Dynamic causal inference with time series data

技術要約：時系列データにおける動的因果推論

問題提起
ルビン潜在結果モデルのような従来の因果推論の枠組みは、結果を単一時点の時点における実現値としての確率変数として扱う。この静的なアプローチは、介入が単に結果の水準を変化させるだけでなく、プロセスの進化的なダイナミクスそのもの（例：持続性、揮発性、および遷移法則の変化）を根本的に変えてしまうような動的システムには適していない。差の差分析（DiD）、合成コントロール法（SCM）、断続時系列分析（ITS）などの既存の手法は、時間不変のダイナミクスや平行トレンドを仮定することが多い。その結果、介入が基礎となる確率的進化を修正する場合、これらの静的な手法は因果効果と時間依存性を混同し、偏った推定をもたらす。本論文は、時間を因果メカニズムに内在するものとして扱い、推定量を単一期間の観測値ではなく、確率的軌跡の空間上で直接定義する因果フレームワークの必要性に取り組んでいる。

手法
著者らは、潜在結果を潜在的な確率的軌跡 $\{Y_t(Z)\}_{t \in [0,T]}$ として定義することで、潜在結果の枠組みを時系列へと一般化した。

1. 動的平均処置効果（DATE）:
   中核となる推定量はDATEであり、これは各時点 $t$ における処置群と対照群の確率過程の期待値の差を、初期状態の分布にわたって平均したものとして定義される。形式的には以下の通りである：
   $$\text{DATE}(t) \triangleq \int \left( E_{y_0}[Y_t(Z=1)] - E_{y_0}[Y_t(Z=0)] \right) p(y_0) dy_0$$
   $T=1$ または i.i.d. 仮定の下では、これは古典的な平均処置効果（ATE）に帰着する。

2. 識別および推定レジーム:
   本論文では、データの可用性に基づき、2つの経験的レジームを区別している：

   • マルチユニット／デザインベース・レジーム： 比較可能な複数のユニットが利用可能な場合、著者らは**動的逆確率重み付け（DIPW）**推定量を提案する。これは、介入時刻までのコンファウンダーのフィルトレーション $\mathcal{F}^X_{t_c}$ に条件付けることで、標準的なIPWを動的な設定へと拡張するものである。動的無視可能性（仮定4.1：潜在結果が介入前の履歴に条件付けられた上で処置割り当てと独立であること）の下で、DIPW推定量は不偏かつ一致性を持つことが示されている。
   • 処置対象が希少な／モデルベース・レジーム： 観察される処置ユニットが一つまたは少数である場合、横断的な重み付けは不十分である。著者らは、DATEの基礎となる条件付き平均軌跡が状態空間表現を持つことを示している。具体的には、（平方可積分半マルチンゲールという緩やかな正則性条件下で）条件付き平均のダイナミクスが**動的線形モデル（DLM）**として表現できることを証明している（定理5.1）。これにより、全時系列に対して状態空間モデルを適合させ、介入効果を「スポット（即時）」、「持続的（水準シフト）」、「トレンド（傾きの変化）」の成分へと分解してDATEを推定することが可能になる。

3. 理論的基礎:
   本フレームワークは、強無視可能性の時系列への拡張である時系列的強無視可能性（仮定5.1）を導入している。これは、処置割り当てが将来のコンファウンダーと独立であること（フィードバックがないこと）を要求する。これは、時間依存性をネットワーク干渉として扱う逐次的潜在結果の枠組みとは異なり、ここでは依存性を内在的な確率的進化として扱っている。

主な結果

• シミュレーション研究： 著者らは、Many-Many、One-Many、One-One、One-None（単一の処置ユニット、対照群なし）の4つのシナリオにおいて、既存の手法（LM, AR(1)-LM, ARIMAX, SCM, DiD, C-ARIMA）に対する本フレームワークの評価を行った。
  • DLMは、すべてのシナリオ、特に他の手法が時変効果を捉えられない「One-None」のケースにおいて、一貫して最小の平均二乗誤差（MSE）と正確な95%被覆確率を達成した。
  • 静的な手法（LM, ARIMAX）および観測された時系列を直接用いる手法（SCM, DiD）は、高いバイアスと低い被覆率を示し、しばしば平坦な平均値を推定するか、進化するダイナミクスに適応できずに失敗した。
• 実証適用： 本フレームワークを、英国の2020年COVID-19ロックダウンによる失業への影響（One-Noneシナリオ）に適用した。
  • DLMは、処置効果の非線形なアーチ型の軌跡を捉えることに成功し、失業率の急激な上昇とその後の約1年間にわたる緩やかな回復を明らかにした。
  • 分解分析により、この効果は持続的なレベルシフト（一時的な増加）と負のトレンド成分（成長率の悪化）によって駆動されており、「スポット」効果は無視できる程度であることが判明した。この粒度の高い分析は、競合するモデルでは不明瞭であった。

意義および主張
本論文は、動的システムにおける因果推論のための統一された確率的基礎を提供することを主張している。その主な貢献は以下の通りである：

1. 理論的拡張： ルビンの因果モデルをランダム変数から確率過程へと拡張し、因果効果を全軌跡の特性として正式に定義した。
2. 識別戦略： 動的識別（動的無視可能性）のための条件を導出し、時間依存的なコンファウンディングが存在する設定に対して有効な推定量（DIPW）を提供した。
3. 実用的実装： データが限られている場合、理論的なDATEが状態空間表現を持つことを示し、単一ユニットまたは処置対象が希少なシナリオにおける因果推定のための動的線形モデル（DLM）の使用を正当化した。

著者らは、本フレームワークが、構造時系列モデルやCausalImpactのようなモデルベースのアプローチが、いつ適切に定義された因果的推定量を標的にしているのかを明確にしていると強調している。それは、前向きな反事実予測（介入前のデータのみに基づく）と、遡及的な因果帰属（全時系列を用いてベースラインのダイナミクスと介入効果を分解する）を区別し、後者を推奨することで、処置効果の分解を精緻化することを提唱している。結論として、時間をコンファウンダーおよび因果メカニズムの一部として扱うことは、静的な手法に固有の動的な効果の系統的な誤推定を避けるために不可欠であるとしている。