Econometric vs. Causal Structure-Learning for Time-Series Policy Decisions: Evidence from the UK COVID-19 Policies

Diese Studie vergleicht vier ökonometrische Methoden mit elf kausalen Machine-Learning-Algorithmen anhand der britischen COVID-19-Politik und stellt fest, dass ökonometrische Ansätze klare zeitliche Regeln bieten, während kausale ML-Verfahren durch die Erkundung eines größeren Graphenraums dichtere Strukturen und mehr identifizierbare kausale Beziehungen aufdecken.

Das Wesentliche

🕵️‍♂️ Die große Detektiv-Show: Wer hat die Pandemie wirklich beeinflusst?

Stellen Sie sich vor, Sie sind ein Detektiv in einer riesigen Stadt (dem Vereinigten Königreich während der Corona-Pandemie). Es gibt Tausende von Zeugen (Datenpunkte): Wie viele Menschen trugen Masken, wie viele Schulen waren zu, wie viele Leute fuhren mit der U-Bahn, wie viele wurden krank?

Ihre Aufgabe ist es, herauszufinden: Was hat was verursacht?
Hat das Schließen der Schulen die Infektionszahlen gesenkt? Oder hat die Angst vor dem Virus die Menschen dazu gebracht, weniger zu reisen, was dann die Zahlen senkte?

Das ist der Kern dieser Studie. Die Forscher haben zwei verschiedene Gruppen von Detektiven gegeneinander antreten lassen, um zu sehen, wer die besten Beweise findet.

🥊 Der Kampf: Die alten Ökonomen vs. die neuen KI-Detektive

1. Die Ökonomen (Die "Strenge Zeit-Reisenden")
Diese Gruppe nutzt Methoden, die seit Jahrzehnten in der Wirtschaftswissenschaft verwendet werden.

• Ihre Philosophie: "Zeit ist heilig." Sie gehen strikt davon aus, dass die Vergangenheit die Zukunft beeinflusst, aber die Zukunft niemals die Vergangenheit ändern kann.
• Ihre Methode: Sie bauen ein strenges Gerüst. Sie sagen: "Wenn wir heute etwas tun, sehen wir die Wirkung erst morgen oder übermorgen." Sie sind sehr vorsichtig und suchen nach klaren, geraden Linien der Ursache und Wirkung.
• Vorteil: Sie halten sich an die Regeln der Zeit.
• Nachteil: Manchmal sind sie zu stur und übersehen subtile Zusammenhänge, weil sie zu viele Regeln haben.

2. Die KI-Maschinen (Die "Kreativen Entdecker")
Das sind moderne "Causal Machine Learning"-Algorithmen. Sie sind wie sehr neugierige Kinder, die alles miteinander verbinden wollen.

• Ihre Philosophie: "Schauen wir mal, was passt!" Sie scannen alle Daten und versuchen, ein riesiges Netz aus Verbindungen zu finden, ohne sich strikt an die Zeitordnung zu halten (zumindest nicht immer).
• Ihre Methode: Sie probieren Tausende von Kombinationen aus. Sie sagen: "Vielleicht hängt A mit B zusammen, und B mit C!"
• Vorteil: Sie finden oft viele interessante Verbindungen, die man sonst übersehen würde.
• Nachteil: Sie bauen manchmal zu dichte Netze. Es ist wie ein Spinnennetz, in dem man den Weg nicht mehr findet. Sie finden zwar viele Verbindungen, aber einige davon sind vielleicht nur Zufall oder falsch herum interpretiert.

📊 Das Experiment: Die UK-Corona-Daten

Die Forscher haben echte Daten aus Großbritannien genommen (von Januar 2020 bis Juni 2022). Das war kein kleines Puzzle; es waren 46 verschiedene Variablen über 866 Tage hinweg!

• Das Problem: Die Daten waren nicht perfekt. Es fehlten viele Werte (wie bei einem Puzzle, bei dem einige Teile verloren gegangen sind). Die Forscher mussten diese Lücken mit einem cleveren mathematischen Werkzeug (dem "Kalman-Filter") füllen, das wie ein guter Schätzer funktioniert, der den Trend erkennt, auch wenn ein Messwert fehlt.

