📊 statistics

Doubly Robust Adaptive Conformal Inference for Causal Effects Under Temporal Dependence

Dit artikel stelt Doubly Robust Adaptive Conformal Inference (DR-ACI) voor, een nieuwe methode die geldige voorspellingsintervallen construeert voor dubbel robuuste pseudo-uitkomsten in aanwezigheid van temporele afhankelijkheid.

Oorspronkelijke auteurs: Andreas Koukorinis, Ricardo Silva

Gepubliceerd 2026-06-30

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Andreas Koukorinis, Ricardo Silva

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 weerman bent die probeert te voorspellen hoeveel regen een specifieke stad morgen zal krijgen. Je hebt een model dat je één getal geeft (bijv. "5 inch"). Maar je weet dat je model niet perfect is. Je wilt een bereik opgeven, zoals "tussen de 3 en 7 inch," en je wilt er zeker van zijn dat je bereik die realiteit in de loop van de tijd daadwerkelijk 90% van de tijd vangt.

Stel je nu twee extra complicaties voor:

De "Verborgen" Waarheid: Je voorspelt niet alleen regen; je probeert het verschil te meten dat regen zou maken als een wolkenzaaiingsmachine aan zou staan versus uit. Je kunt nooit beide uitkomsten voor dezelfde stad op dezelfde dag zien (het regent of het regent niet). Dit "verschil" is een geest – je moet een slimme proxy boużen om het te schatten.
De "Kettingreactie": Het weer van vandaag hangt zwaar af van het weer van gisteren. De data zijn geen schone, willekeurige verzameling onafhankelijke gebeurtenissen; het is een keten waarbij de ene gebeurtenis aan de volgende trekt.

Dit artikel introduceert een nieuw hulpmiddel genaamd DR-ACI (Doubly Robust Adaptive Conformal Inference) om precies dit probleem op te lossen. Hier is hoe het werkt, onderverdeeld in eenvoudige concepten.

1. Het "Dubbele Veiligheidsnet" (Doubly Robust)

Normaal gesproken heb je om de effect van een behandeling (zoals een medicijn of een beleid) te schatten, twee modellen nodig: één om te voorspellen wie de behandeling krijgt, en één om de uitkomst te voorspellen. Als één van de modellen fout is, is je antwoord waardeloos.

De auteurs gebruiken een "Doubly Robust" truc. Denk aan een vliegtuig met twee motoren.

Als de eerste motor (Model A) uitvalt, kan de tweede motor (Model B) het vliegtuig in de lucht houden.
Als Model B uitvalt, redt Model A de dag.
Je stort pas neer als beide motoren tegelijkertijd falen.

In dit artikel gebruiken ze deze "twee-motoren-aanpak" om een "pseudo-uitkomst" te creëren—een gefingeerde, geconstrueerde datapunt die fungeert als een vervanger voor de verborgen waarheid (het behandelings-effect).

2. De "Beschermende Band" (Handling Time Dependence)

Standaard statistische instrumenten gaan er vaak van uit dat elke datapunt onafhankelijk is, zoals het gooien van een dobbelsteen. Maar tijdreeksdata (zoals aandelenkoersen of het weer) lijken meer op een domino-effect. Als je probeert een model te trainen op de data van gisteren om die van vandaag te voorspellen, zijn de "trainings-" en "testdata" nog steeds met elkaar verbonden, wat een vorm van valsspelen creëert (look-ahead bias).

Om dit op te lossen, gebruiken de auteurs Guard Bands (beschermende banden).

Stel je voor dat je een lange rij mensen in groepen splitst om een nieuwe danspas te testen.
In plaats van de rij gewoon in tweeën te splitsen, gooi je een paar mensen in het midden weg als een "bufferzone" (de guard band).
Je traint je model op de linker groep, slaat de buffer over, en test op de rechter groep.
Dit zorgt ervoor dat de twee groepen ver genoeg uit elkaar liggen zodat de "besmetting" van de data van gisteren de test van vandaag niet vervuilt.

3. De "Adaptieve Liniaal" (Adaptive Conformal Inference)

Zelfs met een goed model weet je niet precies hoe breed je voorspellingsbereik moet zijn. Soms is de wereld chaotisch (breed bereik nodig); soms is het kalm (smal bereik).

De auteurs gebruiken een Adaptieve Liniaal.

