📈 economics

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

Dit paper introduceert het potentieelstelsel, een niet-parametrisch tijdreeksmodel dat de causale impact van een interventie op toekomstige uitkomsten kwantificeert en zo een brug slaat tussen tijdreekscausaliteit en niet-parametrische cross-sectiemethoden.

Oorspronkelijke auteurs: Jacob Carlson, Neil Shephard

Gepubliceerd 2026-03-24

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Jacob Carlson, Neil Shephard

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een tijdreis-machine hebt, maar in plaats van fysiek te reizen, kun je alleen maar kijken naar wat er zou gebeuren als je op een bepaald moment een andere knop had gedrukt.

Dit is de kern van het paper "When are time series predictions causal?" (Wanneer zijn tijdreeksvoorspellingen causaal?) van Jacob Carlson en Neil Shephard. Ze hebben een nieuwe manier bedacht om te begrijpen of iets dat we vandaag doen, echt de oorzaak is van iets wat morgen, volgende week of over een jaar gebeurt.

Hier is een uitleg in gewone taal, met een paar creatieve vergelijkingen.

1. Het Probleem: Voorspellen vs. Oorzaken

Stel je een weerman voor. Hij zegt: "Als er morgen wolken zijn, is de kans groot dat het regent." Dat is een voorspelling. Maar als hij zegt: "Als ik die wolken wegveeg, zal het niet regenen," dan praat hij over oorzaak en gevolg.

In de economie en data-wetenschap is het vaak lastig om het verschil te zien. We zien data (zoals beurskoersen of temperaturen) en we zien dat A vaak voor B gaat. Maar betekent A dat B gebeurt? Of is er een derde factor C die beide veroorzaakt?

De auteurs zeggen: "We hebben een nieuwe 'tijdmachine' nodig om dit te testen."

2. De Oplossing: Het "Potentiële Systeem" (De Tijdreis-Machine)

De auteurs introduceren een concept dat ze het Potentiële Systeem (Potential System) noemen.

De Analogie: Het Multiversum van de Weerman
Stel je voor dat op elk moment in de tijd, het universum zich splitst in tweeën:

De echte wereld: Waar de weerman de knop "Regen" niet drukt.
De tegenwereld (counterfactual): Waar de weerman wel de knop "Regen" had gedrukt.

In de echte wereld zien we alleen de ene uitkomst. Maar met hun "Potentiële Systeem" kunnen we wiskundig beschrijven wat er in die tegenwereld zou gebeuren.

Als we in de echte wereld een knop indrukken (bijvoorbeeld: "Verhoog de rente") en in de tegenwereld niet, en de uitkomst (bijvoorbeeld: "Inflatie") is anders, dan hebben we een causaal effect gevonden.

Het paper geeft regels voor wanneer deze vergelijking eerlijk is. Het is alsof ze een handleiding schrijven voor hoe je een eerlijke tijdreis moet maken zonder dat de tijdreis-machine zelf de uitkomst beïnvloedt.

3. De Regels: Wanneer is het eerlijk?

Niet elke vergelijking tussen twee werelden is geldig. Stel je voor dat je wilt weten of een medicijn werkt.

Fout: Je geeft het medicijn alleen aan mensen die al ziek zijn, en vergelijkt hen met gezonde mensen. Dat is geen eerlijke test.
Goed: Je geeft het medicijn willekeurig (random) aan mensen, ongeacht hun gezondheid.

In dit paper noemen ze dit Sequential Assignment (opeenvolgende toewijzing). Ze stellen regels op (zoals "Branch-Sequential Unconfoundedness") die zeggen: "Als de manier waarop we de knop indrukken (de behandeling) niet afhankelijk is van wat er in de toekomst gaat gebeuren, dan kunnen we de voorspelling omzetten in een oorzaak."

De Metafoor: De Chef-kok en de Ingrediënten
Stel je een chef-kok voor die elke dag een nieuwe soep maakt.

Features (X): De verse groenten die hij koopt.
Assignment (A): De beslissing om extra peper te doen.
Outcome (Y): Hoe de soep smaakt.

Als de chef alleen peper doet als hij weet dat de soep morgen goed gaat smaken (omdat hij een geheim recept heeft), dan is zijn keuze niet willekeurig. Dan kun je niet zeggen dat de peper de smaak veroorzaakte; het recept deed dat.
Het paper zegt: "Als we aannemen dat de chef de peper toevallig doet (of op basis van alleen wat hij nu ziet, niet wat hij in de toekomst weet), dan kunnen we zeggen: 'De peper maakte de soep scherper'."

4. Waarom is dit belangrijk? (De Brug)

Vroeger waren er twee aparte werelden:

De Econometristen: Die praten over "Impulse Response Functions" (hoe een schok in de economie door de tijd heen echoot).
De Causale Onderzoekers: Die praten over "Randomized Control Trials" (RCT's) en "Potential Outcomes" (wat zou gebeuren als...).

