Compositional dynamic modelling for causal prediction in multivariate time series
用于多元时间序列因果预测的组合式动态建模AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要结合干预反事实与合成控制分析，并明确采用多元动态时间序列和序贯贝叶斯方法。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
用于多元时间序列因果预测的组合式动态建模
- 研究问题
- 如何在多元时间序列中高效开展贝叶斯反事实预测，并在干预后实验序列出现变化时及时调整模型与推断？
- 方法与思路
- 作者基于多元动态模型的序贯贝叶斯分析，将多个选定序列用作合成控制，结合时变参数和结果自适应建模处理干预后的变化。
- 材料陈述的贡献
- 摘要称，方法提高了多序列合成控制下反事实分析的计算可行性，并提出结果自适应建模概念，以零售营销干预案例展示应用。
- 阅读关注点
- 应核对控制序列选择、反事实预测的因果条件，以及干预后结果自适应更新如何区分处理效应与模型变化并维护不确定性量化。
- 阅读边界
- 这是 arXiv 预印本，同行评审与接收未核实。摘要未说明控制序列有效性、更新规则和具体效果，单一商业案例的适用范围有限。
原文摘要
Theoretical developments in sequential Bayesian analysis of multivariate dynamic models underlie new methodology for causal prediction. This extends the utility of existing models with computationally efficient methodology, enabling routine exploration of Bayesian counterfactual analyses with multiple selected time series as synthetic controls. Methodological contributions also define the concept of outcome adaptive modelling to monitor and inferentially respond to changes in experimental time series following interventions designed to explore causal effects. The benefits of sequential analyses with time-varying parameter models for causal investigations are inherited in this broader setting. A case study in commercial causal analysis-- involving retail revenue outcomes related to marketing interventions-- highlights the methodological advances.