🏆 Das Ergebnis: Wer gewinnt?

Das Rennen war spannend, und es gab keinen klaren "Allein-Sieger". Es war eher wie ein Team-Sport, bei dem beide Seiten ihre Stärken haben.

Was die KI-Maschinen (Causal ML) taten:

• Sie bauten riesige, dichte Netze. Stellen Sie sich ein Spinnennetz vor, das so dicht ist, dass man kaum durchschauen kann.
• Ergebnis: Sie fanden viele mögliche Ursachen (27 Stück!), aber nur etwa die Hälfte davon machte im Sinne der "gesunden Vernunft" (z. B. "weniger Menschenkontakt = weniger Infektionen") Sinn.
• Das Problem: Weil ihre Netze so komplex waren, war es schwer zu sagen, welche Verbindung wirklich wichtig ist.

Was die Ökonomen (Econometric Methods) taten:

• Sie bauten schlanke, übersichtliche Netze. Weniger Verbindungen, aber klarer.
• Ergebnis: Sie fanden weniger Verbindungen, aber die, die sie fanden, waren oft sehr zuverlässig.
• Der Gewinner: Eine spezielle ökonomische Methode namens SIMONE schnitt am besten ab. Sie fand die richtige Balance zwischen Komplexität und Genauigkeit.

💡 Die wichtigste Erkenntnis für Politiker

Was haben wir am Ende gelernt?

Stellen Sie sich vor, Sie wollen wissen, ob das Tragen von Masken die Ausbreitung des Virus stoppt.

• Die KI-Maschinen sagten: "Ja, aber vielleicht hängt es auch mit dem Wetter, dem Essen im Restaurant und der Farbe der Autos zusammen!" (Zu viel Rauschen).
• Die Ökonomen sagten: "Schauen wir uns die Zeit an. Wenn die Menschen weniger reisen (weniger U-Bahn-Fahrten, weniger Restaurantbesuche), sinkt die Zahl der Neuinfektionen am nächsten Tag."

Die klare Botschaft:
Die Studie zeigt, dass weniger Reisen und weniger soziale Kontakte (besonders in Restaurants und im öffentlichen Nahverkehr) die Infektionszahlen senken. Das war eine der wenigen Botschaften, die fast alle Methoden bestätigten.

🧩 Fazit: Eine Brücke bauen

Die Studie sagt uns:

1. KI ist stark im Entdecken: Sie findet neue Wege, die wir noch nicht kannten.
2. Ökonomen sind stark im Verstehen: Sie sorgen dafür, dass wir die Zeitordnung und Kausalität nicht durcheinanderbringen.

Die beste Lösung für die Zukunft ist eine Mischung aus beiden. Man braucht die Kreativität der KI, um neue Ideen zu finden, und die Strenge der Ökonomen, um sicherzustellen, dass diese Ideen auch wirklich funktionieren, wenn man sie in der echten Welt anwendet.

Kurz gesagt: Um die nächsten Pandemien zu bekämpfen, sollten wir nicht nur auf die Computer verlassen, die alles miteinander verknüpfen, sondern auch auf die erfahrenen Zeit-Analysten, die uns sagen, was wirklich zuerst passiert und was danach kommt. Nur so können wir die richtigen Entscheidungen treffen, um Menschenleben zu retten.

Technische Zusammenfassung

Titel:

Ekonometrische vs. Kausale Struktur-Lernverfahren für Zeitreihen-Entscheidungen: Evidenz aus den UK-COVID-19-Politiken

1. Problemstellung

Das Papier adressiert die Herausforderung, kausale Beziehungen aus beobachteten Zeitreihendaten zu extrahieren, um fundierte politische Entscheidungen zu treffen.

