从 CausalImpact 解释置信区间
Interpreting the confidence interval from CausalImpact
我不确定如何解释使用 CausalImpact R 包中的 CausalImpact 函数时获得的置信区间。
我很困惑，因为我认为存在矛盾 - 模型返回一个非常低的 p 值 (0.009)，这表明存在偶然效应，但 "actual" 线（实线线）似乎完全在反事实的 95% 置信区间内。如果有因果影响，你不希望这条线在蓝色带之外吗？
这些是我的结果：
这里是模型总结结果（我对大文本表示歉意）
这里发生了什么？
两个结果回答了不同的问题。
该图显示 每日影响。 CI 包含零的事实意味着影响在任何一天本身都不显着。
table 显示整体效果。 与情节不同，table 随着时间的推移收集信息，这增加了统计能力。事实上，在整个 post 期间，影响一直是负面的，这一事实表明，总体而言，可能存在负面影响。它太微妙了，无法在任何一天单独出现。
旁注：前期和 post 期之间的差距似乎大幅下降。您可能需要在这里格外小心，并考虑 post 期间的影响是否可能是由间隙中发生的任何事情而不是治疗引起的。
我不确定如何解释使用 CausalImpact R 包中的 CausalImpact 函数时获得的置信区间。
我很困惑，因为我认为存在矛盾 - 模型返回一个非常低的 p 值 (0.009)，这表明存在偶然效应，但 "actual" 线（实线线）似乎完全在反事实的 95% 置信区间内。如果有因果影响，你不希望这条线在蓝色带之外吗？
这些是我的结果：
这里是模型总结结果（我对大文本表示歉意）
这里发生了什么？
两个结果回答了不同的问题。
该图显示 每日影响。 CI 包含零的事实意味着影响在任何一天本身都不显着。
table 显示整体效果。 与情节不同，table 随着时间的推移收集信息，这增加了统计能力。事实上，在整个 post 期间，影响一直是负面的，这一事实表明，总体而言，可能存在负面影响。它太微妙了，无法在任何一天单独出现。
旁注：前期和 post 期之间的差距似乎大幅下降。您可能需要在这里格外小心，并考虑 post 期间的影响是否可能是由间隙中发生的任何事情而不是治疗引起的。