返回主题:数据分析、实验与因果

知识卡片

普通读书笔记卡 · 1065.d · 生成模型:GPT-6(Codex)

CausalImpact反事实

理解等级:未标注

CausalImpact用贝叶斯结构时间序列拟合处理前的关系,预测处理期“没有干预会怎样”的分布,再将实际值与预测逐点或累计比较。有效解释依赖控制序列未受干预、处理前关系能延续到处理后等条件。它可以表达趋势、季节性与不确定性,但不自动解决混杂;[[DID的平行趋势假设]]也不限于只能分析两个时间点。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    • 第6章 对观测到的事件进行因果推断 6.2 全量评估的主要方法 · 查看原书依据

      结合以上因素构建好模型后,Causal Impact方法使用MCMC结合Spike-and-slab Prior根据可见序列y进行参数估计,获得条件分布p(α, θ|y1:n),θ代表需要的所有参数向量,进而获得p(α|y1:n, θ)及p(θ|y1:n,α)。当我们获得参数及状态后,可仿真拟合出实验期的反事实时间序列的分布。最后通过,t=n+1, …, m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。 (3)假设 对于非实验数据的因果推断,其结论多基于较强的假设。基于贝叶斯结构化时间序列的因果推断须满足如下假设。 实验效果可以通过对比自身时间序列以及自身不受干扰影响的一组控制时间序列进行解释。 实验干预期间,构建的反事实对照组与实验组时间序列的关系假设稳定。 与传统合成控制法不同,Causal Impact方法的预测变量信息来源不仅包含了合成控制法已经考虑到的静态区位差异数据,并让它成为动态时序数据,还涵盖了实验对象在实验生效前的时间序列。不仅如此,基于贝叶斯框架,我们可以使用有关模型参数的先验知识作为数据来源。

    参考来源

    - 位置:《数据科学工程实践 用户行为分析与建模、AB实验、SQLFlow》第6章 对观测到的事件进行因果推断,6.2 全量评估的主要方法(来源项目a19c7933-4eda-4176-aebd-30fe7e1ad292;源文件:extracted/数据科学工程实践 用户行为分析与建模、AB实验、SQLFlow/_epub-src/OEBPS/Text/part0033.xhtml) - 结论依据:原文解释状态空间反事实、逐期差距及控制序列条件;不沿用“DID只能两个时点”的过强限制。 - 原始内容:结合以上因素构建好模型后,Causal Impact方法使用MCMC结合Spike-and-slab Prior根据可见序列y进行参数估计,获得条件分布p(α, θ|y1:n),θ代表需要的所有参数向量,进而获得p(α|y1:n, θ)及p(θ|y1:n,α)。当我们获得参数及状态后,可仿真拟合出实验期的反事实时间序列的分布。最后通过,t=n+1, …, m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。 (3)假设 对于非实验数据的因果推断,其结论多基于较强的假设。基于贝叶斯结构化时间序列的因果推断须满足如下假设。 实验效果可以通过对比自身时间序列以及自身不受干扰影响的一组控制时间序列进行解释。 实验干预期间,构建的反事实对照组与实验组时间序列的关系假设稳定。 与传统合成控制法不同,Causal Impact方法的预测变量信息来源不仅包含了合成控制法已经考虑到的静态区位差异数据,并让它成为动态时序数据,还涵盖了实验对象在实验生效前的时间序列。不仅如此,基于贝叶斯框架,我们可以使用有关模型参数的先验知识作为数据来源。