[论文解读] Causal Reasoning in Graphical Time Series Models

Michael Eichler, Vanessa Didelez|arXiv (Cornell University)|Jun 20, 2012

Bayesian Modeling and Causal Inference参考文献 21被引用 31

一句话总结

本文提出了一种基于图形模型的多变量时间序列因果推理的正式框架，通过干预对未来分量的影响来定义因果关系。它建立了类似于后门和前门调整的图形准则，能够识别并计算因果效应，尤其在具有清晰图形验证和估计程序的线性模型中。

ABSTRACT

We propose a definition of causality for time series in terms of the effect of an intervention in one component of a multivariate time series on another component at some later point in time. Conditions for identifiability, comparable to the back-door and front-door criteria, are presented and can also be verified graphically. Computation of the causal effect is derived and illustrated for the linear case.

研究动机与目标

• 通过干预对未来分量的影响，正式定义时间序列中的因果关系。
• 开发类似于结构因果模型中后门和前门准则的图形准则，以识别因果效应。
• 利用所提出的框架，在线性时间序列模型中实现因果效应的计算。
• 提供一种通过图形结构验证因果可识别性的方法。
• 通过基于干预的定义，弥合结构因果建模与时间序列分析之间的鸿沟。

提出的方法

• 提出一种基于干预对多变量时间序列中某一未来时间点分量影响的因果定义。
• 引入用于因果效应可识别性的图形准则，其精神与do-演算中的后门和前门准则相似。
• 将这些准则应用于线性时间序列模型，从而能够解析计算干预分布。
• 使用有向无环图（DAGs）表示时间序列中的条件独立结构及干预效应。
• 推导出在线性结构模型下因果效应的公式，使得在满足可识别性条件时，可从观测数据中估计因果效应。
• 采用图形分离准则，验证通过观察变量的条件化是否能够阻断混杂因素的影响。

实验结果

研究问题

• RQ1 如何基于干预，在多变量时间序列中正式定义因果关系？
• RQ2 在时间序列模型中，何种图形条件可确保因果效应的可识别性？
• RQ3 后门和前门准则如何适应时间序列情境？
• RQ4 在干预下，线性时间序列中因果效应的计算程序是什么？
• RQ5 能否使用图形模型验证时间序列数据中混杂因素是否被阻断？

主要发现

• 本文证明，基于干预的时间序列因果关系可借助类似于do-演算的图形准则被正式定义并识别。
• 推导出类似于后门和前门准则的可识别性图形条件，且可在时间序列图上通过视觉方式验证。
• 在线性时间序列模型中，可通过条件期望和回归系数显式计算干预的因果效应。
• 只要图形结构满足必要条件，即使存在未观测的混杂因素，该框架仍能识别因果效应。
• 在特定结构假设下，该方法可实现从观测时间序列数据中进行因果推断，将do-演算扩展至时序过程。
• 通过在线性模型上的应用验证了该方法，表明当图形结构满足可识别性准则时，因果效应是可计算的。