Stel je een liniaal voor die groter of kleiner wordt op basis van hoe vaak hij het doel mist.
Als de liniaal te vaak mist, wordt hij automatisch breder.
Als de liniaal het doel te gemakkelijk raakt, wordt hij nauwkeuriger en kleiner.
Dit gebeurt in realtime, lerend terwijl het proces loopt, waardoor de dekking geldig blijft, zelfs als de data veranderen.

4. De "Variantie Standaardizer" (VS-DR-ACI)

De auteurs ontdekten dat de "liniaal" soms te breed wordt omdat de ruis in de data ongelijkmatig is. Sommige dagen zijn luidruchtig; andere zijn stil.

Ze voegden een Variance Standardizer toe. Denk aan dit als een noise-cancelling koptelefoon voor de data.
Voordat de range wordt gemeten, normaliseren ze de data zodat de "luide" dagen en de "stille" dagen eerlijk worden behandeld.
Het Resultaat: Deze versie (VS-DR-ACI) produceerde voorspellingsintervallen die 63% smaller waren dan standaard methoden, terwijl ze even nauwkeurig bleven. Het is alsoan een veel strakkere, nuttigere voorspelling krijgen zonder aan betrouwbaarheid in te boeten.

5. Real-World Test: Het Nasdaq-experiment

De auteurs hebben dit niet alleen gesimuleerd; ze hebben het getest op echte financiële data van de Nasdaq met betrekking tot een nieuwe handelsregel genaamd "Dynamic M-ELO."

Het Probleem: Ze wilden weten hoe deze nieuwe regel de handelskwaliteit voor elk specifiek aandeel beïnvloedde.
Het Resultaat: Hun methode vond dat het effect voor veel aandelen significant was, terwijl standaardmethoden dit misten omdat hun "linialen" te breed en wazig waren.
De Stress-test: Ze testten ook wat er gebeurt wanneer de markt plotseling verandert (een "drift"). Standaardmethoden faalden en gaven foutieve antwoorden. Hun methode, vooral met de "noise-cancelling" functie, bleef werken en gaf stabiele, betrouwbare antwoorden.

Samenvatting van de "Drie-Delige" Garantie

Het papier bewijst wiskundig dat de fout van hun methode afkomstig is van drie specifieke bronnen, zoals een factuur met drie regels:

De Mixing Gap: De kosten van het feit dat de data in de tijd met elkaar verbonden zijn (behandeld door de Guard Bands).
De Nuisance Tax: De kosten van imperfecte modellen (behandeld door het Dubbele Veiligheidsnet).
De Adaptatie-snelheid: De kosten van leren tijdens het proces (behandeld door de Adaptieve Liniaal).

De Kernboodschap:
Dit artikel geeft ons een manier om te zeggen: "Wij zijn voor 90% zeker dat het effect van dit beleid op dit specifieke aandeel tussen X en Y ligt," zelfs wanneer de data rommelig zijn, in de tijd verbonden zijn en de onderliggende modellen niet perfect zijn. Het is een betrouwbaardere, strakkere en slimmere manier om onzekerheid te meten in een veranderende wereld.

Technische Samenvatting: Doubly Robust Adaptive Conformal Inference voor Causale Effecten onder Temporele Afhankelijkheid

1. Probleemstelling

Het artikel behandelt de uitdaging van het kwantificeren van onzekerheid voor heterogene behandelingseffecten (specifiek het Conditioneel Gemiddeld Behandelingseffect, CATE, $\tau(X)$ ) in settings die worden gekenmerkt door temporele afhankelijkheid.

Standaard conformal prediction methoden (bijv. split conformal) vertrouwen op de assumptie van uitwisselbaarheid (onafhankelijke en identiek verdeelde data). Deze assumptie faalt in tijdreekscontexten die gebruikelijk zijn in de financiële sector en epidemiologie, waar naburige observaties gecorreleerd zijn. Bijgevolg leiden de naïeve toepassing van conformal methoden op causale estimators tot ongeldige dekking (coverage) garanties. Bovendien verliezen standaard causale inferentie-intervallen (asymptotisch, bootstrap, Bayesiaans) vaak hun distributievrije kalibratiegaranties onder afhankelijkheid of vereisen ze een correcte modelspecificatie, wat machine learning estimators niet gemakkelijk kunnen garanderen.

Het specifieke doel is het construeren van eind-steekproef, distributievrije voorspellingsintervallen voor individuele behandelingseffect-schattingen zonder de aanname van onafhankelijke observaties, terwijl gebruik wordt gemaakt van doubly robust (DR) pseudo-outcomes om fouten in de nuisance-schatting te mitigeren.

