Dynamic causal inference with time series data

Resumo Técnico: Inferência Causal Dinâmica com Séries Temporais

Enunciado do Problema
Os frameworks tradicionais de inferência causal, como o modelo de resultados potenciais de Rubin, tratam os resultados como variáveis aleatórias realizadas em um único ponto no tempo. Essa abordagem estática é inadequada para sistemas dinâmicos onde as intervenções não apenas deslocam os níveis dos resultados, mas alteram fundamentalmente a própria dinâmica evolutiva do processo (por exemplo, alterando persistência, volatilidade e leis de transição). Métodos existentes como Diferença em Diferenças (DiD), Métodos de Controle Sintético (SCM) e Séries Temporais Interrompidas (ITS) frequentemente assumem dinâmicas invariantes no tempo ou tendências paralelas. Consequentemente, quando as intervenções modificam a evolução estocástica subjacente, esses métodos estáticos confundem efeitos causais com dependência temporal, levando a estimativas enviesadas. O artigo aborda a necessidade de um framework causal que trate o tempo como intrínseco ao mecanismo causal, definindo estimandos diretamente no espaço de trajetórias estocásticas, em vez de observações de período único.

Metodologia
Os autores generalizam o framework de resultados potenciais para séries temporais ao definir resultados potenciais como trajetórias estocásticas inteiras $\{Y_t(Z)\}_{t \in [0,T]}$.

1. O Efeito Médio de Tratamento Dinâmico (DATE):
   O estimando central é o DATE, definido como a diferença esperada entre os processos estocásticos tratados e de controle em cada ponto no tempo $t$, média sobre a distribuição dos estados iniciais. Formalmente:
   $$\text{DATE}(t) \triangleq \int \left( E_{y_0}[Y_t(Z=1)] - E_{y_0}[Y_t(Z=0)] \right) p(y_0) dy_0$$
   Isso se reduz ao Efeito Médio de Tratamento (ATE) clássico quando $T=1$ ou sob suposições i.i.d.

2. Regimes de Identificação e Estimação:
   O artigo distingue dois regimes empíricos baseados na disponibilidade de dados:

   • Regime de Múltiplas Unidades/Baseado em Design: Quando múltiplas unidades comparáveis estão disponíveis, os autores propõem o estimador de Ponderação de Probabilidade Inversa Dinâmica (DIPW). Este estende o IPW padrão para configurações dinâmicas ao condicionar na filtração $\mathcal{F}^X_{t_c}$ (o histórico de confundidores até o momento da intervenção). Sob Ignorabilidade Dinâmica (Suposição 4.1), que postula que os resultados potenciais são independentes da atribuição de tratamento condicionado ao histórico pré-intervenção, mostra-se que o estimador DIPW é não viesado e consistente.
   • Regime de Tratados Escassos/Baseado em Modelo: Quando apenas uma ou poucas unidades tratadas são observadas, a reponderação transversal é insuficiente. Os autores demonstram que as trajetórias de média condicional subjacentes ao DATE admitem uma representação de espaço de estados. Especificamente, eles provam (Teorema 5.1) que, sob condições de regularidade suaves (semimartingais integráveis ao quadrado), a dinâmica da média condicional pode ser expressa como um Modelo Linear Dinâmico (DLM). Isso permite a estimação do DATE ajustando um modelo de espaço de estados à série completa, decompondo o efeito da intervenção em componentes de "spot" (imediato), "persistente" (deslocamento de nível) e "tendência" (mudança de inclinação).

3. Fundamentos Teóricos:
   O framework introduz a Ignorabilidade Forte Intertemporal (Suposição 5.1), uma extensão para séries temporais da ignorabilidade forte que exige que a atribuição de tratamento seja independente de confundidores futuros (sem feedback). Isso distingue a abordagem de frameworks de resultados potenciais sequenciais que tratam a dependência temporal como interferência de rede; aqui, a dependência é tratada como evolução estocástica intrínseca.

Principais Resultados

• Estudo de Simulação: Os autores avaliam o framework contra métodos existentes (LM, AR(1)-LM, ARIMAX, SCM, DiD, C-ARIMA) em quatro cenários: Muitos-Muitos, Um-Muitos, Um-Um e Um-Nenhum (unidade tratada única, sem controles).
  • O DLM alcança consistentemente o menor Erro Quadrático Médio (MSE) e probabilidades de cobertura de 95% precisas em todos os cenários, particularmente no caso "Um-Nenhum", onde outros métodos falham em capturar efeitos variantes no tempo.
  • Métodos estáticos (LM, ARIMAX) e métodos que dependem diretamente das séries observadas (SCM, DiD) exibem alto viés e baixa cobertura, muitas vezes estimando médias planas ou falhando em adaptar-se às dinâmicas evolutivas.
• Aplicação Empírica: O framework é aplicado ao efeito do lockdown de COVID-19 de 2020 no Reino Unido sobre o desemprego (um cenário Um-Nenhum).
  • O DLM captura com sucesso uma trajetória não linear, em forma de arco, do efeito do tratamento, revelando um aumento inicial agudo no desemprego seguido por uma recuperação lenta ao longo de quase um ano.
  • A análise de decomposição revela que o efeito é impulsionado por um deslocamento de nível persistente (aumento temporário) e um componente de tendência negativa (deterioração na taxa de crescimento), enquanto o efeito "spot" foi negligenciável. Esse nível de granularidade foi obscurecido pelos modelos concorrentes.

Significância e Alegações
O artigo afirma fornecer uma fundação probabilística unificada para a inferência causal em sistemas dinâmicos. Suas principais contribuições são:

1. Extensão Teórica: Estender o modelo de resultados potenciais de Rubin de variáveis aleatórias para processos estocásticos, definindo formalmente os efeitos causais como propriedades de trajetórias inteiras.
2. Estratégia de Identificação: Derivar condições para identificação dinâmica (Ignorabilidade Dinâmica) e fornecer um estimador válido (DIPW) para configurações com confusão dependente do tempo.
3. Implementação Prática: Mostrar que, quando os dados são limitados, o DATE teórico admite uma representação de espaço de estados, justificando o uso de Modelos Lineares Dinâmicos para estimação causal em cenários de unidade única ou tratados escassos.

Os autores enfatizam que seu framework esclarece quando abordagens baseadas em modelos (como Séries Temporais Estruturais ou CausalImpact) visam estimandos causais bem definidos. Ele distingue entre a previsão contrafactual prospectiva (baseada apenas em dados pré-tratamento) e a atribuição causal retrospectiva (usando a série completa para decompor a dinâmica de linha de base do efeito da intervenção), defendendo esta última para refinar a decomposição dos efeitos do tratamento. O artigo conclui que tratar o tempo como um confundidor e parte do mecanismo causal é essencial para evitar a má estimativa sistemática de efeitos dinâmicos inerente aos métodos estáticos.