Phân tích tác động nhân quả tăng cường học máy

Phân tích tác động nhân quả tăng cường học máy (ML-augmented causal impact analysis) kết hợp lập luận phản thực nghiệm bán thực nghiệm với các mô hình dự đoán học máy (ML) linh hoạt để ước tính tác động nhân quả của một can thiệp lên kết quả chuỗi thời gian. Dựa trên khuôn khổ chuỗi thời gian cấu trúc Bayes (BSTS) của Brodersen et al. và được mở rộng bằng các phương pháp ML kép/khử nhiễu, phương pháp này xây dựng một phản thực nghiệm tổng hợp từ các biến đồng phương sai của nhà tài trợ và suy ra hiệu ứng điều trị như khoảng cách giữa các kết quả quan sát được và dự đoán sau can thiệp.