Yöntem kanıt kaydı

Machine Learning-Augmented Interrupted Time Series

Machine Learning-Augmented Interrupted Time Series (ML-ITS) estimates the causal effect of a discrete intervention by training a machine learning model on pre-intervention time series data, projecting a counterfactual trajectory into the post-intervention period, and measuring the gap between observed and predicted outcomes. It extends classical ITS by replacing parametric trend assumptions with flexible ML estimators such as gradient boosting, random forests, or Bayesian structural time-series models.

Sources recorded, not reviewed

Kaynak kayıt

Alıntılar, yöntemin kaynak kaydından harfi harfine kopyalanmıştır. Bunlardan herhangi bir düzeyde doğrulama çıkarımı yapılmamıştır.

Machine Learning-Augmented Interrupted Time Series Analysis

Taksonomik yöntem kaydı · regression-model / causal-inference

Tam yöntemi aç

Derlenmiş iddialar

Her biri kendi değerlendirmesiyle birlikte kanıt defterine kaydedilmiş iddialar.

Henüz derlenmiş iddia yok

Bu görünüm, defterde hiç iddia olmadığında bir iddia değerlendirmesi icat etmez.

İlgili yöntemler

Yöntem grafiğinden oluşturulmuştur ve makine tarafından önerilen ilişkiler olarak gösterilir — herhangi bir kanıt iddiası çıkarımı yapılmamıştır.

Taxonomic bucketCausal Impact Analysismachine-suggested · Relational suggestion, not evidence.Same method familyDifference-in-Differencesmachine-suggested · Relational suggestion, not evidence.Taxonomic bucketDynamic Interrupted Time Seriesmachine-suggested · Relational suggestion, not evidence.Same method familyInterrupted Time Seriesmachine-suggested · Relational suggestion, not evidence.Taxonomic bucketMachine learning-augmented difference-in-differencesmachine-suggested · Relational suggestion, not evidence.Taxonomic bucketSynthetic Control Methodmachine-suggested · Relational suggestion, not evidence.