Regression modelQuasi-experimental / causal inference
机器学习增强型中断时间序列
机器学习增强型中断时间序列（ML-ITS）通过在干预前时间序列数据上训练机器学习模型，将反事实轨迹投射到干预后时期，并测量观测结果与预测结果之间的差距，来估计离散干预的因果效应。它通过用灵活的机器学习估计器（如梯度提升、随机森林或贝叶斯结构时间序列模型）取代参数趋势假设，扩展了经典ITS。
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 ↗
- Varian, H. R. (2014). Big Data: New Tricks for Econometrics. Journal of Economic Perspectives, 28(2), 3-28. DOI: 10.1257/jep.28.2.3 ↗
如何引用本页
ScholarGate. (2026, June 3). Machine Learning-Augmented Interrupted Time Series Analysis. ScholarGate. https://scholargate.app/zh/causal-inference/machine-learning-augmented-interrupted-time-series
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
- 动态中断时间序列因果推断↔ 比较
- 中断时间序列（ITS）分析因果推断↔ 比较
- 机器学习增强型双重差分法 (ML-DiD)因果推断↔ 比较
- 合成控制法 (SCM)因果推断↔ 比较