Dynamic causal inference with time series data

Sintesi Tecnica: Inferenza Causale Dinamica con Serie Temporali

Enunciato del Problema
I tradizionali framework di inferenza causale, come il modello dei potenziali risultati di Rubin, trattano gli esiti come variabili casuali realizzate in un singolo punto temporale. Questo approccio statico è inadatto ai sistemi dinamici in cui gli interventi non si limitano a spostare i livelli degli esiti, ma alterano fondamentalmente le dinamiche evolutive del processo stesso (ad esempio, cambiando la persistenza, la volatilità e le leggi di transizione). I metodi esistenti come il Difference-in-Differences (DiD), i Metodi di Controllo Sintetico (SCM) e l'Interrupted Time Series (ITS) spesso assumono dinamiche invarianti nel tempo o trend paralleli. Di conseguenza, quando gli interventi modificano la sottostante evoluzione stocastica, questi metodi statici confondono gli effetti causali con la dipendenza temporale, portando a stime distorte. Il documento affronta la necessità di un framework causale che tratti il tempo come intrinseco al meccanismo causale, definendo gli estimandi direttamente sullo spazio delle traiorie stocastiche piuttosto che su osservazioni di singoli periodi.

Metodologia
Gli autori generalizzano il framework dei potenziali risultati alle serie temporali definendo i potenziali risultati come intere traiettorie stocastiche $\{Y_t(Z)\}_{t \in [0,T\}}$.

1. L'Effetto Medio del Trattamento Dinamico (DATE):
   Il nucleo dell'estimando è il DATE, definito come la differenza attesa tra i processi stocastici trattato e di controllo in ogni punto temporale $t$, mediata sulla distribuzione degli stati iniziali. Formalmente:
   $$\text{DATE}(t) \triangleq \int \left( E_{y_0}[Y_t(Z=1)] - E_{y_0}[Y_t(Z=0)] \right) p(y_0) dy_0$$
   Questo si riduce al classico Average Treatment Effect (ATE) quando $T=1$ o sotto assunzioni i.i.d.

2. Regimi di Identificazione e Stima:
   Il documento distingue due regimi empirici basati sulla disponibilità dei dati:

   • Regime Multi-unità/Basato sul Design: Quando sono disponibili molteplici unità comparabili, gli autori propongono lo stimatore Dynamic Inverse-Probability Weighting (DIPW). Questo estende il classico IPW ai contesti dinamici condizionando sulla filtrazione $\mathcal{F}^X_{t_c}$ (la storia dei confonditori fino al momento dell'intervento). Sotto l'ipotesi di Ignorabilità Dinamica (Assunzione 4.1), che postula che i potenziali risultati siano indipendenti dall'assegnazione del trattamento condizionatamente alla storia pre-intervento, lo stimatore DIPW si dimostra non distorto e consistente.
   • Regime di Trattati Scarsi/Basato sul Modello: Quando si osserva un solo o pochissime unità trattate, il riponderamento trasversale è insufficiente. Gli autori dimostrano che le traiettorie della media condizionata sottostanti al DATE ammettono una rappresentazione state-space. Nello specifico, provano (Teorema 5.1) che, sotto deboli condizioni di regolarità (semimartingali integrabili al quadrato), la dinamica della media condizionata può essere espressa come un Modello Lineare Dinamico (DLM). Ciò consente di stimare il DATE adattando un modello state-space all'intera serie, scomponendo l'effetto dell'intervento in componenti "spot" (immediata), "persistente" (spostamento del livello) e "trend" (cambiamento della pendenza).

3. Fondamenti Teorici:
   Il framework introduce l'Intertemporal Strong Ignorability (Assunzione 5.1), un'estensione delle serie temporali della strong ignorability che richiede che l'assegnazione del trattamento sia indipendente dai confonditori futuri (assenza di feedback). Questo distingue l'approccio dai framework di potenziali risultati sequenziali che trattano la dipendenza temporale come interferenza di rete; qui, la dipendenza è trattata come evoluzione stocastica intrinseca.

Risultati Chiave

• Studio di Simulazione: Gli autori valutano il framework rispetto ai metodi esistenti (LM, AR(1)-LM, ARIMAX, SCM, DiD, C-ARIMA) attraverso quattro scenari: Many-Many, One-Many, One-One e One-None (singola unità trattata, nessun controllo).
  • Il DLM raggiunge costantemente il più basso Mean Squared Error (MSE) e accurate probabilità di copertura al 95% in tutti gli scenari, particolarmente nel caso "One-None" dove altri metodi falliscono nel catturare gli effetti variabili nel tempo.
  • I metodi statici (LM, ARIMAX) e i metodi basati direttamente sulle serie osservate (SCM, DiD) mostrano un alto bias e una scarsa copertura, spesso stimando medie piatte o fallendo nell'adattarsi alle dinamiche evolutive.
• Applicazione Empirica: Il framework viene applicato all'effetto del lockdown del Regno Unito del 2020 sulla disoccupazione (uno scenario One-None).
  • Il DLM cattura con successo una traiettoria non lineare ad arco dell'effetto del trattamento, rivelando un aumento iniziale acuto della disoccupazione seguito da una lenta ripresa nell'arco di quasi un anno.
  • L'analisi di decomposizione rivela che l'effetto è guidato da uno spostamento persistente del livello (aumento temporaneo) e da una componente di trend negativa (deterioramento del tasso di crescita), mentre l'effetto "spot" è stato trascurabile. Questo livello di granularità era oscurato dai modelli concorrenti.

Significatività e Rivendicazioni
Il documento sostiene di fornire una fondazione probabilistica unificata per l'inferenza causale nei sistemi dinamici. I suoi principali contributi sono:

1. Estensione Teorica: Estendere il modello dei potenziali risultati di Rubin dalle variabili casuali ai processi stocastici, definendo formalmente gli effetti causali come proprietà di intere traiettorie.
2. Strategia di Identificazione: Derivare le condizioni per l'identificazione dinamica (Dynamic Ignorability) e fornire uno stimatore valido (DIPW) per contesti con confondimento dipendente dal tempo.
3. Implementazione Pratica: Dimostrare che, quando i dati sono limitati, il DATE teorico ammette una rappresentazione state-space, giustificando l'uso dei Modelli Lineari Dinamici per la stima causale in scenari con singola unità o trattati scarsi.

Gli autori sottolineano che il loro framework chiarisce quando gli approcci basati su modelli (come la Structural Time Series o CausalImpact) mirano a estimandi causali ben definiti. Distinguono tra la previsione controfattuale forward-looking (basata solo sui dati pre-trattamento) e l'attribuzione causale retrospettiva (utilizzando l'intera serie per scomporre le dinamiche di base dagli effetti del trattamento), sostenendo la seconda per affinare la decomposizione degli effetti del trattamento. Il documento conclude che trattare il tempo come un confonditore e parte del meccanismo causale è essenziale per evitare la sistematica sottostima degli effetti dinamici inerente ai metodi statici.