Dynamic causal inference with time series data

기술 요약: 시계열 데이터를 활용한 동적 인과 추론 (Dynamic Causal Inference)

문제 정의
루빈의 잠재적 결과 모델(Rubin potential outcomes model)과 같은 전통적인 인과 추론 프레임워크는 결과를 단일 시점에 실현되는 확률 변수로 취급한다. 이러한 정적 접근 방식은 개입이 단순히 결과 수준을 변화시키는 것을 넘어, 프로세스 자체의 진화적 역학(예: 지속성, 변동성, 전이 법칙의 변화)을 근본적으로 바꾸는 동적 시스템에는 부적합하다. 차분 차분법(Difference-in-Differences, DiD), 합성 통제 방법(Synthetic Control Methods, SCM), 단절적 시계열 분석(Interrupted Time Series, ITS)과 같은 기존 방법들은 대개 시변적이지 않은 역학이나 평행 추세를 가정한다. 결과적으로, 개입이 기저의 확률적 진화를 수정할 때, 이러한 정적 방법들은 인과 효과를 시간적 의존성과 혼동하여 편향된 추정치를 도출한다. 본 논문은 시간을 인과 기제의 일부로 간하여, 단일 시점 관측치가 아닌 확률적 궤적(stochastic trajectories)의 공간 위에서 직접 추정량(estimand)을 정의하는 인과 프레임워크의 필요성을 다룬다.

방법론
저자들은 잠재적 결과(potential outcomes)를 전체 확률적 궤적 $\{Y_t(Z)\}_{t \in [0,T]}$로 정의함으로써, 잠재적 결과 프레임워크를 시계열로 일반화한다.

1. 동적 평균 처치 효과 (Dynamic Average Treatment Effect, DATE):
   핵심 추정량은 DATE로, 이는 각 시점 $t$에서 처치군과 대조군의 확률 과정(stochastic processes) 사이의 기대 차이를 초기 상태의 분포에 대해 평균낸 것으로 정의된다. 형식적으로는 다음과 같다:
   $$\text{DATE}(t) \triangleq \int \left( E_{y_0}[Y_t(Z=1)] - E_{y_0}[Y_t(Z=0)] \right) p(y_0) dy_0$$
   $T=1$이거나 i.i.d. 가정이 적용될 경우, 이는 고전적인 평균 처치 효과(ATE)로 환원된다.

2. 식별 및 추정 레짐 (Identification and Estimation Regimes):
   논문은 데이터 가용성에 따라 두 가지 경험적 레짐을 구분한다:

   • 다수 단위/설계 기반 레짐 (Multi-unit/Design-based Regime): 비교 가능한 여러 단위가 존재할 때, 저자들은 동적 역확률 가중치(Dynamic Inverse-Probability Weighting, DIPW) 추정법을 제안한다. 이는 개입 시점까지의 교란 요인 필트레이션(filtration) $\mathcal{F}^X_{t_c}$에 조건화함으로써 표준 IPW를 동적 설정으로 확장한다. 개입 전 이력에 조건화했을 때 잠재적 결과가 처치 할당과 독립적이라는 동적 무관성(Dynamic Ignorability)(가정 4.1) 하에서, DIPW 추정량은 편향되지 않고 일치함(consistent)이 입증된다.
   • 희소 처치/모델 기반 레짐 (Scarce-treated/Model-based Regime): 처치된 단위가 하나 또는 소수만 관찰되는 경우, 횡단적 재가중치(cross-sectional reweighting)는 불충분하다. 저자들은 DATE를 구성하는 조건부 평균 궤적이 **상태 공간 표현(state-space representation)**을 가짐을 보여준다. 구체적으로, (정리 5.1)에 따라 완만한 정규성 조건(제곱 적분 가능한 세미마팅게일) 하에서, 조건부 평균 역학은 **동적 선형 모델(Dynamic Linear Model, DLM)**로 표현될 수 있음을 증명한다. 이를 통해 전체 시계열에 대한 상태 공간 모델을 적합시킴으로써, 개입 효과를 "스팟(spot)"(즉각적), "지속(persistent)"(수준 변화), "추세(trend)"(기울기 변화) 성분으로 분해하여 DATE를 추정할 수 있다.

