Series temporales interrumpidas

Método de análisis que implica el seguimiento de un período a largo plazo en torno a una intervención.

El análisis de series temporales interrumpidas ( ITS ), a veces conocido como análisis de series temporales cuasiexperimental , es un método de análisis estadístico que implica el seguimiento de un período de largo plazo antes y después de un punto de intervención para evaluar los efectos de la intervención. La serie temporal se refiere a los datos durante el período, mientras que la interrupción es la intervención, que es una influencia externa controlada o un conjunto de influencias. ^{[1] [2]} Los efectos de la intervención se evalúan mediante cambios en el nivel y la pendiente de la serie temporal y la significancia estadística de los parámetros de la intervención. ^[3] El diseño de series temporales interrumpidas es el diseño de experimentos basados ​​en el enfoque de series temporales interrumpidas.

El método se utiliza en diversas áreas de investigación, tales como:

• Ciencia política : impacto de los cambios en las leyes sobre el comportamiento de las personas; ^[2] (por ejemplo, Eficacia de las políticas de registro de delincuentes sexuales en los Estados Unidos )
• Economía : impacto de los cambios en los controles crediticios sobre el comportamiento crediticio; ^[2]
• Sociología : impacto de los experimentos de mantenimiento de ingresos sobre el comportamiento de los participantes en programas de bienestar ; ^[2]
• Historia : impacto de los principales acontecimientos históricos en el comportamiento de las personas afectadas por dichos acontecimientos; ^[2]
• Psicología : impacto de la expresión de experiencias emocionales en el contenido en línea; ^[4]
• medicina : en la investigación médica, el tratamiento médico es una intervención cuyos efectos se quieren estudiar;
• Investigación de mercados : analizar el efecto de las "intervenciones de mercado diseñadas" (por ejemplo, la publicidad ) sobre las ventas. ^[5]
• Ciencias ambientales : impactos de las actividades humanas en la calidad ambiental y la dinámica de los ecosistemas (por ejemplo, la tala forestal en el clima local). ^{[6] [7]}

Véase también

• Diseño cuasi-experimental

Referencias

1. Ferron, John; Rendina‐Gobioff, Gianna (2005), "Diseño de series temporales interrumpidas", Enciclopedia de estadísticas en ciencias del comportamiento , Sociedad Estadounidense del Cáncer, doi :10.1002/0470013192.bsa312, ISBN 978-0-470-01319-9, consultado el 9 de marzo de 2020
2. McDowall, David; McCleary, Richard; Meidinger, Errol; Hay, Richard A. Jr. (agosto de 1980). Análisis de series temporales interrumpidas. SAGE. págs. 5-6. ISBN 978-0-8039-1493-3.
3. Manual de Psicología, Métodos de investigación en psicología, pág. 582
4. Bollen; et al. (2019). "La dinámica a escala diminuta de las emociones en línea revela los efectos del etiquetado de los afectos". Nature Human Behaviour . 3 (1): 92–100. doi :10.1038/s41562-018-0490-5. PMID  30932057. S2CID  56399577.
5. Brodersen; et al. (2015). "Inferring causal impact using Bayesian structured time-series models" (Inferir el impacto causal utilizando modelos de series temporales estructurales bayesianos). Annals of Applied Statistics (Anales de estadística aplicada ). 9 : 247–274. arXiv : 1506.00356 . doi :10.1214/14-AOAS788. S2CID :  2879370. Consultado el 21 de marzo de 2019 .
6. Li, Yang; Liu, Yanlan; Bohrer, Gil; Cai, Yongyang; Wilson, Aaron; Hu, Tongxi; Wang, Zhihao; Zhao, Kaiguang (2022). "Impactos de la pérdida de bosques en el clima local en los Estados Unidos contiguos: evidencia de la observación de series temporales por satélite" (PDF) . Science of the Total Environment . 802 : 149651. Bibcode :2022ScTEn.802n9651L. doi :10.1016/j.scitotenv.2021.149651. PMID  34525747.
7. Li, Yang; Zhao, Kaiguang; Hu, Tongxi; Zhang, Xuesong. "BEAST: Un algoritmo de conjunto bayesiano para la detección de puntos de cambio y la descomposición de series temporales". GitHub .