• Limitierung traditioneller ML: Herkömmliche Machine-Learning-Modelle fokussieren sich auf Assoziationen und können keine Gegenfaktischen (Hypothetischen) Interventionen simulieren, was für die Politikgestaltung essenziell ist.
• Lücke in der Forschung: Während kausales Machine Learning (Causal ML) bei Querschnittsdaten Fortschritte gemacht hat, bleibt die Rekonstruktion kausaler Strukturen aus Zeitreihendaten ein aktives Forschungsfeld.
• Vergleichspotenzial: Die Ökonometrie hat über Jahrzehnte robuste Methoden zur Analyse von Zeitreihen und Kausalität entwickelt (z. B. VAR-Modelle). Es besteht jedoch wenig Vergleich zwischen diesen etablierten ökonometrischen Ansätzen und modernen Causal-ML-Algorithmen (wie score- oder constraint-basierten Methoden) im Kontext von Zeitreihen.
• Ziel: Untersuchen, ob ökonometrische Methoden Causal-ML-Algorithmen ergänzen oder übertreffen können, um kausale Strukturen und Interventionseffekte in komplexen realen Szenarien (hier: COVID-19 in Großbritannien) zu identifizieren.

2. Methodik

Die Studie vergleicht vier ökonometrische Methoden mit elf Causal-ML-Algorithmen unter Verwendung eines umfassenden COVID-19-Datensatzes aus Großbritannien (Januar 2020 – Juni 2022, 46 Variablen, 866 Tage).

Datenvorbereitung:

• Imputation: Da der Datensatz Lücken aufwies (insbesondere bei Impfdaten und Mobilitätsindizes), wurde ein Kalman-Filter (State-Space-Modell) verwendet, um fehlende Werte unter Berücksichtigung zeitlicher Dynamiken zu imputieren.
• Diskretisierung: Für die Parametrisierung der Bayesian Networks (BNs) wurden kontinuierliche Variablen mittels k-Means-Clustering in drei Kategorien (niedrig, mittel, hoch) diskretisiert.

Bewertete Methoden:

1. Ökonometrische Ansätze (basierend auf VAR-Prozessen):
   • LASSO & LAR: Für Variablenselektion in hochdimensionalen Graphen (Shrinkage-Methoden).
   • James-Stein Shrinkage (JS): Transformiert Korrelationsnetzwerke in gerichtete azyklische Graphen (DAGs) basierend auf partiellen Korrelationen und zeitlicher Reihenfolge.
   • SIMONE: Ein Framework zur Inferenz von Modulen (Clustern) in Netzwerken, speziell für Zeitreihen optimiert.
   • Model Averaging: Kombination der vier ökonometrischen Graphen zur Erhöhung der Robustheit.
2. Causal-ML-Algorithmen:
   • Constraint-based: PC-Stable, Grow-Shrink (GS), IAMB-Varianten.
   • Score-based: Hill-Climbing (HC), Tabu Search.
   • Hybrid: MMHC, H2PC, RSMAX2.
   • Hinweis: Die Causal-ML-Algorithmen wurden nicht explizit durch zeitliche Zwangsbedingungen (Lags) eingeschränkt, während die ökonometrischen Methoden dies inhärent tun.

Evaluierungsmetriken:

• Strukturelle Ähnlichkeit: Vergleich mit einem "Wissensgraphen" (basierend auf [8]) mittels Structural Hamming Distance (SHD).
• Modellgüte: Bayesian Information Criterion (BIC) und Log-Likelihood (LL).
• Komplexität: Anzahl der Kanten und freien Parameter.
• Politische Bewertung: Simulation von Interventionen (do-Operator) zur Schätzung des Average Causal Effect (ACE). Es wurde geprüft, ob die identifizierten Effekte (Richtung: Erhöhung/Verringerung) mit dem allgemeinen Wissen übereinstimmen (z. B. führt weniger Mobilität zu weniger Infektionen?).

3. Wichtige Beiträge

• Systematischer Vergleich: Erster direkter Vergleich von ökonometrischen Zeitreihenmethoden mit einer breiten Palette von Causal-ML-Algorithmen auf einem realen, hochdimensionalen Datensatz.
• Code-Integration: Bereitstellung von Code, um Ergebnisse ökonometrischer Methoden in die weit verbreitete R-Bibliothek bnlearn (Bayesian Networks) zu übersetzen.
• Erkenntnis zur Zeitstruktur: Betonung, dass ökonometrische Methoden klare Regeln für zeitliche Strukturen liefern, während Causal-ML-Algorithmen einen größeren Suchraum abdecken, was oft zu dichteren Graphen führt.
• Politische Relevanz: Demonstration, wie unterschiedliche Struktur-Lern-Methoden zu unterschiedlichen Empfehlungen für Interventionen führen können.