3. 이론적 기초:
   이 프레임워크는 처치 할당이 미래의 교란 요인과 독립적이어야 함(피드백 없음)을 요구하는, 강한 무관성(strong ignorability)의 시계열 확장인 시간적 강한 무관성(Intertemporal Strong Ignorability)(가정 5.1)을 도입한다. 이는 시간적 의존성을 네트워크 간섭으로 취급하는 순차적 잠재적 결과 프레임워크와 구별된다. 여기서 의존성은 내재적인 확률적 진화로 취급된다.

주요 결과

• 시뮬레이션 연구: 저자들은 네 가지 시나리오(Many-Many, One-Many, One-One, One-None; 단일 처치 단위, 대조군 없음)에 대해 기존 방법들(LM, AR(1)-LM, ARIMAX, SCM, DiD, C-ARIMA)을 대상으로 프레임워크를 평가한다.
  • DLM은 모든 시나리오, 특히 다른 방법들이 실패하는 "One-None" 케이스에서 가장 낮은 평균 제곱 오차(MSE)와 정확한 95% 신뢰 구간 커버리지 확률을 일관되게 달성했다.
  • 정적 방법(LM, ARIMAX) 및 관측된 시계열에 직접 의존하는 방법(SCM, DiD)은 높은 편향과 낮은 커버리지를 보였으며, 종종 평탄한 평균만을 추정하거나 진화하는 역학을 포착하는 데 실패했다.
• 실증적 적용: 프레임워크를 영국의 2020년 코로나19 봉쇄가 실업률에 미친 영향(One-None 시나리오)에 적용하였다.
  • DLM은 처치 효과의 비선형적인 아치형(arch-shaped) 궤적을 성공적으로 포착하여, 초기의 급격한 실업 증가와 이후 약 1년에 걸친 느린 회복 과정을 드러냈다.
  • 분해 분석 결과, 이 효과는 지속적인 수준 변화(일시적 증가)와 부정적인 추세 성분(성장률 악화)에 의해 주도되었으며, "스팟" 효과는 미미한 것으로 나타났다. 이러한 세밀한 분석은 경쟁 모델들에서는 가려져 있던 부분이다.

의의 및 주장
본 논문은 동적 시스템에서의 인과 추론을 위한 통합된 확률적 기초를 제공한다고 주장한다. 주요 기여는 다음과 같다:

1. 이론적 확장: 루빈의 인과 모델을 확률 변수에서 확률 과정으로 확장하여, 인과 효과를 전체 궤적의 속성으로 공식 정의하였다.
2. 식별 전략: 동적 무관성(Dynamic Ignorability)을 위한 조건을 도출하고, 시간 의존적 교란이 있는 설정에 유효한 추정량(DIPW)을 제공하였다.
3. 실무적 구현: 데이터가 제한적인 경우, 이론적 DATE가 상태 공간 표현을 가진다는 점을 보여줌으로써, 단일 단위 또는 희소 처치 시나리오에서 인과적 추정을 위해 동적 선형 모델을 사용하는 것에 대한 정당성을 부여하였다.

저자들은 본 프레임워크가 구조적 시계열 모델(Structural Time-Series)이나 CausalImpact와 같은 모델 기반 접근 방식이 언제 잘 정의된 인과적 추정량을 목표로 하는지를 명확히 해준다는 점을 강조한다. 즉, 전방향적 반사실적 예측(사전 처치 데이터에만 기반)과 사후적 인과 귀속(전체 시계열을 사용하여 기저 역학과 개입 효과를 분해)을 구분하며, 후자가 처치 효과의 분해를 정교화하는 데 유리함을 주장한다. 결론적으로, 시간을 교란 변수이자 인과 기제의 일부로 취급하는 것이 정적 방법론에 내재된 동적 효과의 체계적 오추정 문제를 피하기 위해 필수적임을 밝히고 있다.