[논문 리뷰] Estimating heterogeneous treatment effects in nonstationary time series with state-space models

Shu Li, Peter Bühlmann|arXiv (Cornell University)|2018. 12. 10.

Advanced Causal Inference Techniques참고 문헌 27인용 수 4

한 줄 요약

이 논문은 정상성 또는 랜덤화를 가정하지 않고 비정상적 시계열에서 이질적 치료 효과를 추정하기 위한 상태공간 모델 기반 방법인 Causal Transfer를 제안한다. 이는 교란 요인 보정을 위한 회귀 조정과 칼만 필터링을 통한 시계열 모델링을 결합하여 동적 평균 (ATE), 조건부 (CATE), 표본 (SATE) 치료 효과를 추정하며, 향후 치료 효과 예측과 장기적 영향 평가를 가능하게 한다.

ABSTRACT

Randomized trials and observational studies, more often than not, run over a certain period of time. The treatment effect evolves during this period which provides crucial insights into the treatment response and the long-term effects. Many conventional methods for estimating treatment effects are limited to the i.i.d. setting and are not suited for inferring the time dynamics of the treatment effect. The time series encountered in these settings are highly informative but often nonstationary due to the changing effects of treatment. This increases the difficulty, since stationarity, a common assumption in time series analysis, cannot be reasonably assumed. Another challenge is the heterogeneity of the treatment effect when the treatment affects units differently. The task of estimating heterogeneous treatment effects from nonstationary and, in particular, interventional time series is highly relevant but has remained unexplored yet. We propose Causal Transfer, a method which combines regression to adjust for confounding with time series modelling to learn the effect of the treatment and how it evolves over time. Causal Transfer does not assume the data to be stationary and can be applied to randomized trials and observational studies in which treatment is confounded. Causal Transfer adjusts the effect for possible confounders and transfers the learned effect to other time series and, thereby, estimates various forms of treatment effects, such as the average treatment effect (ATE) or the conditional average treatment effect (CATE). By learning the time dynamics of the effect, Causal Transfer can also predict the treatment effect for unobserved future time points and determine the long-term consequences of treatment.

연구 동기 및 목표

• 랜덤화된 시험과 관찰 연구에서 모두 비정상적 시계열에서 시간에 따라 변화하는 이질적 치료 효과를 추정할 수 있는 방법의 부족을 해결한다.
• 독립적 동일분포(i.i.d.) 방법과 집계된 시계열 모델의 한계를 극복하여 시간 동적 특성이나 개별 단위의 이질성을 손실 없이 포착할 수 있다.
• 데이터 집계 없이 시간과 단위 간 정보를 융합할 수 있는 방법을 개발하여 ATE, SATE, CATE를 추정할 수 있도록 한다.
• 치료 효과의 시간에 따른 변화를 모델링하여 향후 치료 효과 예측과 장기적 영향 평가를 가능하게 한다.
• 치료 효과에 대한 타당한 예측 구간을 제공하고, 광고 지출에 대한 증분 수익률(iROAS) 추정으로의 적용 가능성을 확장한다.

제안 방법

• Causal Transfer는 치료 및 대조 조건에서의 잠재 결과를 표현하기 위해 선형 상태공간 모델을 사용하며, 치료 효과를 위한 시간에 따라 변화하는 잠재 상태를 포함한다.
• 관측된 교란 요인을 회귀를 통해 보정하면서, 칼만 필터를 적용하여 순차적으로 미관측 치료 효과 궤적을 추정한다.
• 모델은 시간에 따라 변화하는 공변량과 잠재 상태 과정에 따라 반사 결과를 함수로 모델링하여 비정상적 동적 특성을 허용한다.
• Causal Transfer는 공변량 $X_i$ 가 주어진 조건부 분포를 통합하여 ATE, SATE, CATE를 추정한다.
• 학습된 치료 효과를 새로운 시간 포인트로 이전하여 관측 기간을 초월한 향후 효과 예측을 지원한다.
• 프레임워크는 상태공간 모델 내에서 광고 지출에 대한 판매를 회귀함으로써 iROAS를 추정할 수 있도록 확장될 수 있으며, 계수는 단위 비용당 증분 수익률을 나타낸다.

실험 결과

연구 질문

• RQ1 정상성 가정이 실패하는 비정상적 시계열에서 이질적 치료 효과는 어떻게 추정할 수 있는가?
• RQ2 시간 동적 특성과 단위 수준의 이질성을 동시에 모델링할 수 있는 방법은 개별 단위나 시간에 따라 데이터를 집계하지 않고 개발될 수 있는가?
• RQ3 시간에 따라 변화하는 치료와 비정상적 결과를 가진 관찰 시계열에서 교란 요인은 어떻게 보정할 수 있는가?
• RQ4 특히 장기적 영향 평가를 위해 치료 효과 예측을 얼마나 오랫동안 향후로 연장할 수 있는가?
• RQ5 이 방법은 마케팅 실험에서 광고 지출에 대한 증분 수익률(iROAS) 추정에 어떻게 적용될 수 있는가?

주요 결과

• Causal Transfer는 시뮬레이션 연구에서 Causal Impact와 베이지안 보간법을 모두 압도했으며, 특히 소규모 표본 크기와 비정상적 동적 특성이 있는 상황에서 뛰어난 성능을 보였다.
• Causal Transfer의 예측 구간은 치료 전 기간 동안 진짜 효과를 정확히 포함했지만, Causal Impact는 치료 단계 동안 구간 커버리지 문제가 있었다.
• 베이지안 보간법은 치료 전 기간에 너무 좁고 비중립적인 예측 구간을 생성하여, 커버리지가 부족하고 중립성이 결여되어 있음을 나타냈다.
• Causal Transfer는 관측 기간을 초월한 향후 치료 효과를 성공적으로 예측했으며, 사전 기간 공변량의 예측 능력이 감소함에 따라 시간이 갈수록 불확실성이 증가하는 경향을 보였다.
• 이 방법은 ATE, SATE, CATE, MCATE에 대해 타당한 추론을 제공하여, 인구집단 및 표본 설정에서 다양한 추정량에 대한 유연성을 입증했다.
• 실제 지오실험 데이터에 적용했을 때, Causal Transfer는 참조 방법보다 더 의미 있고 강건한 추정치를 도출했으며, 특히 시간에 따라 변화하는 치료 동적 특성을 잘 포착했다.