[논문 리뷰] Causal Inference for Time series Analysis: Problems, Methods and Evaluation

Raha Moraffah, Paras Sheth외 6명|arXiv (Cornell University)|2021. 02. 11.

Bayesian Modeling and Causal Inference참고 문헌 168인용 수 16

한 줄 요약

이 논문은 시계열 분석에서의 인과적 추론에 대한 종합적인 서베이를 제공하며, 치료 효과 추정과 인과적 발견에 중점을 둔다. 최신 기법들을 체계적으로 분류하고, 정제된 데이터셋과 평가 지표를 사용하여 성능을 평가하며, 시계열 데이터에서 간섭과 인과적 구조를 모델링하는 데 있어 핵심 과제와 향후 연구 방향을 규명한다.

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.

연구 동기 및 목표

• 시계열에서의 인과적 추론에 대한 종합적인 서베이가 부족한 데 대비하여, 특히 치료 효과 추정과 인과적 발견에 중점을 두고자 한다.
• 기존의 인과적 치료 효과 추정 기법들을 시간에 따라 변하지 않는, 시간에 따라 변하는, 그리고 동적 제도 접근 방식으로 체계화하고 분류하고자 한다.
• 인과적 발견 기법들을 그랜저 인과성, 구조적 방정식 모델, 딥러닝 기반 접근 방식으로 분류하고자 한다.
• 기준 데이터셋과 평가 지표의 표준화된 목록을 정리하고 정제하여, 재현 가능한 연구를 지원하고자 한다.
• 시계열에서의 인과적 추론에 있어 열려 있는 과제와 향후 연구 방향을 규명하고자 한다. 특히 동료 효과, 연속형 치료, 다중모달 데이터, 관찰 및 간섭 데이터의 통합을 포함한다.

제안 방법

• 인과적 치료 효과 추정을 세 가지 유형으로 분류한다: 시간에 따라 변하지 않는, 시간에 따라 변하는, 동적 제도로, 각각 다른 모델링 가정을 가진다.
• 잠재적 결과와 구조적 인과 모델 기반 기법을 검토하며, 안정된 단위 치료 값 가정(SUTVA)과 같은 조건 하에서의 식별 가능성을 강조한다.
• 인과적 발견을 세 가지 범주로 분류한다: 그랜저 인과성 및 조건부 독립 기반, 구조적 방정식 모델 기반, 딥러닝 기반 방법.
• 그랜저 인과성을 평가하기 위해 F-검정 통계량과 최대우도 비율 검정을 적용하며, 제약된 모델과 비제약된 모델을 사용해 예측적 의존성 여부를 테스트한다.
• ARIMA와 VAR 모델을 시계열 모델링의 기초 도구로 사용하며, 자기회귀 성분이 시간적 의존성을 캐릭터라이즈한다.
• 치료 효과 추정에 대해 RMSE, MAE, R² 등의 지표를 사용한 평가 프레임워크를 제안하고, 인과적 발견에는 정밀도-재현율 또는 F1 점수를 사용한다.

실험 결과

연구 질문

• RQ1 시계열에서의 인과적 치료 효과 추정에 있어 핵심 방법론 범주와 최신 기법은 무엇인가?
• RQ2 그랜저 인과성, 구조적 방정식 모델, 딥러닝 기반 방법은 시계열에서의 인과적 발견에 있어 어떤 방식으로 다름을 보이나?
• RQ3 시계열에서의 인과적 추론에 가장 널리 사용되는 기준 데이터셋과 평가 지표는 무엇인가?
• RQ4 현재의 인과적 추론 기법에서 주로 나타나는 한계는 무엇인가, 특히 동료 효과, 연속형 치료, 다중모달 데이터 측면에서?
• RQ5 관찰 데이터와 간섭 데이터를 함께 활용하여 시계열에서의 인과적 구조 학습을 어떻게 향상시킬 수 있는가?

주요 결과

• 이 논문은 인과적 치료 효과 추정의 세 가지 주요 범주를 규명한다: 시간에 따라 변하지 않는, 시간에 따라 변하는, 동적 제도로, 각각 다른 방법론적 접근 방식을 가진다.
• 그랜저 인과성은 여전히 인과적 발견의 기초적인 방법으로 남아 있지만, 더 새로운 딥러닝 기반 접근 방식이 복잡한 시간적 의존성을 모델링하는 데 점점 더 널리 사용되고 있다.
• 저자들은 RMSE, MAE, F1 점수 등 표준화된 성능 평가를 위해 기준 데이터셋과 평가 지표의 포괄적인 목록을 정제하였다.
• 현재 연구의 주요 한계 중 하나는 사실과 반사적 결과를 모두 포함한 데이터셋의 부족으로, 이는 개인 수준의 치료 효과 추정에 필수적이다.
• 향후 연구에서는 연속형 시간 치료, 사회적 네트워크 효과, 다중모달 데이터 통합을 탐색하여 실제 적용 가능성 향상을 도모해야 한다.
• 관찰 및 간섭 데이터의 통합은 시계열에서 더 정확한 인과적 구조 학습을 위한 유망한 방향으로 강조된다.