Regression modelQuasi-experimental / causal inference
机器学习增强因果效应分析
机器学习增强因果效应分析将准实验性反事实推理与灵活的机器学习预测模型相结合，以估计干预对时间序列结果的因果效应。它建立在 Brodersen 等人的贝叶斯结构时间序列 (BSTS) 框架之上，并通过双重/无偏机器学习方法进行扩展，利用供体协变量构建合成反事实，并将处理效应推断为干预后观测结果与预测结果之间的差距。
阅读完整方法
仅限会员
登录使用免费账户登录即可阅读本节。
方法图谱
相关方法的邻域——选择一个节点以展开探索。
来源
- 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 ↗
- Chernozhukov, V., Chetverikov, D., Demirer, M., Duflo, E., Hansen, C., Newey, W., & Robins, J. (2018). Double/debiased machine learning for treatment and structural parameters. The Econometrics Journal, 21(1), C1-C68. DOI: 10.1111/ectj.12097 ↗
如何引用本页
ScholarGate. (2026, June 3). Machine Learning-Augmented Causal Impact Analysis. ScholarGate. https://scholargate.app/zh/causal-inference/machine-learning-augmented-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。
- 因果影响分析因果推断↔ 比较
- 双重差分法 (Diff-in-Diff)计量经济学↔ 比较
- 双重稳健估计（AIPW）因果推断↔ 比较
- 中断时间序列（ITS）分析因果推断↔ 比较
- 面板事件研究因果推断↔ 比较
- 合成控制法 (SCM)因果推断↔ 比较