[论文解读] 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 16

一句话总结

本文对时间序列分析中的因果推断进行了全面综述，重点关注处理效应估计和因果发现。它对最先进方法进行分类，利用精心整理的数据集和指标评估其性能，并识别出在从时间序列数据建模干预和因果结构方面面临的关键挑战与未来研究方向。

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.

研究动机与目标

• 为解决时间序列中因果推断缺乏全面综述的问题，特别是聚焦于处理效应估计和因果发现。
• 系统化并分类现有因果处理效应估计方法，分为时不变、时变和动态制度三类。
• 将因果发现方法分类为格兰杰因果、结构方程模型和基于深度学习的方法。
• 整理并 curated 一份标准化的基准数据集和评估指标列表，用于支持两类因果推断任务的可重现研究。
• 识别时间序列因果推断中的开放性挑战与未来研究方向，包括同伴效应、连续处理、多模态数据，以及观测与干预数据的整合。

提出的方法

• 将因果处理效应估计分为三类：时不变、时变和动态制度，每类具有不同的建模假设。
• 基于潜在结果和结构因果模型回顾方法，强调在稳定单位处理值（SUTVA）等假设下的可识别性。
• 将因果发现分为三类：基于格兰杰因果和条件独立性的方法、基于结构方程模型的方法，以及基于深度学习的方法。
• 应用F检验统计量和似然比检验评估格兰杰因果性，通过受限与非受限模型检验预测依赖性。
• 使用ARIMA和VAR模型作为时间序列建模的基础工具，自回归分量用于捕捉时间依赖性。
• 提出使用RMSE、MAE和R²等指标评估处理效应估计的框架，以及使用精确率-召回率或F1分数评估因果发现的框架。

实验结果

研究问题

• RQ1 时间序列中因果处理效应估计的关键方法类别和最先进方法是什么？
• RQ2 格兰杰因果、结构方程模型和基于深度学习的方法在时间序列因果发现中的方法有何不同？
• RQ3 时间序列因果推断中最常用的基准数据集和评估指标是什么？
• RQ4 当前时间序列因果推断方法的主要局限性是什么，特别是在同伴效应、连续处理和多模态数据方面？
• RQ5 如何结合观测数据和干预数据以提升时间序列因果结构学习的准确性？

主要发现

• 本文识别出因果处理效应估计的三大类别：时不变、时变和动态制度，每类具有独特的方法论路径。
• 格兰杰因果仍是因果发现的基础方法，但基于深度学习的新方法正越来越多地用于建模复杂的时序依赖性。
• 作者整理了一份全面的基准数据集和评估指标列表，包括RMSE、MAE和F1分数，以实现性能评估的标准化。
• 当前研究的一个主要局限是缺乏同时包含事实结果和反事实结果的数据集，而这是实现个体层面处理效应估计所必需的。
• 未来工作应探索连续时间处理、社交网络效应以及多模态数据整合，以提升实际应用的可行性。
• 整合观测与干预数据被强调为提升时间序列因果结构学习准确性的有前景方向。