/bayesian-causal-impact-analysis
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Nedensel Etki AnaliziNedensel çıkarım↔ karşılaştır
- Farkların Farkı (Diff-in-Diff)Ekonometri↔ karşılaştır
- Kesintili Zaman Serisi (KZS) AnaliziNedensel çıkarım↔ karşılaştır
- Sentetik Kontrol Yöntemi (SCM)Nedensel çıkarım↔ karşılaştır