Deze twee groepen spraken vaak niet met elkaar. Dit paper bouwt een brug tussen hen.
Het zegt: "Jullie Impulse Response Functions zijn eigenlijk gewoon gemiddelde behandelingseffecten, mits jullie aan bepaalde regels voldoen."

Dit betekent dat economen nu hun bestaande modellen (zoals VAR's, die vaak gebruikt worden voor macro-economische voorspellingen) kunnen gebruiken om echte oorzaken te vinden, niet alleen correlaties.

5. Toepassingen in het Dagelijkse Leven

Hoe ziet dit eruit in de echte wereld?

Beleid maken: Een overheid wil weten of het verhogen van de minimumloon (de knop) de werkloosheid (de uitkomst) over 2 jaar verlaagt. Met dit systeem kunnen ze berekenen wat er zou gebeuren als ze geen verhoging hadden gedaan, zelfs zonder een echte experimentele periode.
Medische behandelingen: Een arts wil weten of het geven van een medicijn op dag 1 de gezondheid op dag 30 beïnvloedt, rekening houdend met de dagelijkse symptomen die de arts ziet.
Robots en AI: Als een robot leert om een taak te doen (Reinforcement Learning), gebruikt hij dit soort logica om te begrijpen welke actie nu de beste toekomstige beloning geeft.

Samenvatting in één zin

Dit paper geeft ons een wiskundige "tijdmachine" en een set regels om te bepalen wanneer we met zekerheid kunnen zeggen: "Als we X hadden gedaan, zou Y anders zijn geweest," zelfs als we alleen maar naar historische data kijken.

Het maakt het verschil tussen "Het regende omdat er wolken waren" (voorspelling) en "Het zou niet hebben geregend als we die wolken hadden weggeveegd" (oorzaak) helder en meetbaar.

1. Het Probleem

In de economische en statistische literatuur wordt vaak gebruikgemaakt van tijdreeksdata om causale effecten te schatten, bijvoorbeeld via Impulse Response Functions (IRF), Vector Autoregressies (VAR) of lokale projecties. Een fundamenteel probleem is echter dat deze methoden vaak gebaseerd zijn op voorspellende correlaties en niet noodzakelijk causale mechanismen weergeven.

De kernvraag die dit artikel adresseert is: Wanneer kunnen tijdreeksvoorspellingen, zoals het verschil in verwachte uitkomsten $E[Y_{t+h} | \dots, A_t = a_t] - E[Y_{t+h} | \dots, A_t = a'_t]$ , worden geïnterpreteerd als een causaal effect van een verandering in de toewijzing (assignment) $A_t$ op een toekomstige uitkomst $Y_{t+h}$ ?

Bestaande methoden zoals "Granger-causaliteit" meten voorspelbaarheid, niet causaliteit. Andere benaderingen, zoals Structural VARs (SVARs), maken sterke parametrische aannames. Er ontbreekt een niet-parametrisch raamwerk dat de brug slaat tussen tijdreeksanalyse en de moderne literatuur over causale inferentie (zoals potential outcomes en design-based inference).

2. Methodologie: Het "Potential System" (PS)

De auteurs introduceren een fundamenteel niet-parametrisch model, het Potential System (PS), om dynamische causale effecten te definiëren en te identificeren.

A. Definitie van het Potential System

Het PS bestaat uit twee stochastische processen die via vijf aannames met elkaar verbonden zijn:

Data Generating Process (DGP): Beschrijft de waargenomen data ( $X_t, A_t, Y_t$ ) gegenereerd door een sequentiële toewijzingsmechanisme (SAM).
Counterfactual Process: Definieert potentiële uitkomsten en kenmerken onder verschillende hypothetische paden van toewijzingen ( $a_{1:T}$ $a_{1 : T}$ ).
- Non-anticipation: Toekomstige toewijzingen beïnvloeden niet de huidige uitkomst (geen "interferentie" in de tijd).
- Triangularity: De huidige uitkomst hangt alleen af van het verleden en de huidige toewijzing, niet van toekomstige toewijzingen.
Consistency (Assumptie LP): De waargenomen data komt overeen met de potentiële uitkomst onder de daadwerkelijk waargenomen toewijzing.

B. Dynamische Causale Effecten

Het artikel definieert het dynamisch causaal effect als het verschil in potentiële uitkomsten op tijdstip $t+h$ wanneer de toewijzing op tijdstip $t$ verandert van $a'_t$ naar $a_t$ :
$\text{Effect} = Y_{t,h}(a_t) - Y_{t,h}(a'_t)$
Hierbij wordt onderscheid gemaakt tussen:

Totale effecten: Inclusief de impact op toekomstige toewijzingen (via het mechanisme).
Directe effecten: Het effect op de uitkomst, houdend toekomstige toewijzingen constant.

