📈 economics

When are time series predictions causal? The potential system and dynamic causal effects

यह शोध पत्र "पोटेंशियल सिस्टम" (potential system) को प्रस्तुत करता है, जो एक नॉनपैरामीट्रिक टाइम सीरीज़ मॉडल है जो टाइम सीरीज़ और क्रॉस-सेक्शनल कॉज़ल इन्फरेंस के बीच के अंतर को पाटता है, जिससे समय के साथ हस्तक्षेपों के गतिशील कारण प्रभावों का आकलन करने के लिए एक कठोर ढांचा प्रदान किया जाता है, और इस प्रकार लोकल प्रोजेक्शन्स, इम्पल्स रिस्पांस फंक्शन्स और एसवीएआर (SVARs) जैसी विधियों को एकीकृत और विस्तारित करता है।

मूल लेखक: Jacob Carlson, Neil Shephard

प्रकाशित 2026-03-24

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Jacob Carlson, Neil Shephard

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक शेफ हैं जो यह समझने की कोशिश कर रहे हैं कि शाम 6:00 बजे नमक का एक चुटकी डालना आपके 8:00 बजे के सूप के स्वाद को ठीक कैसे प्रभावित करता है।

वास्तविक दुनिया में, आप केवल एक ही बर्तन सूप बना सकते हैं। आप नमक डालते हैं, बाद में स्वाद चखते हैं, और बस हो गया। आप समय में पीछे नहीं जा सकते, बिना नमक वाला दूसरा बर्तन बना सकते हैं और तुलना कर सकते हैं कि अंतर क्या था। यह टाइम सीरीज़ कॉज़ैलिटी (समय श्रृंखला कार्य-कारणता) की मौलिक समस्या है: हमें कैसे पता चलेगा कि अभी हुआ एक बदलाव वास्तव में बाद में होने वाले परिणाम का कारण बना, या वह परिणाम वैसे भी होने ही वाला था?

जैकब कार्लसन और नील शेफर्ड का यह शोध पत्र एक नया "मानसिक टूलकिट" पेश करता है जिसे पोटेंशियल सिस्टम (संभावित प्रणाली) कहा जाता है ताकि इस पहेली को सुलझाया जा सके। यहाँ उनके विचारों का रोजमर्रा के उपमाओं का उपयोग करके एक सरल विवरण दिया गया है।

1. "सूप के बर्तनों का मल्टीवर्स" (द पोटेंशियल सिस्टम)

लेखक प्रस्ताव देते हैं कि कार्य-कारणता (causality) को समझने के लिए, हमें केवल उस एक बर्तन को नहीं देखना चाहिए जो हमने वास्तव में बनाया है। इसके बजाय, हमें संभावनाओं के एक मल्टीवर्स (बहु-ब्रह्मांड) की कल्पना करनी चाहिए।

वास्तविक दुनिया: आप शाम 6:00 बजे नमक डालते हैं। 8:00 बजे सूप नमकीन लगता है।
काउंटरफैक्चुअल दुनिया (प्रति-तथ्यात्मक दुनिया): कल्पना करें कि एक समानांतर ब्रह्मांड में, शाम 6:00 बजे, आपने निर्णय लिया कि आप नमक नहीं डालेंगे। इस दुनिया में, 8:00 बजे सूप फीका लगता है।

पोटेंशियल सिस्टम एक गणितीय ढांचा है जो हमें इन समानांतर ब्रह्मांडों को परिभाषित करने और तुलना करने की अनुमति देता है। यह पूछता है: "यदि हमने समय $t$ पर एक अलग विकल्प चुना होता, तो समय $t+h$ पर दुनिया कैसी होती?"

