ScholarGate
助手
Regression modelQuasi-experimental / causal inference

因果影响分析

因果影响分析（Causal Impact Analysis）由 Google 的 Brodersen 等人（2015）提出，它使用贝叶斯结构时间序列模型来估计在未发生干预的情况下结果会如何变化。通过利用干预前数据和控制协变量构建概率性反事实，该方法能够量化时间点和累积的治疗效果，并提供完整的后验不确定性区间。

在 MethodMind 中打开即将推出视频即将推出下载幻灯片

阅读完整方法

仅限会员

使用免费账户登录即可阅读本节。

登录

方法图谱

相关方法的邻域——选择一个节点以展开探索。

因果影响分析
贝叶斯结构时间序列双重差分法 (Diff-in-Diff)中断时间序列（ITS）分析倾向得分匹配合成控制法 (SCM)贝叶斯因果效应分析贝叶斯反事实影响评估贝叶斯双重差分法贝叶斯事件研究设计贝叶斯安慰剂检验

另有 13 项

来源

  1. 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 ↗
  2. CausalImpact. Wikipedia. link ↗

如何引用本页

ScholarGate. (2026, June 3). Bayesian Structural Time-Series Causal Impact Analysis. ScholarGate. https://scholargate.app/zh/causal-inference/causal-impact-analysis

选用哪种方法？

将本方法与其最相近的同类并置，并排研读——本馆将书籍铺陈于案上，取舍则由您定夺。

并排比较 →

被引用于

贝叶斯因果效应分析贝叶斯反事实影响评估贝叶斯双重差分法贝叶斯事件研究设计贝叶斯安慰剂检验贝叶斯合成控制法反事实影响评估 (CIE)异质性处理效应因果影响分析异质性处理效应合成控制法机器学习增强因果效应分析机器学习增强的反事实影响评估机器学习增强型中断时间序列机器学习增强合成控制方法多期因果效应分析面板数据因果效应分析政策评估因果影响分析稳健因果影响分析合成控制法 (SCM)教育研究中的合成控制法

发现本页有问题？报告或提出修改建议 →

ScholarGate — Causal Impact Analysis (Bayesian Structural Time-Series Causal Impact Analysis). 于 2026-06-15 检索自 https://scholargate.app/zh/causal-inference/causal-impact-analysis · 数据集： https://doi.org/10.5281/zenodo.20539026