用CausalImpact解释置信区间

Question

我不知道如何解释在使用CausalImpact函数时在CausalImpact R包中获得的置信区间。

我感到困惑，因为我认为有一个矛盾-模型返回一个非常低的p-值(0.009)，这表明有一个偶然的效果，但“实际”线(实线)似乎很好地在95%的置信范围内的反事实。如果有因果影响，你不认为这条线会超出蓝带吗？

以下是我的研究结果：

​

​

下面是模型总结结果(我对大文本表示歉意)。

​

这里发生了什么事？

Answer 1

这两个结果回答了不同的问题。

• 图中显示了的每日效果。，CIs包含零的事实意味着，这种影响本身在任何一天都不显着。
• 该表显示了的总体效果。与图表不同，该表随着时间的推移汇集信息，这增加了统计能力。整个后期的影响一直是负面的，这一事实提供了证据，总体来说，可能存在负面影响。这是太微妙了，不能单独出现在任何一天。

一个附带的注意事项:在前期和后期之间的差距似乎有很大的下降。在这里，你可能需要格外小心，想想在后期的影响是否是由空隙中发生的任何事情而不是治疗引起的。