知识卡片
Causal Impact：用贝叶斯时间序列建模反事实
内容
[[DID的平行趋势假设]]方法只比较干预前后两个时间点、假设效果不随时间变化，容易低估置信区间、忽略效果的增长期和衰减期。Causal Impact改用贝叶斯结构化时间序列模型，把”如果没有这次干预，序列本来会怎么走”当作一个可以拟合概率分布的隐藏状态来预测，再拿真实的实验期序列和这个反事实分布逐日比较，得到随时间变化的效果估计，而不是一个笼统的干预前后均值差。
参考来源
- 位置：《数据科学工程实践》第6章《对观测到的事件进行因果推断》"6.2.4 Causal Impact方法"一节（源文件：_epub-src/OEBPS/Text/part0033.xhtml）
- 结论依据：原文明确DID的缺陷："大多数DID分析仅考虑实验前及实验后两个时间区间。实际上，实验效果会随时间改变，例如静态模型中并未考虑增长期及衰减期"，而"状态空间模型使我们能够准确地考虑实验前后时间带来的影响，在完全贝叶斯时序参数处理中加入先验经验"，最终"获得实验上线后每日真实时间序列与反事实对照组之间的差距，即每日实验影响"。
- 原始内容：大多数DID分析仅考虑实验前及实验后两个时间区间。实际上，实验效果会随时间改变，例如静态模型中并未考虑增长期及衰减期，因此会导致DID评估方法及结论有一定偏差。与DID相反，状态空间模型使我们能够准确地考虑实验前后时间带来的影响，在完全贝叶斯时序参数处理中加入先验经验……可仿真拟合出实验期的反事实时间序列的分布。最后……获得实验上线后每日真实时间序列与反事实对照组之间的差距，即每日实验影响。