Çok Dönemli Nedensel Etki Analizi
Multi-period Bayesian Causal Impact Analysis · Ayrıca şöyle bilinir: multi-period CausalImpact, staggered causal impact, repeated-period causal impact, multi-wave CausalImpact
Çok Dönemli Nedensel Etki Analizi, Brodersen ve arkadaşları (2015) tarafından geliştirilen Bayesci yapısal zaman serisi çerçevesini, bir müdahalenin birden çok farklı dönem boyunca gerçekleştiği, farklı birimlere farklı zamanlarda uygulandığı veya araştırmacıların kümülatif ve döneme özgü etkileri tek bir birleşik modelde değerlendirmek istediği durumlar için genişletir. Kontrol kovaryantlarından sentetik bir karşı-olgusal durum oluşturur ve nedensel etkileri ölçmek için her müdahale penceresi boyunca bunu yansıtır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Müdahaleniz birden çok zaman noktasında gerçekleştiğinde, farklı birimlere farklı tarihlerde uygulandığında veya farklı uygulama aşamalarına (örneğin, lansman öncesi, lansman, lansman sonrası takip) sahip olduğunda çok dönemli Nedensel Etkiyi kullanın. Yöntem, yeterli müdahale öncesi taban çizgisine (ideali en uzun müdahale sonrası dönem kadar) sahip sürekli bir sonuç zaman serisi ve en az bir etkilenmemiş kontrol kovaryant serisi gerektirir. Kontrol kovaryantlarının müdahale öncesi dönemde sonucu yakından izlediği ve hedefin etki büyüklüğündeki döneme özgü değişiklikleri tespit etmek olduğu durumlarda üstündür. Temiz bir müdahale öncesi taban çizgisi olmadığında, mevcut tüm kontrol serileri kendi kendine tedavi tarafından etkilendiğinde, örneklem boyutları çok küçük olduğunda (pencere başına yaklaşık 30 müdahale öncesi gözlemden az) veya sonuç tamamen kesitsel ve zamansal yapıdan yoksun olduğunda kullanmayın.
Güçlü yönler & sınırlılıklar
- Tek, tutarlı bir Bayesci çerçeve içinde kademeli ve çok dalgalı müdahaleleri ele alır, hem pencereye özgü hem de kümülatif etki tahminleri üretir.
- Spike-and-slab değişken seçimi yoluyla kontrol kovaryantlarından veri güdümlü sentetik bir karşı-olgusal durum oluşturur, manuel olarak bir karşılaştırma grubu belirleme ihtiyacını ortadan kaldırır.
- Tam posterior çıkarım, sıklıkçı nokta-tahmin yaklaşımlarının aksine, model belirsizliğini dürüstçe yansıtan kalibre edilmiş güven aralıkları sağlar.
- Daha basit kesintili zaman serisi varsayımlarını ihlal edecek karmaşık zamansal örüntüleri (eğilim, mevsimsellik, otokorelasyon) barındırır.
- Döneme özgü etki tahminleri, araştırmacıların tedavi etkilerinin sonraki müdahale pencereleri boyunca büyüyüp büyümediğini, azalıp azalmadığını veya tersine dönüp dönmediğini teşhis etmelerini sağlar.
- Yeterince uzun ve istikrarlı bir müdahale öncesi serisi gerektirir; kısa taban çizgileri kötü tanımlanmış karşı-olgusal durumlar ve geniş güven aralıkları ile sonuçlanır.
- Karşı-olgusal durumun kalitesi, sonuçla ilişkili ancak tedavi tarafından etkilenmeyen geçerli kontrol kovaryantlarının bulunmasına kritik derecede bağlıdır; eğer hiçbiri mevcut değilse, yöntem basit bir eğilim ekstrapolasyonuna indirgenir.
- Her dönem veya kohort için MCMC veya durum-uzay tahmininin çalıştırılması nedeniyle standart NedenselEtki'den hesaplama açısından daha yoğundur.
- Birimler arasında müdahale olmadığını varsayar (SUTVA); bir dönemdeki veya kohorttaki tedavinin diğerlerine yayılması durumunda, karşı-olgusal durum kirlenir.