2. Methodologie: DR-ACI

De voorgestelde methode, Doubly Robust Adaptive Conformal Inference (DR-ACI), integreert drie kerncomponenten:

A. Doubly Robust Pseudo-Outcomes

In plaats van te kalibreren op ruwe uitkomsten $Y_t$ of latente CATEs $\tau(X_t)$ , construeert de methode doubly robust pseudo-outcomes $\psi^{DR}_t$ :
$\psi^{DR}_t = \hat{\mu}_1(X_t) - \hat{\mu}_0(X_t) + \frac{W_t(Y_t - \hat{\mu}_1(X_t))}{\hat{e}(X_t)} - \frac{(1-W_t)(Y_t - \hat{\mu}_0(X_t))}{1 - \hat{e}(X_t)}$
waarbij $\hat{e}$ de geschatte propensity score is en $\hat{\mu}_w$ de geschatte conditionele outcome modellen zijn. Onder correcte specificatie van ten minste één nuisance model, is $\psi^{DR}_t$ een onbevooroordeelde schatting van $\tau(X_t)$ met een fout die begrensd wordt door het product van de nuisance-schattingsfouten.

B. Temporele Block Cross-Fitting met Guard Bands

Om temporele afhankelijkheid ( $\beta$ -mixing) aan te pakken terwijl de orthogonaliteitseigenschappen van DR-schatting behouden blijven, stellen de auteurs temporele block cross-fitting met guard bands voor:

Partitionering: De tijdreeks wordt verdeeld in $K$ opeenvolgende blokken.
Guard Bands: Wanneer nuisance modellen worden getraind op een set blokken, wordt een "guard band" van $g$ observaties direct naast het uitgesloten kalibratieblok uit de training verwijderd.
Doel: Dit zorgt voor een temporele scheiding van ten minste $g$ stappen tussen de trainingsdata en de kalibratiedata. Onder $\beta$ -mixing vermindert dit de residuele afhankelijkheid (koppelingfout) tussen de trainingsset en de kalibratieset tot $O(\beta(g)^{\delta/(2+\delta)})$ .

C. Adaptive Conformal Inference (ACI)

De methode maakt gebruik van het ACI-framework (Gibbs en Candès, 2021) om het miscoverageniveau $\alpha_t$ dynamisch bij te werken:
$\alpha_{t+1} = \alpha_t + \gamma(\alpha - \mathbb{1}\{\psi^{DR}_t \notin \hat{C}_t\})$
Dit biedt een deterministische lange-termijn dekking garantie, zelfs wanneer de score-sequentie niet uitwisselbaar is.

D. Variance-Standardised DR-ACI (VS-DR-ACI)

Om het probleem aan te pakken dat DR pseudo-outcomes de ruisvariantie ( $\xi_t$ ) bevatten die de intervalbreedte opblaast, stellen de auteurs variantie-standaardisatie voor:
$s^{VS}_t = \frac{|\psi^{DR}_t - \hat{\tau}(X_t)|}{\hat{\sigma}_\xi(X_t)}$
waarbij $\hat{\sigma}_\xi(X_t)$ de lokale standaarddeviatie van de DR-ruis schat. Dit past de intervalbreedte aan lokale ruisniveaus aan, wat onnodige verbreding in gebieden met lage ruis voorkomt.

3. Belangrijkste Theoretische Bijdragen

A. Drie-term Dekkingsdecompositie

De belangrijkste theoretische resultaat (Theorem 2) deelt de dekkingskloof (coverage gap) op in drie afzonderlijke termen:

Mixing Gap: $\min_\tau \{ \tau/T + 2\beta(\tau) \}$ . Deze term komt voort uit temporele afhankelijkheid en wordt gecontroleerd door de switch-coefficient bound.
Nuisance-Bias Tax: $\|\hat{e} - e\|_2 \cdot \|\hat{\mu} - \mu\|_2$ . Deze term vertegenwoordigt het product van de nuisance-schattingsfouten. Het artikel bewijst dat temporele block cross-fitting met guard bands de standaard DML product-bias rate behoudt onder $\beta$ -mixing, waarbij slechts een expliciete koppelingremainder $O(\beta(g)^{\delta/(2+\delta)})$ wordt toegevoegd.
Adaptatie Rate: $O(T^{-1/2})$ . Deze term ontstaat uit het ACI-updatemechanisme.

B. Switch-Coefficient Inheritance

Het artikel stelt vast (Lemma 9) dat conformiteitsscores geconstrueerd uit DR pseudo-outcomes de switch-coefficient bounds erven van het onderliggende proces. Dit maakt het mogelijk dat de dekkingskloof begrensd wordt door de mixing coefficient van de data, zelfs wanneer nuisance modellen worden geschat.