इन "क्या-होता-यदि" (what-if) परिदृश्यों को सटीक रूप से परिभाषित करके, वे यह सिद्ध कर सकते हैं कि कब एक भविष्यवाणी (जैसे, "यदि मैं नमक डालता हूँ, तो सूप नमकीन होगा") वास्तव में एक कार्य-कारण सत्य (जैसे, "नमक ने सूप को नमकीन बनाया") होती है।

2. "शाखाओं वाला पेड़" (ब्रांच पोटेंशियल आउटकम्स)

कई टाइम सीरीज़ मॉडलों में, भविष्य अतीत पर निर्भर करता है। यदि आप शाम 6:00 बजे नमक डालते हैं, तो शायद आप 7:00 बजे काली मिर्च डालने का निर्णय लेते हैं क्योंकि सूप नमकीन है।

लेखक ब्रांच पोटेंशियल आउटकम्स (शाखा संभावित परिणाम) नामक एक अवधारणा का उपयोग करते हैं। इसे एक "चूज़ योर ओन एडवेंचर" (अपनी पसंद का रोमांच चुनें) पुस्तक की तरह समझें:

तना (The Trunk): 6:00 बजे तक सूप का इतिहास।
शाखा (The Branch): 6:00 बजे, आप एक विकल्प चुनते हैं (नमक डालें बनाम नमक न डालें)।
पत्तियां (The Leaves): भविष्य के परिणाम (8:00 बजे का स्वाद)।

उनका ढांचा दोनों को मापने की अनुमति देता है:

कुल प्रभाव (Total Effect): नमक स्वाद को कैसे बदलता है, इसमें भी शामिल है यह तथ्य कि यह बाद में काली मिर्च डालने के बारे में आपके विचार को भी बदल सकता है।
प्रत्यक्ष प्रभाव (Direct Effect): नमक स्वाद को कैसे बदलता है, बाद में आपके द्वारा किए जाने वाले किसी भी बदलाव को अनदेखा करते हुए।

उनका ढांचा शोधकर्ताओं को दोनों को मापने की अनुमति देता है, जो अर्थव्यवस्थाओं या मौसम के पैटर्न जैसे जटिल प्रणालियों के लिए महत्वपूर्ण है जहाँ एक क्रिया एक श्रृंखला अभिक्रिया (chain reaction) को ट्रिगर करती है।

3. "जादुई चश्मा" (जब भविष्यवाणियाँ कार्य-कारण बन जाती हैं)

सबसे बड़ा सवाल जिसका यह शोध पत्र उत्तर देता है वह है: "हम अपनी भविष्यवाणियों पर कब भरोसा कर सकते हैं?"

आमतौर पर, जब हम डेटा देखते हैं, तो हमें सह-संबंध (correlations) दिखाई देते हैं। "जब बारिश होती है, तो लोग छाते खरीदते हैं।" लेकिन क्या बारिश छाते की बिक्री का कारण बनती है, या लोग केवल बादल देखने पर छाते खरीदते हैं?

लेखक "जादुई चश्मे" (गणितीय शर्तें) प्रदान करते हैं, जिन्हें यदि आप पहनते हैं, तो वे एक साधारण भविष्यवाणी को एक कार्य-कारण तथ्य में बदल देते हैं।

शर्त: यदि नमक डालने का निर्णय (असाइनमेंट) यादृच्छिक (random) था या केवल उन चीजों पर आधारित था जिन्हें आप पहले से जानते थे (जैसे तापमान), और इस बात से गुप्त रूप से प्रभावित नहीं था कि सूप का स्वाद बाद में कैसा होने वाला था, तो आप तुलना पर भरोसा कर सकते हैं।
परिणाम: यदि ये शर्तें पूरी होती हैं, तो आपके डेटा में "नमक वाला सूप" और "बिना नमक वाला सूप" के बीच का अंतर नमक की शक्ति का एक वास्तविक माप है।

4. पुराने और नए संसारों को जोड़ना

यह शोध पत्र दो अलग-अलग विचारधाराओं के बीच एक सेतु के रूप में कार्य करता है:

अर्थशास्त्रियों का दृष्टिकोण (SVARs): वे जटिल रैखिक समीकरणों का उपयोग यह मॉडल करने के लिए करते हैं कि झटके (जैसे अचानक ब्याज दर में वृद्धि) अर्थव्यवस्था में कैसे लहरें पैदा करते हैं।
सांख्यिकीविदों का दृष्टिकोण (पोटेंशियल आउटकम्स): वे किसी दवा या नीति के प्रभाव को मापने के लिए "क्या-होता-यदि" तर्क का उपयोग करते हैं।

पोटेंशियल सिस्टम दिखाता है कि ये दोनों दृष्टिकोण वास्तव में एक ही चीज़ को अलग-अलग कोणों से देख रहे हैं। यह सिद्ध करता है कि "इम्पल्स रिस्पांस फंक्शंस" (एक फैंसी शब्द जिसका अर्थ है "झटका समय के माध्यम से कैसे लहरें पैदा करता है?") जिसे अर्थशास्त्री पसंद करते हैं, वास्तव में "औसत उपचार प्रभाव" (Average Treatment Effect) का एक विशिष्ट प्रकार है जिसका उपयोग सांख्यिकीविद करते हैं।

5. यह क्यों मायने रखता है (इसका महत्व क्या है?)