- Kademeli tasarımlar dikkatli kohorta özgü taban çizgisi tanımı gerektirir; pencereler örtüşürse veya müdahale öncesi dönemler kısa ise, dönem etkileri karışır.
SSS
Çok dönemli NedenselEtki, standart NedenselEtki'yi her dönem için ayrı ayrı çalıştırmaktan nasıl farklıdır?
Her pencere için ayrı modeller çalıştırmak, müdahale öncesi taban çizgisinin ve model parametrelerinin paylaşılması veya tutarlı bir şekilde belirlenmesi gerektiğini göz ardı eder. Ortak bir çok dönemli belirleme, aynı karşı-olgusal modelin tüm pencereleri yönetmesini sağlar, bu da etki büyüklüklerinin dönemden döneme karşılaştırmalarını tutarlı hale getirir ve her pencereyi bağımsız olarak aşırı uyma riskini azaltır.
Bu çerçevede geçerli bir kontrol kovaryantı neyi oluşturur?
Bir kontrol kovaryantı, müdahale öncesi dönemde sonuçla ilişkili olmalı ve kendisi müdahaleden etkilenmemelidir. İyi örnekler arasında, tedavi edilmemiş pazarlar, bölgeler veya ürün hatlarından elde edilen eşzamanlı metrikler bulunur. Olası tüm kovaryantlar kirlenmişse, yöntem yerel eğilim ekstrapolasyonuna geri döner, bu da çok daha zayıftır.
Müdahale öncesi taban çizgisi ne kadar uzun olmalıdır?
Pratik bir kural olarak, müdahale öncesi dönem en uzun tek müdahale sonrası pencere kadar uzun olmalı ve ideal olarak iki ila üç katı kadar olmalıdır. Kısa taban çizgileri (yaklaşık 30 gözlemden az), BSTS modelinin eğilim ve mevsimsellik parametrelerini güvenilir bir şekilde tahmin etmesini zorlaştırır ve bu da geniş ve bilgilendirici olmayan güven aralıklarına yol açar.
Birimlerin müdahaleyi farklı takvim zamanlarında aldığı durumlarda bu yöntemi uygulayabilir miyim?
Evet. Kademeli uygulama tasarımlarında, her kohortun kendi müdahale öncesi gözlemleri taban çizgisini tanımlar. Etkiler her kohort için ayrı ayrı tahmin edilir ve ardından toplam örneklem dönemi boyunca genel bir ortalama tedavi etkisi üretmek üzere toplanır (genellikle ağırlıklı ortalama olarak).
Sonuç serim mevsimsel ise ne olur?
Mevsimsellik, trigonometrik veya kukla değişkenli mevsimsel bir bileşen olarak doğrudan BSTS durum-uzay modeline dahil edilebilir. Mevsimselliği açıkça modellemek, müdahale öngörülebilir bir mevsimsel yükseliş veya düşüşle çakıştığında olacağı gibi, tahmin edilen tedavi etkisine emilmesini önler.
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 ↗
- Bojinov, I., & Shephard, N. (2019). Time series experiments and causal estimands: exact randomization tests and trading. Journal of the American Statistical Association, 114(528), 1665-1682. DOI: 10.1080/01621459.2018.1527225 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Multi-period Bayesian Causal Impact Analysis. ScholarGate. https://scholargate.app/tr/causal-inference/multi-period-causal-impact-analysis
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Bayesci Nedensel Etki AnaliziNedensel çıkarım↔ karşılaştır
- Nedensel Etki AnaliziNedensel çıkarım↔ karşılaştır
- Farkların Farkı (Diff-in-Diff)Ekonometri↔ karşılaştır
- Kesintili Zaman Serisi (KZS) AnaliziNedensel çıkarım↔ karşılaştır
- Çoklu Dönem Kesintili Zaman SerisiNedensel çıkarım↔ karşılaştır
- Sentetik Kontrol Yöntemi (SCM)Nedensel çıkarım↔ karşılaştır