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

この論文「When are time series predictions causal? The potential system and dynamic causal effects（時系列予測はいつ因果的か？ポテンシャル・システムと動的因果効果）」は、ハーバード大学の Jacob Carlson と Neil Shephard によって執筆されたものです。

この論文は、時系列データにおける「予測」と「因果推論」の間のギャップを埋めるための非パラメトリックな基礎枠組みである**「ポテンシャル・システム（Potential System: PS）」**を提案し、時系列データに基づく予測がいつ、どのように因果効果の推定として解釈できるかを条件付きで明らかにするものです。

以下に、問題設定、手法、主要な貢献、結果、そして意義について詳細に要約します。

---

1. 問題設定 (Problem)

時系列分析において、ある時点 $t$ での割り当て（介入）$A_t$ を変更した際、将来の時点 $t+h$ での結果 $Y_{t+h}$ がどのように変化するかを予測するモデルは多く存在します（例：インパルス応答関数、SVAR、局所投影など）。しかし、以下の重要な問いに対する非パラメトリックな回答は不足していました。

• 問い: 時系列データに基づく予測の差、すなわち $E[Y_{t+h} | X_t, D_{1:t-1}, A_t = a_t] - E[Y_{t+h} | X_t, D_{1:t-1}, A_t = a'_t]$ は、いつ「割り当ての変更が結果に及ぼす因果効果」を測定していると言えるのか？

従来の時系列因果推論（Granger 因果性など）は主に予測能力に基づいており、真の因果構造を直接扱うものではありませんでした。また、パネルデータにおけるポテンシャル・アウトカムアプローチは時系列データ（純粋な時系列）には直接適用が困難でした。この論文は、時系列の因果推論と、非パラメトリックな因果推論（ポテンシャル・アウトカム・アプローチ）を統合する基礎的な枠組みを提供することを目的としています。

2. 手法と枠組み (Methodology)

この論文の核心は、**ポテンシャル・システム（PS）**の定義にあります。これは、データ生成過程と反事実的（counterfactual）過程を結びつける非パラメトリックなモデルです。

2.1 ポテンシャル・システム (PS) の定義

PS は以下の 5 つの仮定に基づいて構築されます。

1. データ生成過程 (DGP): 観測データ $D_t = (X_t, A_t, Y_t)$ が、過去のデータ $D_{1:t-1}$、特徴量 $X_t$、および確率的なノイズ $V_t$ に基づく「逐次割り当てメカニズム（SAM）」によって生成されると仮定します。
2. 反事実的プロセス (CP): 任意の割り当てパス $a_{1:T}$ に対して、特徴量 $X_t(a_{1:t})$ と結果 $Y_t(a_{1:t})$ が存在する「ポテンシャル・アウトカム」を定義します。
   • 非予知性 (Non-anticipation): 時点 $t$ の状態は、将来の割り当て $a_{t+1:T}$ に依存しない（Cox の干渉の欠如）。
   • 三角形性 (Triangularity): 時点 $t$ の特徴量は、時点 $t$ 以降の割り当てに依存しない。
3. 整合性 (Consistency): 観測されたデータは、実際に発生した割り当てパスに対応するポテンシャル・アウトカムと一致する（Rubin の SUTVA の時系列版）。
4. ブランチ・ポテンシャル・アウトカム: 時点 $t$ での割り当て $A_t$ を $a_t$ に固定し、その後のシステムがどのように発展するかを追跡する「ブランチ（枝）」の概念を導入します。これにより、動的な因果効果（インパルス応答など）を定義します。

2.2 因果効果の定義

PS を用いて、以下の動的因果効果を定義します。

• 動的因果効果: $Y_{t,h}(a_t) - Y_{t,h}(a'_t)$（時点 $t$ の割り当てを $a'_t$ から $a_t$ に変更した際の $t+h$ 時点での結果の差）。
• 平均処置効果 (ATE), 条件付き平均処置効果 (CATE) など: これらの期待値を、特徴量や過去の履歴で条件付けた形で定義します。

2.3 識別条件 (Identification)

