[論文レビュー] Causal Inference for Time series Analysis: Problems, Methods and Evaluation

Raha Moraffah, Paras Sheth+6 more|arXiv (Cornell University)|Feb 11, 2021

Bayesian Modeling and Causal Inference参考文献 168被引用数 16

ひとこと要約

本論文は、処置効果推定と因果発見に焦点を当てた時系列解析における因果推論の包括的サーベイを提供する。最先端の手法を分類し、収集済みのデータセットと指標を用いてその性能を評価し、時系列データからの干渉と因果構造のモデリングにおける主な課題と今後の研究方向性を特定する。

ABSTRACT

Time series data is a collection of chronological observations which is generated by several domains such as medical and financial fields. Over the years, different tasks such as classification, forecasting, and clustering have been proposed to analyze this type of data. Time series data has been also used to study the effect of interventions over time. Moreover, in many fields of science, learning the causal structure of dynamic systems and time series data is considered an interesting task which plays an important role in scientific discoveries. Estimating the effect of an intervention and identifying the causal relations from the data can be performed via causal inference. Existing surveys on time series discuss traditional tasks such as classification and forecasting or explain the details of the approaches proposed to solve a specific task. In this paper, we focus on two causal inference tasks, i.e., treatment effect estimation and causal discovery for time series data, and provide a comprehensive review of the approaches in each task. Furthermore, we curate a list of commonly used evaluation metrics and datasets for each task and provide in-depth insight. These metrics and datasets can serve as benchmarks for research in the field.

研究の動機と目的

• 時系列における因果推論について包括的なサーベイが不足していることに対処すること、特に処置効果推定と因果発見に焦点を当てる。
• 既存の因果処置効果推定手法を、時不変、時変化、動的レジームの3つのアプローチに体系的かつ分類すること。
• 因果発見手法を、Granger因果、構造方程式モデル、深層学習ベースのアプローチに分類すること。
• 因果推論タスクの両方の分野における標準化されたベンチマークデータセットと評価指標のリストを収集・整備し、再現可能性の高い研究を支援すること。
• 時系列における因果推論の主な課題と今後の研究方向性を特定すること、特にピア効果、連続的処置、マルチモーダルデータ、観察データと干渉データの統合に関するもの。

提案手法

• 因果処置効果推定を3つのタイプに分類する：時不変、時変化、動的レジーム。それぞれに異なるモデリング仮定がある。
• 潜在的アウトカムと構造的因果モデルに基づく手法をレビューし、安定単位処置値（SUTVA）などの仮定の下での同定を強調する。
• 因果発見を3つのカテゴリーに分類する：Granger因果および条件付き独立性に基づくもの、構造方程式モデルに基づくもの、深層学習ベースのもの。
• Granger因果の評価にF検定統計量と尤度比検定を適用し、制限付きモデルと非制限付きモデルを用いて予測的依存性をテストする。
• 時系列モデリングの基盤としてARIMAおよびVARモデルを用い、自己回帰成分が時間的依存性を捉える。
• 処置効果推定にはRMSE、MAE、R²などの指標を用いた評価フレームワークを提案し、因果発見には精度・再現率またはF1スコアを用いる。

実験結果

リサーチクエスチョン

• RQ1 時系列における因果処置効果推定のための主な手法的カテゴリーと最先端のアプローチは何か？
• RQ2 Granger因果、構造方程式モデル、深層学習ベースの手法は、時系列における因果発見においてどのように異なるか？
• RQ3 時系列における因果推論に最も一般的に使われるベンチマークデータセットと評価指標は何か？
• RQ4 現在の因果推論手法における主な制限要因は何か、特にピア効果、連続的処置、マルチモーダルデータに関して。
• RQ5 観察データと干渉データをどのように統合することで、時系列における因果構造学習を改善できるか？

主な発見

• 本論文は、因果処置効果推定の3つの主要カテゴリーを特定した：時不変、時変化、動的レジーム。それぞれに異なる手法的アプローチがある。
• Granger因果は因果発見の基盤的アプローチのままであるが、複雑な時間的依存性をモデル化するため、近年では深層学習ベースのアプローチがますます多く使われている。
• 著者らは、RMSE、MAE、F1スコアなどを含む包括的なベンチマークデータセットと評価指標のリストを整備し、性能評価の標準化を図った。
• 現在の研究における主な制限要因は、個別レベルの処置効果推定に不可欠な事実と反事実の両方のアウトカムを含むデータセットの不足にある。
• 今後の研究では、連続的時間処置、社会的ネットワーク効果、マルチモーダルデータ統合を検討することで、実世界への適用性を高められるだろう。
• 観察データと干渉データの統合は、時系列におけるより正確な因果構造学習のための有望な方向性として強調されている。