यह केवल अमूर्त गणित नहीं है; यह दुनिया का विश्लेषण करने के तरीके को बदल देता है:

बेहतर नीति: सरकारें बेहतर ढंग से समझ सकती हैं कि क्या टैक्स कटौती ने वास्तव में नौकरियों की उछाल का कारण बनी, या नौकरियां वैसे भी आने वाली थीं।
बेहतर चिकित्सा: डॉक्टर यह समझ सकते हैं कि एक दैनिक गोली रोगी के स्वास्थ्य को महीनों तक कैसे प्रभावित करती है, न कि केवल तुरंत।
AI और नियंत्रण: यह इंजीनियरों को बेहतर रोबोट और AI बनाने में मदद करता है जो अपनी गलतियों से सीखते हैं, यह समझते हुए कि उनका वर्तमान कार्य उस भविष्य के वातावरण को बदल देता है जिसका वे सामना करेंगे।

निचोड़

शोध पत्र कहता है: "टाइम सीरीज़ में कार्य-कारणता (causality) संभव है, लेकिन केवल तभी जब आप 'क्या-होता-यदि' वाले संसारों को कड़ाई से परिभाषित कर सकें और यह सुनिश्चित कर सकें कि आपके चुनाव भविष्य द्वारा गुप्त रूप से नियंत्रित नहीं थे।"

वे इन "क्या-होता-यदि" संसारों को बनाने के लिए ब्लूप्रिंट (पोटेंशियल सिस्टम) प्रदान करते हैं, जिससे हमें "आगे क्या होगा" का अनुमान लगाने से बढ़कर "हमने क्या कराया" को जानने की ओर बढ़ने की अनुमति मिलती है।

यहाँ जैकब कार्लसन और नील शेफर्ड के शोध पत्र "When are time series predictions causal? The potential system and dynamic causal effects" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

समय श्रृंखला विश्लेषण (Time series analysis) अक्सर एक असाइनमेंट $A_t$ के भविष्य के परिणाम $Y_{t+h}$ पर पड़ने वाले कारण प्रभाव (causal impact) को निष्कर्ष निकालने के लिए भविष्यवाणात्मक मात्राओं (जैसे, इम्पल्स रिस्पांस फंक्शन्स, लोकल प्रोजेक्शन्स, SVARs) पर निर्भर करता है। हालाँकि, मानक समय श्रृंखला भविष्यवाणी और कठोर कारण अनुमान (rigorous causal inference) के बीच एक मौलिक अंतर मौजूद है।

मुख्य प्रश्न: किन परिस्थितियों में सशर्त अपेक्षाओं (conditional expectations) का अंतर, $E[Y_{t+h} | X_t, D_{1:t-1}, A_t = a_t] - E[Y_{t+h} | X_t, D_{1:t-1}, A_t = a'_t]$ , वास्तव में असाइनमेंट को $a'_t$ से $a_t$ में बदलने का कारण प्रभाव मापता है?
चुनौती: समय श्रृंखला डेटा में क्रॉस-सेक्शनल रैंडमाइज्ड प्रयोगों में मिलने वाली पुनरावृत्ति (replication) का अभाव होता है। इसके अलावा, मानक समय श्रृंखला मॉडल अक्सर भविष्यवाणी को कारणता (causality) के साथ मिला देते हैं (उदाहरण के लिए, ग्रेंजर कॉज़ैलिटी प्रेडिक्टिव है, कॉज़ल नहीं)। मौजूदा कारण ढांचे (जैसे, पोटेंशियल आउटकम्स) अक्सर पैनल डेटा या क्रॉस-सेक्शन के लिए डिज़ाइन किए गए होते हैं और वे समय श्रृंखला असाइनमेंट्स और कन्फाउंडर्स की गतिशील, अनुक्रमिक प्रकृति को स्वाभाविक रूप से समाहित नहीं करते हैं।