4. Ergebnisse

• Strukturelle Unterschiede:
  • Ökonometrische Methoden (insb. LASSO/LAR) erzeugten Graphen mit vielen Kanten, die jedoch oft nicht mit dem Wissensgraphen übereinstimmten (hohe SHD-Werte).
  • SIMONE erzielte unter den ökonometrischen Methoden die besten BIC- und LL-Werte und war vergleichsweise spärlich (weniger Kanten).
  • Score-basierte Causal-ML-Algorithmen (HC, Tabu) identifizierten die meisten kausalen Effekte (27 identifiziert), produzierten jedoch extrem dichte Graphen, die oft zeitliche Inkonsistenzen aufwiesen.
  • Constraint-basierte Methoden erzeugten spärlichere Graphen mit wettbewerbsfähigen Scores.
• Politische Evaluation (Interventionen):
  • Die meisten Algorithmen (inkl. LASSO, SIMONE, PC-Stable) identifizierten keine kausalen Effekte, die sowohl identifizierbar als auch richtungsgemäß mit dem Vorwissen übereinstimmten.
  • JS (James-Stein) identifizierte zwei signifikante Interventionen: Senkung der "Citymapper Journeys" und Senkung der "OpenTable Restaurant-Aktivität". Beide führten zu einer Verringerung der Wahrscheinlichkeit für Neuinfektionen (Reinfections), was dem erwarteten Mechanismus entspricht.
  • HC und Tabu identifizierten zwar viele Effekte, aber nur ein Teil davon (14 bzw. 12) stimmte mit dem Vorwissen überein.
• Konsistenz: Trotz der Unterschiede in der Graphenstruktur stimmten die Algorithmen, die signifikante Effekte fanden (JS, HC, Tabu), in der Richtung der wichtigsten Interventionen (Reduktion von Mobilität/Socializing) überein.

5. Bedeutung und Fazit

• Komplementäre Stärken: Es gibt keine universell überlegene Methode.
  • Ökonometrie: Bietet klare zeitliche Regeln und ist robuster gegen zeitliche Inkonsistenzen, neigt aber dazu, komplexe Modelle zu produzieren, die schwer zu interpretieren sind, wenn Variablen fehlen.
  • Causal-ML: Deckt einen breiteren Raum möglicher Strukturen ab und findet mehr identifizierbare Effekte, produziert aber oft zu dichte Graphen, die schwer zu validieren sind.
• Politische Implikation: Modelle, die explizite zeitliche Strukturen kodieren und Komplexität bestrafen (wie SIMONE oder JS), scheinen für das "Stress-Testing" von Interventionen zuverlässiger zu sein. Die Studie bestätigt, dass die Reduzierung von menschlichen Kontakten (Mobilität, Restaurantbesuche) effektiv ist, auch wenn viele Algorithmen diese Beziehung in der komplexen Datenlage nicht automatisch fanden.
• Limitationen: Die Nicht-Normalität der Residuen und verbleibende Autokorrelationen stellen Einschränkungen dar. Die Diskretisierung der Daten könnte Signalstärke reduziert haben. Der Wissensgraph war nicht für dynamische Settings optimiert, was den SHD-Vergleich erschwert.
• Ausblick: Zukünftige Forschung sollte ökonometrische Ideen (Zeitstruktur, Modularität) in Causal-ML integrieren, um die Anzahl der benötigten Kanten für Identifizierbarkeit zu reduzieren und die politische Nützlichkeit zu erhöhen.

Zusammenfassend zeigt die Studie, dass für Zeitreihen-basierte Politikentscheidungen ein hybrider Ansatz oder eine sorgfältige Auswahl der Regularisierungsmethoden notwendig ist, um die Balance zwischen Modellkomplexität, zeitlicher Konsistenz und der Fähigkeit, kausale Effekte zu finden, zu finden.