C. Asymptotische CATE Containment

Hoewel de conformal procedure direct gericht is op de pseudo-outcome $\psi^{DR}_t$ , laat het artikel zien (Corollary 6) dat onder estimator consistentie ( $\|\hat{\tau} - \tau\|_{L2} = o_p(1)$ ), de resulterende intervallen asymptotisch conservatieve containment bieden voor de latente CATE $\tau(X_t)$ . Het interval over-dekt $\tau(X_t)$ omdat het gekalibreerd is voor de bredere target $\psi^{DR}_t = \tau(X_t) + \xi_t$ .

4. Empirische Resultaten

Simulatiestudie

Mixing Gap: Onder stationaire condities met variërende autocorrelatie ( $\rho$ ) behielden alle conformal methoden een geldige dekking. De theoretische mixing bound werd gevonden zeer conservatief (het voorspelde een daling in dekking naar 67% bij $\rho=0.99$ , terwijl de geobserveerde dekking rond de 90% bleef).
Nuisance-Bias: Oracle en geschatte DR-ACI vertoonden identieke dekking, wat bevestigt dat de nuisance-bias tax verwaarloosbaar is voor standaard steekproefgroottes en learners.
Drift en Afhankelijkheid (Regime D): In een scenario dat hoge afhankelijkheid ( $\rho=0.95$ $ρ = 0.95$ ) combineert met covariate drift:
- VS-DR-ACI behield een geldige dekking (89,9%) met een stabiele intervalbreedte.
- Standaard DR-ACI behield dekking maar leed onder massale interval-inflatie (de breedte nam toe met ~170x).
- Split Conformal en DML-Wald intervallen verloren significante dekking (een daling van respectievelijk ~29pp en ~35pp).
- Mechanisme: Variantie-standaardisatie voorkomde de "spiraal" van de adaptieve kwantiel onder niet-stationariteit door scores ongeveer eenheidsvariantie te houden.
Efficiëntie: VS-DR-ACI produceerde intervallen die 63% smaller waren dan split conformal, terwijl een geldige dekking werd behouden.

Empirische Toepassing: Nasdaq Dynamic M-ELO

De methode werd toegepast op een natuurlijk experiment betreffende de uitrol van Nasdaq's Dynamic Midpoint Extended Life Orders (M-ELO).

Context: Gestaffelde adoptie van dynamische hold timers over aandelencohorten.
Resultaat: DR-ACI identificeerde significante heterogeniteit in behandelingseffecten. Terwijl de baseline asymptotische inferentie slechts 12,3% van de aandelen met significante effecten vond, identificeerde DR-ACI 33,2% (een toename van 2.000 aandelen aan actieven inzichten).
Precisie: DR-ACI intervallen waren 50% smaller dan de baseline asymptotische intervallen, wat een preciezere classificatie van behandelingseffecten op aandelenniveau mogelijk maakte.

5. Betekenis en Claims

Het artikel claimt een uniek snijpunt in de literatuur te bezetten: de combinatie van doubly robust scores, geldige dekking onder $\beta$ -mixing, en online adaptatie.

Theoretische Betekenis: Het biedt de eerste dekking garantie voor DR pseudo-outcomes onder $\beta$ -mixing, waarbij de kosten van afhankelijkheid (mixing gap) expliciet wordt gekwantificeerd en de preservatie van de DML bias rates via guard bands wordt aangetoond.
Praktische Betekenis: Het biedt een distributievrije, eind-steekproef valide methode voor causale inferentie in tijdreeksdata waar standaard assumpties falen. De variant met variantie-standaardisatie (VS-DR-ACI) is aangetoond robuust te zijn tegen zowel afhankelijkheid als drift, waarbij het bestaande methoden overtreft in stabiliteit en intervalbreedte.
Beperkingen: De auteurs merken expliciet op dat de theoretische garanties stationariteit veronderstellen. De robuustheid tegen drift die in simulaties en de Nasdaq-toepassing werd waargenomen, is empirisch bewijs en valt niet onder de hoofdstelling. De mixing bound wordt erkend als conservatief voor gladde scorefuncties; het afleiden van een strakkere bound voor dergelijke gevallen wordt geïdentificeerd als toekomstig werk. De methode veronderstelt ook de Stable Unit Treatment Value Assumption (SUTVA), die in financiële markten benaderend is vanwege potentiële spill-overs.