2. कार्यप्रणाली: पोटेंशियल सिस्टम (Potential System - PS)

लेखक समय श्रृंखला गतिकी (dynamics) को नॉनपैरामेट्रिक कॉज़ल इंफरेंस के साथ जोड़ने के लिए एक मौलिक नॉनपैरामेट्रिक फ्रेमवर्क पेश करते हैं जिसे पोटेंशियल सिस्टम (PS) कहा जाता है।

A. मुख्य परिभाषाएँ (Core Definitions)

PS को एक डेटा जनरेटिंग प्रोसेस (DGP) और एक काउंटरफैक्चुअल प्रोसेस को जोड़ने वाले पाँच धारणाओं द्वारा परिभाषित किया गया है:

डेटा जनरेटिंग प्रोसेस (DGP): यह देखे गए फीचर्स ( $X_t$ ), असाइनमेंट्स ( $A_t$ ), और परिणामों ( $Y_t$ ) को परिभाषित करता है, जो पिछले इतिहास $D_{1:t-1}$ और वर्तमान फीचर्स पर निर्भर एक अनुक्रमिक असाइनमेंट मैकेनिज्म (SAM) $\alpha_t$ द्वारा उत्पन्न होते हैं।
काउंटरफैक्चुअल प्रोसेस: यह किसी भी संभावित असाइनमेंट पथ $a_{1:t}$ $a_{1 : t}$ के लिए "पोटेंशियल" फीचर्स और परिणामों $Z_t(a_{1:t})$ $Z_{t} (a_{1 : t})$ को परिभाषित करता है।
- नॉन-एंटीसिपेशन (CP.1a): भविष्य के असाइनमेंट्स वर्तमान परिणामों को प्रभावित नहीं कर सकते।
- ट्रायंगुलैरिटी (CP.1b): वर्तमान फीचर्स केवल पिछले असाइनमेंट्स पर निर्भर करते हैं, वर्तमान पर नहीं।
कंसिस्टेंसी (LP): देखा गया डेटा वास्तविक असाइनमेंट पथ के तहत पोटेंशियल सिस्टम के अनुरूप होता है।

B. डायनेमिक कॉज़ल इफेक्ट्स (Dynamic Causal Effects)

यह पेपर विशिष्ट क्षितिज (horizon) $h$ पर विभिन्न असाइनमेंट पथों के तहत पोटेंशियल परिणामों के अंतर को डायनेमिक कॉज़ल इफेक्ट्स के रूप में परिभाषित करता है:
$\text{Effect} = Y_{t,h}(a_t) - Y_{t,h}(a'_t)$
यह ढांचा विभिन्न कारण मापों को एकीकृत करता है:

टोटल डायनेमिक कॉज़ल इफेक्ट: इसमें वह फीडबैक लूप शामिल है जहाँ $A_t$ को बदलने से भविष्य के असाइनमेंट्स $A_{t+1}, \dots$ बदल जाते हैं।
डायरेक्ट डायनेमिक कॉज़ल इफेक्ट: भविष्य के असाइनमेंट्स को स्थिर रखते हुए $A_t$ का $Y_{t+h}$ पर प्रभाव को अलग करता है।
समरीज़: लेखक इस समय-श्रृंखला संदर्भ में एवरेज ट्रीटमेंट इफेक्ट (ATE), कंडीशनल ATE (CATE), फिल्टर्ड ट्रीटमेंट इफेक्ट (FTE), और कंडीशनल फिल्टर्ड ट्रीटमेंट इफेक्ट (CFTE) को परिभाषित करते हैं।

C. अनुक्रमिक असाइनमेंट मैकेनिज्म (SAM) के माध्यम से पहचान (Identification)

यह पेपर उन शर्तों को स्थापित करता है जिनके तहत इन काउंटरफैक्चुअल मात्राओं को अवलोकनीय डेटा (observational data) से पहचाना जा सकता है। यह SAM पर चार प्रमुख बाधाएं पेश करता है:

