Dynamic causal inference with time series data

Technische Samenvatting: Dynamische Causale Inferentie met Tijdreeksgegevens

Probleemstelling
Traditionele causale inferentiekaders, zoals het Rubin potential outcomes model, behandelen uitkomsten als willekeurige variabelen die op een enkel tijdstip worden gerealiseerd. Deze statische benadering is ongeschikt voor dynamische systemen waarbij interventies niet alleen de uitkomstniveaus verschuiven, maar de evolutionaire dynamiek van het proces zelf fundamenteel veranderen (bijv. het veranderen van persistentie, volatiliteit en transitiewetten). Bestaande methoden zoals Difference-in-Differences (DiD), Synthetic Control Methods (SCM) en Interrupted Time Series (ITS) gaan vaak uit van tijd-invariante dynamiek of parallelle trends. Wanneer interventies de onderliggende stochastische evolutie modificeren, verwarren deze statische methoden causale effecten met temporele afhankelijkheid, wat leidt tot vertekende schattingen. Het artikel adresseert de behoefte aan een causaal kader dat tijd behandelt als intrinsiek aan het causale mechanisme, waarbij estimanden direct worden gedefinieerd op de ruimte van stochastische trajecten in plaats van op observaties uit een enkele periode.

Methodologie
De auteurs generaliseren het potential outcome framework naar tijdreeksen door potentiële uitkomsten te definiëren als volledige stochastische trajecten $\{Y_t(Z)\}_{t \in [0,T\}}$.

1. Het Dynamic Average Treatment Effect (DATE):
   De kern-estimand is de DATE, gedefinieerd als het verwachte verschil tussen de behandelde en de controlegroepen van de stochastische processen op elk tijdstip $t$, gemiddeld over de distributie van initiële toestanden. Formeel:
   $$\text{DATE}(t) \triangleq \int \left( E_{y_0}[Y_t(Z=1)] - E_{y_0}[Y_t(Z=0)] \right) p(y_0) dy_0$$
   Dit reduceert tot de klassieke Average Treatment Effect (ATE) wanneer $T=1$ of onder i.i.d.-aannames.

2. Identificatie- en Schattingsregimes:
   Het artikel maakt onderscheid tussen twee empirische regimes op basis van gegevensbeschikbaarheid:

   • Multi-unit/Design-based Regime: Wanneer meerdere vergelijkbare eenheden beschikbaar zijn, stellen de auteurs de Dynamic Inverse-Probability Weighting (DIPW) estimator voor. Deze breidt standaard IPW uit naar dynamische settings door te conditioneren op de filtratie $\mathcal{F}^X_{t_c}$ (de geschiedenis van confounders tot aan het moment van de interventie). Onder Dynamic Ignorability (Aanname 4.1), die stelt dat potentiële uitkomsten onafhankelijk zijn van de toewijzing van de behandeling conditioneel op de pre-interventie geschiedenis, wordt aangetoond dat de DIPW-estimator onbevooroordeeld en consistent is.
   • Scarce-treated/Model-based Regime: Wanneer slechts één of enkele behandelde eenheden worden geobserveerd, is cross-sectionele herweging onvoldoende. De auteurs demonstreren dat de conditionele gemiddelde trajecten die ten grondslag liggen aan de DATE een state-space representatie toelaten. Specifiek bewijzen zij (Theorema 5.1) dat onder milde regulariteitsvoorwaarden (kwadratisch integreerbare semimartingales), de conditionele gemiddelde dynamiek kan worden uitgedrukt als een Dynamic Linear Model (DLM). Dit maakt het mogelijk om de DATE te schatten door een state-space model op de volledige reeks te fitten, waarbij het interventie-effect wordt gedecomposeerd in "spot" (onmiddellijk), "persistent" (niveauverschuiving) en "trend" (hellingsverandering) componenten.

3. Theoretische Fundamenten:
   Het kader introduceert Intertemporal Strong Ignorability (Aanname 5.1), een tijdreeks-extensie van strong ignorability die vereist dat de toewijzing van de behandeling onafhankelijk is van toekomstige confounders (geen feedback). Dit onderscheidt de benadering van sequentiële potential outcome frameworks die temporele afhankelijkheid behandelen als netwerkinterferentie; hier wordt afhankelijkheid behandeld als intrinsieke stochastische evolutie.

Belangrijkste Resultaten

• Simulatiestudie: De auteurs evalueren het framework tegen bestaande methoden (LM, AR(1)-LM, ARIMAX, SCM, DiD, C-ARIMA) over vier scenario's: Many-Many, One-Many, One-One, en One-None (enkele behandelde eenheid, geen controles).
  • De DLM bereikt consistent de laagste Mean Squared Error (MSE) en nauwkeurige 9% dekking (coverage probabilities) in alle scenario's, met name in de "One-None" casus waar andere methoden er niet in slagen de tijdvariërende effecten te vatten.
  • Statische methoden (LM, ARIMAX) en methoden die direct steunen op geobserveerde series (SCM, DiD) vertonen hoge bias en slechte dekking, waarbij ze vaak vlakke gemiddelden schatten of er niet in slagen zich aan te passen aan evoluerende dynamiek.
• Empirische Toepassing: Het framework wordt toegepast op het effect van de Britse COVID-19 lockdown van 2020 op werkloosheid (een One-None scenario).
  • De DLM legt succesvol een niet-lineair, boogvormig traject van het behandelingseffect vast, wat een initiële scherpe stijging in werkloosheid onthult gevolgd door een traag herstel over bijna een jaar.
  • De decompositieanalyse laat zien dat het effect wordt gedreven door een persistente niveauverschuiving (tijdelijke toename) en een negatieve trendcomponent (verslechtering van de groeivoet), terwijl het "spot" effect verwaarloosbaar was. Dit niveau van granulariteit werd verborgen in concurrerende modellen.

Betekenis en Claims
Het artikel claimt een verenigde probabilistische basis te bieden voor causale inferentie in dynamische systemen. De primaire bijdragen zijn:

1. Theoretische Extensie: Het uitbreiden van het Rubin causale model van willekeurige variabelen naar stochastische processen, waardoor causale effecten formeel worden gedefinieerd als eigenschappen van volledige trajecten.
2. Identificatiestrategie: Het afleiden van voorwaarden voor dynamische identificatie (Dynamic Ignorability) en het leveren van een geldige estimator (DIPW) voor settings met tijdafhankelijke confounding.
3. Praktische Implementatie: Het aantonen dat wanneer gegevens beperkt zijn, de theoretische DATE een state-space representatie toelaat, wat het gebruik van Dynamic Linear Models voor causale schatting in single-unit of scarce-treated scenario's rechtvaardigt.

De auteurs benadrukken dat hun framework verheldert wanneer model-gebaseerde benaderingen (zoals Structural Time Series of CausalImpact) goed gedefinieerde causale estimanden targeten. Het maakt onderscheid tussen forward-looking counterfactual voorspelling (gebaseerd op enkel pre-behandeling data) en retrospectieve causale attributie (gebruikmakend van de volledige serie om baseline dynamiek van interventie-effecten te scheiden), en pleit voor dat laatste om de decompositie van behandelingseffecten te verscherpen. Het artikel concludeert dat het behandelen van tijd als een confounder en onderdeel van het causale mechanisme essentieel is om de systematische mischatting van dynamische effecten te voorkomen die inherent is aan statische methoden.