Estimating the causal effect of an intervention in a time series setting: the C-ARIMA approach
时间序列干预因果效应的估计：C-ARIMA 方法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：摘要直接结合潜在结果因果效应与 ARIMA 时间序列建模。
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…
时间序列干预因果效应的估计：C-ARIMA 方法
- 研究问题
- 如何在潜在结果框架内使用 ARIMA 定义并估计时间序列干预效应，使观测到的变化能够在明确条件下归因于干预？
- 方法与思路
- 作者提出 C-ARIMA，形式化效应定义、估计和归因所需假设，通过模拟与标准干预分析比较，并应用于降价后的超市销量。
- 材料陈述的贡献
- 摘要将 ARIMA 引入其潜在结果因果分析框架，提供模拟和永久降价应用，并说明 CausalArima R 包实现了所提方法。
- 阅读关注点
- 核对反事实序列的构造、干预归因假设、ARIMA 设定与预测不确定性，以及模拟比较是否涵盖同期其他变化和模型误设。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未列出识别假设或比较数值，ARIMA 拟合本身不能保证因果归因。
原文摘要
The Rubin Causal Model (RCM) is a framework that allows to define the causal effect of an intervention as a contrast of potential outcomes. In recent years, several methods have been developed under the RCM to estimate causal effects in time series settings. None of these makes use of ARIMA models, which are instead very common in the econometrics literature. In this paper, we propose a novel approach, C-ARIMA, to define and estimate the causal effect of an intervention in a time series setting under the RCM. We first formalize the assumptions enabling the definition, the estimation and the attribution of the effect to the intervention; we then check the validity of the proposed method with an extensive simulation study, comparing its performance against a standard intervention analysis approach. In the empirical application, we use C-ARIMA to assess the causal effect of a permanent price reduction on supermarket sales. The CausalArima R package provides an implementation of our proposed approach.