ब्रांच-सीक्वेंशियल अनकन्फाउंडेडनेस (SAM.BSU): $A_t \perp\!\!\perp \text{भविष्य के पोटेंशियल ब्रान्चेस} \mid X_t, D_{1:t-1}$ ।
ब्रांच-सीक्वेंशियल रैंडमाइजेशन (SAM.BSR): $A_t \perp\!\!\perp \text{भविष्य के पोटेंशियल ब्रान्चेस} \mid D_{1:t-1}$ ।
ब्रांच-अनकन्फाउंडेडनेस (SAM.BU): $A_t \perp\!\!\perp \text{भविष्य के पोटेंशियल ब्रान्चेस} \mid X_t$ ।
ब्रांच-रैंडमाइजेशन (SAM.BR): $A_t \perp\!\!\perp \text{भविष्य के पोटेंशियल ब्रान्चेस}$ (अनकंडीशनल)।

थ्योरम 2 प्रदर्शित करता है कि इन धारणाओं के तहत, कॉज़ल समरीज़ (जैसे ATE या CATE) वास्तव में अवलोकन योग्य सशर्त अपेक्षाओं (observable conditional expectations) के अंतर के बराबर होती हैं। उदाहरण के लिए, SAM.BSU के तहत, CFTE को इस प्रकार पहचाना जाता है:
$E[Y_{t+h} \mid X_t, D_{1:t-1}, A_t = a_t] - E[Y_{t+h} \mid X_t, D_{1:t-1}, A_t = a'_t]$

3. मुख्य योगदान और परिणाम

A. साहित्य का एकीकरण (Unification of Literature)

PS एक "प्रिमिटिव" फ्रेमवर्क के रूप में कार्य करता है जो निम्नलिखित को जोड़ता है:

स्ट्रक्चरल वेक्टर ऑटो-रिग्रेशन्स (SVARs): PS का लीनियर विशेष मामला SVARs और इम्पल्स रिस्पांस फंक्शन्स (IRFs) को रिकवर करता है, जो उनके लिए एक नॉनपैरामेट्रिक औचित्य प्रदान करता है।
पोटेंशियल आउटकम्स और पैनल डेटा: यह शुद्ध समय श्रृंखला के लिए रोबिन्स, इम्बेंस और अन्य के कार्यों का विस्तार करता है, जो अनुक्रमिक असाइनमेंट और डायनेमिक कन्फाउंडर्स को संभालता है।
कंट्रोल थ्योरी: PS ऑब्जर्वेशनल मॉडल्स को स्टोकेस्टिक डायनेमिक प्रोग्रामिंग (SDP) और कंट्रोल लिटरेचर के साथ जोड़ता है, यह दिखाते हुए कि कैसे इष्टतम नियंत्रण नीतियों (optimal control policies) को विशिष्ट असाइनमेंट मैकेनिज्म के रूप में देखा जा सकता है।
ग्रेंजर कॉज़ैलिटी: यह स्पष्ट करता है कि जबकि ग्रेंजर कॉज़ैलिटी भविष्यवाणी के बारे में है, PS उन स्थितियों को प्रदान करता है जिनमें भविष्यवाणी 'कारणता' (causality) का संकेत देती है।

B. विशेष मामले और विस्तार (Special Cases and Extensions)

पेपर विवरण देता है कि कैसे PS ज्ञात मॉडलों में विशेष हो जाता है:

लीनियर मार्कोव PS: होमोजेनियस लीनियर VAR(1) और SVAR(1) संरचनाओं को रिकवर करता है। यह दिखाता है कि लीनेरिटी के तहत, डायनेमिक कॉज़ल इफेक्ट नॉन-स्टोकेस्टिक है और मानक IRF के बराबर है।
न्यूज़ इम्पैक्ट मॉडल्स: वित्तीय अर्थशास्त्र (financial econometrics) के मॉडलों में विशेष होता है जहाँ वोलैटिलिटी (volatility) न्यूज़ शॉक्स के प्रति प्रतिक्रिया करती है।
इंस्ट्रुमेंटल वेरिएबल्स (IV): डायनेमिक सेटिंग्स में LATE (लोकल एवरेज ट्रीटमेंट इफेक्ट) की पहचान करने के लिए PS को टाइम-सीरीज IV (डेफिनिशन 8) तक विस्तारित करता है।
डिज़ाइन-बेस्ड इंफरेंस: पेपर समय श्रृंखला के लिए "डिज़ाइन-बेस्ड" दृष्टिकोण (पोटेंशियल आउटकम्स पर कंडीशनिंग) को अनुकूलित करता है। यह एक विधि प्रस्तावित करता है जो कन्फाउंडर्स की उपस्थिति में भी (यदि वे PS-एक्सोजेनस हैं) एक नल हाइपोथीसिस के तहत असाइनमेंट पथों को सिम्युलेट करके सटीक परिमित-नमूना अनुमान (exact finite-sample inference) प्रदान करती है।
स्टोकेस्टिक डायनेमिक प्रोग्रामिंग: यह कंट्रोल और कॉज़ल इफेक्ट्स के बीच के लिंक को औपचारिक रूप देता है, एक नीति के "मूल्य" (value) को न्यूनतम अपेक्षित भविष्य के नुकसान के रूप में परिभाषित करता है।

