Makine Öğrenmesi Destekli Kesintili Zaman Serileri
Machine Learning-Augmented Interrupted Time Series Analysis · Ayrıca şöyle bilinir: ML-ITS, ML-augmented ITS, machine learning ITS, causal ML interrupted time series
Makine Öğrenmesi Destekli Kesintili Zaman Serileri (ML-ITS), bir makine öğrenmesi modelini müdahale öncesi zaman serisi verileri üzerinde eğiterek, müdahale sonrası döneme bir karşıolgusal yörünge yansıtarak ve gözlemlenen ile tahmin edilen sonuçlar arasındaki farkı ölçerek ayrık bir müdahalenin nedensel etkisini tahmin eder. Parametrik trend varsayımlarını gradyan yükseltme, rastgele ormanlar veya Bayes yapısal zaman serisi modelleri gibi esnek ML tahmin edicileriyle değiştirerek klasik ITS'yi genişletir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
ML-ITS'yi, açıkça tanımlanmış bir başlangıç tarihine sahip tek bir toplu düzey müdahaleniz olduğunda, sürekli zaman serisi sonuç verileriniz olduğunda ve bir modeli eğitmek için yeterince uzun bir müdahale öncesi döneminiz olduğunda (genellikle en az 50-100 müdahale öncesi zaman noktası) kullanın. Özellikle müdahale öncesi serinin doğrusal olmama, güçlü mevsimsellik göstermesi veya karşıolgusal doğruluğu artırabilecek zengin kovaryat veya kontrol serisi verilerinin mevcut olduğu durumlarda değerlidir. Müdahale öncesi seri çok kısaysa (~30 gözlemden az), birden fazla eşzamanlı müdahale sonrası dönemi karıştırıyorsa veya makul bir kontrol kovaryatları kümesi yoksa kullanmayın — bu durumlarda, standart doğrusal ITS veya sentetik kontrol tasarımı daha savunulabilirdir.
Güçlü yönler & sınırlılıklar
- Doğrusal bir ekstrapolasyonu yanlı hale getirecek müdahale öncesi serideki doğrusal olmayan ve karmaşık mevsimsel örüntüleri ele alır.
- Karşıolgusal doğruluğu artırmak için zengin kovaryat ve bağışçı serisi bilgilerini içerir.
- Bayes uygulamaları (örn. CausalImpact), hem noktasal hem de kümülatif etkiler için kalibre edilmiş sonsal güvenilirlik aralıkları üretir.
- Plasebo ve permütasyon testleri, tahmin edilen etkinin geçerliliği hakkında yorumlanabilir tanısal kontroller sağlar.
- Klasik ITS'nin aşırı uyum sağlayacağı yüksek boyutlu kovaryat kümelerine doğal olarak ölçeklenir.
- ML modelini güvenilir bir şekilde eğitmek için yeterince uzun bir müdahale öncesi seri gerektirir; kısa temel çizgiler kararsız karşıolgusallara yol açar.
- ML modelleri müdahale öncesi döneme aşırı uyum sağlayabilir, gerçek belirsizliği hafife alan aşırı sıkı güven aralıkları yansıtabilir.
- Nedensel tanımlama hala müdahale sonrası tüm karıştırıcıların kovaryatlar tarafından yakalandığı varsayımına dayanır; müdahaleyle eşzamanlı ölçülmeyen şoklar geçerliliği tehdit eder.
- Model seçimi (ML algoritması, kovaryatlar, hiper-parametrelerin seçimi), önceden belirtilmesi veya şeffaf bir şekilde raporlanması gereken araştırmacı serbestlik dereceleri sunar.
- Etki tahmininin yorumlanması, karşıolgusal modelin uygulamalı kitlelere açıklanmasını gerektirir, bu da basit bir regresyon çizgisini açıklamaktan daha zordur.
SSS
ML-ITS, klasik kesintili zaman serilerinden nasıl farklıdır?
Klasik ITS, müdahale öncesi döneme doğrusal (veya düşük dereceli polinom) bir trend uydurur ve bunu karşıolgusal olarak ekstrapole eder. ML-ITS, bu parametrik ekstrapolasyonu, doğrusal olmama durumlarını, mevsimselliği ve kovaryat ilişkilerini yakalayabilen bir makine öğrenmesi modeliyle değiştirerek, seri karmaşık olduğunda daha doğru bir karşıolgusal üretir.
En sık hangi ML algoritmaları kullanılır?
Google'ın CausalImpact'inde uygulandığı şekliyle Bayes yapısal zaman serileri (BSTS) en çok alıntı yapılanıdır. Gradyan yükseltilmiş ağaçlar (XGBoost, LightGBM) ve rastgele ormanlar yaygın frekansçı alternatiflerdir. Güçlü sıralı bağımlılığa sahip uzun seriler için LSTM veya diğer tekrarlayan ağlar da kullanılır, ancak bunlar önemli ölçüde daha fazla veri gerektirir.
Müdahale öncesi dönem ne kadar uzun olmalıdır?
Evrensel bir kural yoktur, ancak uygulayıcılar genellikle kararlı ML model uyarlaması için en az 50-100 müdahale öncesi zaman noktası önerir. Yaklaşık 30 noktadan daha azıyla, çoğu ML algoritması aşırı uyum sağlar ve karşıolgusal aralık güvenilmezdir; bu rejimde klasik ITS daha güvenlidir.
Tespit edilen etkinin gerçek olup olmadığını nasıl test ederim?
Standart tanısal, bir plasebo testidir: aynı ML-ITS prosedürünü yanlış bir müdahale tarihine (örn. müdahale olmadığı bilinen bir tarih) uygulayın ve modelin yanıltıcı bir etki üretip üretmediğini kontrol edin. Birçok plasebo tarihi boyunca yapılan permütasyon testleri, gerçek tahminin p-değerini kalibre etmek için bir dağılım sağlar.
ML-ITS bir kontrol grubu gerektirir mi?
Şart değil. Klasik ITS gibi, müdahale öncesi dinamikleri ekstrapole ederek tek bir işlenmiş seri üzerinde çalışabilir. Ancak, kontrol serilerini (paralel işlenmemiş zaman serileri) kovaryat olarak dahil etmek karşıolgusal doğruluğu önemli ölçüde artırır ve bu tür veriler mevcut olduğunda şiddetle tavsiye 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 ↗
- 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 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Machine Learning-Augmented Interrupted Time Series Analysis. ScholarGate. https://scholargate.app/tr/causal-inference/machine-learning-augmented-interrupted-time-series
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
- Dinamik Kesintili Zaman SerileriNedensel çıkarım↔ karşılaştır
- Kesintili Zaman Serisi (KZS) AnaliziNedensel çıkarım↔ karşılaştır
- Makine Öğrenmesi Destekli Farkların Farkı (ML-DiD)Nedensel çıkarım↔ karşılaştır
- Sentetik Kontrol Yöntemi (SCM)Nedensel çıkarım↔ karşılaştır