予測値が因果効果と一致するための十分条件として、**逐次割り当てメカニズム（SAM）**に対する制約を定義します。

• ブランチ逐次非交絡性 (SAM.BSU): 割り当て $A_t$ が、条件付きで（$X_t, D_{1:t-1}$ を与えたとき）すべての将来のポテンシャル・ブランチと独立であること。
• これらの条件の下で、観測可能な条件付き期待値（予測）が、反事実的な因果効果と等しくなることが証明されます（Theorem 2）。

3. 主要な貢献と結果 (Key Contributions and Results)

3.1 時系列因果推論の非パラメトリック基礎の確立

従来の時系列モデル（SVAR、インパルス応答関数、局所投影など）は、線形性や特定の構造を仮定することが多いですが、PS はこれらを非パラメトリックな特殊ケースとして包含します。

• SVAR との関連: 線形マルコフ・PS は構造ベクトル自己回帰モデル（SVAR）に対応し、そのインパルス応答関数が因果効果と一致する条件を明示します。
• Granger 因果性との区別: Granger 因果性は予測可能性に基づくが、PS は介入による変化を定義するため、真の因果推論の基礎となります。

3.2 予測から因果への橋渡し

Theorem 2 は、特定の条件（SAM.BSU, SAM.BSR など）が満たされれば、観測データに基づく条件付き期待値の差が、そのまま因果効果（ATE, CATE など）を推定できることを示しています。これにより、時系列回帰や局所投影などの標準的な手法に、非パラメトリックな因果解釈を与えることができます。

3.3 多様な拡張と応用

PS は非常に柔軟な枠組みであり、以下の分野への拡張を示しています。

• 道具変数 (IV): 時系列における局所平均処置効果（LATE）の同定を可能にします（Theorem 3）。
• 多期間割り当て: 連続する期間にわたる介入（s-ポテンシャル・ブランチ）を扱えるように拡張されています。
• デザインベース推論: ランダム化比較試験（RCT）の考え方（ポテンシャル・アウトカムを条件付ける）を時系列に適用し、帰無仮説下でのシミュレーションによる厳密な推論（Fisher 型厳密検定）を可能にします（Section 5.3）。
• 制御理論との統合: 確率的最適制御（マルコフ決定過程）における最適方策と、PS の因果効果を結びつけます。

3.4 線形投影と局所投影 (Local Projection)

線形投影を用いた因果効果の推定（Jordà, 2005 の局所投影など）が、PS の下でどのような因果的意味を持つかが明確化されました。特に、共分散定常性の仮定の下で、線形投影係数が因果効果の推定量となる条件が示されています。

4. 意義 (Significance)

1. 理論的統合: 時系列分析（マクロ経済学、金融工学など）と、非パラメトリック因果推論（ポテンシャル・アウトカム、デザインベース推論）という、これまで別々に発展してきた 2 つの分野を統一的な「ポテンシャル・システム」の下で統合しました。
2. 実証分析への指針: 研究者が時系列データを用いて因果効果を推定する際、どのような仮定（例：割り当ての独立性、非交絡性）が必要かを明確にします。これにより、インパルス応答関数などの標準的な計量経済学的手法の解釈が強化されます。
3. 新しい手法の基盤: PS は、非線形モデル、道具変数、デザインベース推論、制御理論など、多様な時系列因果推論の新しい手法を構築するための「プリミティブ（基礎要素）」を提供します。
4. ルカス批判への対応: 反事実的プロセスにおいて関数形や構造パラメータが不変であるという仮定（Lucas critique を回避する構造）を明示的に取り入れることで、政策評価などの介入分析の妥当性を高めています。

結論

この論文は、時系列データにおける「予測」と「因果」の関係を厳密に定義し、非パラメトリックなポテンシャル・システム（PS）という強力な枠組みを提供しました。これにより、従来の時系列モデルに因果的な正当性を与え、より広範な時系列因果推論の手法開発の基礎を築いています。推定や推論の詳細な技術的側面は今後の課題とされていますが、識別（Identification）の理論的基盤として極めて重要な貢献を果たしています。