C. लीनियर प्रोजेक्शंस और स्टेशनैरिटी (Linear Projections and Stationarity)

लेखक लीनियर प्रोजेक्शंस (लोकल प्रोजेक्शन्स) के साथ कॉज़ल इफेक्ट्स के संबंध का विश्लेषण करते हैं। वे दिखाते हैं कि कोवेरिएंस स्टेशनैरिटी और विशिष्ट अनकन्फाउंडेडनेस धारणाओं के तहत, $Y_{t+h}$ पर $A_t$ (और कंट्रोल्स) के लीनियर रिग्रेशन के गुणांक (coefficients) कॉज़ल इफेक्ट्स का सुसंगत अनुमान लगाते हैं। वे इस संदर्भ में मेजरमेंट एरर (एटेनुएशन बायस) के मुद्दों को भी संबोधित करते हैं।

4. महत्व (Significance)

मौलिक कठोरता (Foundational Rigor): यह पेपर विशेष रूप से समय श्रृंखला के लिए एक "पोटेंशियल सिस्टम" की पहली कठोर नॉनपैरामेट्रिक परिभाषा प्रदान करता है, जो भविष्यवाणी-प्रधान समय श्रृंखला साहित्य और कारण अनुमान (causal inference) साहित्य के बीच के अंतर को पाटता है।
मानक उपकरणों का औचित्य: यह व्यापक रूप से उपयोग किए जाने वाले उपकरणों जैसे इम्पल्स रिस्पांस फंक्शन्स और लोकल प्रोजेक्शन्स को एक सैद्धांतिक आधार प्रदान करता है, यह निर्दिष्ट करते हुए कि वे वास्तव में कब कॉज़ल व्याख्या के योग्य हैं।
लचीलापन (Flexibility): नॉनपैरामेट्रिक होने के कारण, PS शोधकर्ताओं को लीनियर धारणाओं से आगे बढ़ने की अनुमति देता है जबकि डायनेमिक कॉज़ल इफेक्ट्स को परिभाषित और पहचानने की क्षमता बनाए रखता है।
नई कार्यप्रणालियाँ: यह नए अनुमान और अनुमान तकनीकों के द्वार खोलता है, जिसमें समय श्रृंखला के लिए डबली रोबस्ट एस्टिमेटर्स, समय श्रृंखला प्रयोगों के लिए सटीक डिज़ाइन-आधारित अनुमान, और कंट्रोल सिस्टम में कॉज़ल लर्निंग शामिल है।
नीतिगत प्रासंगिकता: यह ढांचा मैक्रोइकॉनॉमिक पॉलिसी विश्लेषण, वित्तीय जोखिम प्रबंधन और पर्सनलाइज्ड मेडिसिन (N-of-1 ट्रायल्स) के लिए सीधे तौर पर लागू होता है, जहाँ हस्तक्षेपों के गतिशील, लैग्ड प्रभावों को समझना महत्वपूर्ण है।

संक्षेप में, कार्लसन और शेफर्ड एक व्यापक सैद्धांतिक संरचना प्रदान करते हैं जो उनके काउंटरफैक्चुअल डायनेमिक्स को स्पष्ट रूप से मॉडल करके समय श्रृंखला भविष्यवाणियों को कारण संबंधी कथनों (causal statements) में बदल देती है, जिससे वे अलग-अलग अर्थशास्त्रीय और सांख्यिकीय सिद्धांतों को एकीकृत करते हैं।