[論文レビュー] Estimating heterogeneous treatment effects in nonstationary time series with state-space models

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

Advanced Causal Inference Techniques参考文献 27被引用数 4

ひとこと要約

本稿では、定常性や無作為化を仮定しない非定常時系列における異質的処置効果を推定するための状態空間モデルベースの手法、Causal Transfer を提案する。交絡要因の補正とカルマンフィルタを用いた時系列モデリングを組み合わせ、動的な平均（ATE）、条件付き（CATE）、サンプル（SATE）処置効果を推定し、将来的な処置効果の予測と長期的影響の評価を可能にする。

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.

研究の動機と目的

• ランダム化試験および観察的研究の両方から得られる非定常時系列において、時変かつ異質的処置効果を推定するための手法の不足を解消すること。
• i.i.d. メソッドや集計時系列モデルの限界を克服し、時間的ダイナミクスを捉えられず、個体レベルの異質性を失う問題に対処すること。
• データの集計を必要とせず、時間と個体の両方を横断して情報をプールする手法を開発し、ATE、SATE、CATE の推定を可能にすること。
• 処置効果の時間的変化をモデリングすることで、将来的な処置効果の予測と長期的影響の評価を可能にすること。
• 処置効果の有効な予測区間を提供し、広告費に対するインクリメンタルリターン（iROAS）推定への適用範囲を拡張すること。

提案手法

• Causal Transfer は、処置群および対照群における潜在的アウトカムを表現するための線形状態空間モデルを用い、処置効果に時間的に変化する潜在状態を組み込む。
• 観測された交絡要因を回帰で補正しながら、カルマンフィルタを用いて逐次的に未観測の処置効果の推移を推定する。
• 反実仮想アウトカムを、時間的に変化する共変量と潜在状態プロセスの関数としてモデリングし、非定常なダイナミクスを許容する。
• Causal Transfer は、共変量 $X_i$ を条件とした潜在的アウトカムの条件付き分布を統合することで、ATE、SATE、CATE を推定する。
• 学習された処置効果を新たな時系列ポイントに転送でき、観測期間を超えた将来的な効果の予測を可能にする。
• 状態空間モデル内での広告費に対する売上回帰により、iROAS を推定する応用が可能であり、係数は単位コストあたりのインクリメンタルリターンを表す。

実験結果

リサーチクエスチョン

• RQ1 定常性の仮定が成り立たない非定常時系列において、どのようにして異質的処置効果を推定できるか？
• RQ2 集計を伴わず、時間的ダイナミクスと個体レベルの異質性を同時にモデリングできる手法を開発できるか？
• RQ3 時間的に変化する処置と非定常なアウトカムを伴う観察的時系列において、交絡要因の補正はどのように実現できるか？
• RQ4 特に長期的影響評価を想定した場合、処置効果の予測をどの程度まで将来にまで延長できるか？
• RQ5 マーケティング実験において、広告費に対するインクリメンタルリターン（iROAS）を推定するためにこの手法を応用できるか？

主な発見

• Causal Transfer は、シミュレーション研究において Causal Impact やベイズ補完法を上回り、特に小標本サイズや非定常ダイナミクスの状況で優れた性能を示した。
• Causal Transfer が生成した予測区間は、前処置期間中に真の効果を適切にカバーしたが、Causal Impact は処置期間中に区間のカバレッジに問題を示した。
• ベイズ補完法は前期間において過小に狭く、中立性に欠ける予測区間を生成し、カバレッジ不足と中立性の欠如を示した。
• Causal Transfer は、観測期間を超えた将来的な処置効果を適切に予測でき、予測精度の低下に伴い時間の経過に伴い不確実性が増大する傾向を捉えた。
• ATE、SATE、CATE、MCATE に対する有効な推論を提供し、母集団およびサンプル設定の異なる推定量においても柔軟性を示した。
• 実地のジオ実験データに適用した結果、Causal Transfer は参照手法に比べてより意味的で頑健な推定値を生成し、特に時間的に変化する処置ダイナミクスを的確に捉えた。