De auteurs definiëren diverse samenvattingsmaten:

ATE (Average Treatment Effect): Gemiddeld effect over de populatie.
CATE (Conditional ATE): Effect gegeven kenmerken $X_t$ .
FTE (Filtered Treatment Effect): Effect gegeven de volledige geschiedenis $D_{1:t-1}$ .

C. Identificatie via Voorspellingen

De centrale bijdrage is het afleiden van voorwaarden waaronder deze causale grootheden gelijk zijn aan observeerbare voorspellingsgrootheden. Dit gebeurt via aannames over de Sequential Assignment Mechanism (SAM):

Branch-Sequential Unconfoundedness (SAM.BSU): De toewijzing $A_t$ is conditioneel onafhankelijk van alle potentiële takken (branches) van uitkomsten, gegeven $X_t$ en $D_{1:t-1}$ .
Branch-Randomization (SAM.BR): Toewijzingen zijn volledig willekeurig (onafhankelijk van alles).

Onder deze aannames kan het causale effect worden geschreven als een verschil in conditionele verwachtingen van de waargenomen data (bijv. $E[Y_{t+h} | A_t=a_t, X_t] - E[Y_{t+h} | A_t=a'_t, X_t]$ ).

D. Verbinding met Bestaande Modellen

Het PS generaliseert en onderbouwt diverse bestaande modellen:

SVARs: Een lineair geval van het PS is een Structurele Vector Autoregressie. De auteurs tonen aan dat de IRF in een SVAR een specifiek geval is van het gemiddelde causale effect onder het PS.
Granger Causaliteit: Het PS toont aan dat Granger-causaliteit alleen voorspelbaarheid meet, tenzij specifieke exogeniteitsvoorwaarden (PS-exogeneity) gelden.
Instrumentele Variabelen (IV): Het raamwerk wordt uitgebreid met IV's om lokale gemiddelde causale effecten (LATE) in tijdreeksen te identificeren.
Design-based Inference: Het PS biedt een basis voor randomisatie-inferentie in tijdreeksen, waarbij men conditioneert op potentiële uitkomsten en het toewijzingsmechanisme simuleert (Fisher-type exacte toetsen).

3. Belangrijkste Resultaten

Niet-parametrische Identificatie: De auteurs leveren voldoende voorwaarden (in de vorm van onafhankelijkheidsaannames over het toewijzingsmechanisme) om causale effecten in tijdreeksen te identificeren zonder lineaire of stationariteitsaannames.
Unificatie van Literatuur: Het PS fungeert als een "primitief" dat de theorie van potential outcomes (Rubin, Robins) en de theorie van structurele tijdreeksmodellen (VAR, SVAR) verenigt. Impulse Response Functions worden herdefinieerd als causale effecten.
Lineariteit en Projectie: Voor lineaire systemen tonen ze aan dat lineaire projecties (zoals gebruikt in Local Projection methoden van Jordà) consistent zijn met causale effecten onder covariance-stationariteit en specifieke onafhankelijkheidsvoorwaarden.
Design-based Inference in Tijdreeksen: Ze ontwikkelen een methode om exacte betrouwbaarheidsintervallen te construeren voor causale effecten in tijdreeksen door het toewijzingsmechanisme te simuleren onder een nulhypothese, zelfs zonder een volledig model voor de uitkomsten.
Link naar Controletheorie: Het PS biedt een brug naar Stochastic Dynamic Programming en controletheorie, waar toewijzingen worden gekozen om verlies te minimaliseren.

4. Significantie en Impact

Deze paper is van groot belang voor de econometrie en statistiek om de volgende redenen:

Fundamentele Schakel: Het vult een cruciale kloof tussen de tijdreeksliteratuur (die vaak focus op voorspelling en lineaire structuren) en de moderne causale inferentieliteratuur (die focus op niet-parametrische identificatie en experimenteel design).
Validatie van Bestaande Praktijken: Het biedt een theoretische onderbouwing voor veel gebruikte methoden zoals SVARs en Impulse Response Functions, maar kondigt ook de beperkingen aan (bijv. wanneer Granger-causaliteit misleidend is).
Flexibiliteit: Omdat het PS niet-parametrisch is, kan het worden toegepast op complexe, niet-lineaire dynamische systemen die niet door lineaire VAR's kunnen worden gemodelleerd.
Nieuwe Inferentie-methoden: Het opent de deur voor nieuwe inferentiemethoden in tijdreeksen, zoals exacte randomisatietoetsen en dubbel robuuste schatters (double/debiased machine learning) voor dynamische behandelingen.
Toepassingsbreedte: Het raamwerk is relevant voor macro-economische analyse, financiële econometrie (news impact), en beleidsevaluatie waarbij sequentiële beslissingen een rol spelen.

Kortom, Carlson en Shephard bieden een rigoureuze, niet-parametrische basis om te bepalen wanneer tijdreeksvoorspellingen daadwerkelijk causale interpretaties toelaten, en leggen de grondslag voor een nieuwe generatie van causale analyse in tijdreeksen.