[论文解读] Causal Inference for Observational Time-Series with Encoder-Decoder Networks

Jason Poulos|arXiv (Cornell University)|Dec 10, 2017

Explainable Artificial Intelligence (XAI)参考文献 34被引用 4

一句话总结

本文提出了一种新颖的编码器-解码器RNN方法，用于在不依赖预处理协变量的情况下，估计观测时间序列中离散干预的因果效应。通过学习控制单元结果的复杂非凸组合，该模型生成了准确的反事实时间序列，在广播广告与选举竞争的实地实验中表现出有效性。

ABSTRACT

This paper proposes a method for estimating the causal effect of a discrete intervention in observational time-series data using encoder-decoder recurrent neural networks (RNNs). Encoder-decoder networks, which are special class of RNNs suitable for handling variable-length sequential data, are used to predict a counterfactual time-series of treated unit outcomes. The proposed method does not rely on pretreatment covariates and encoder-decoder networks are capable of learning nonconvex combinations of control unit outcomes to construct a counterfactual. To demonstrate the proposed method, I extend a field experiment studying the effect of radio advertisements on electoral competition to observational time-series.

研究动机与目标

• 解决在无法进行随机实验的观测时间序列中估计因果效应的挑战。
• 开发一种无需预处理协变量即可构建反事实结果的方法。
• 利用编码器-解码器RNN的表征能力，对控制单元轨迹的复杂非凸组合进行建模。
• 在实验数据有限的场景（如政治广告影响）中实现出色的因果效应估计。

提出的方法

• 使用编码器-解码器RNN架构来建模时间序列数据中的序列依赖关系。
• 利用编码器将历史控制单元轨迹汇总为固定长度的上下文向量。
• 利用解码器基于上下文向量生成受干预单元的反事实时间序列。
• 端到端训练模型，以最小化实际受干预单元结果与预测反事实结果之间的预测误差。
• 无需预处理协变量，完全依赖控制单元结果来构建反事实。
• 利用RNN学习控制轨迹的非线性、非凸组合的能力，以提升反事实估计的准确性。

实验结果

研究问题

• RQ1 编码器-解码器RNN是否能在不依赖预处理协变量的情况下，有效估计观测时间序列中的反事实结果？
• RQ2 该模型在多大程度上能捕捉控制单元之间的复杂非线性依赖关系，以重建受干预单元的潜在结果？
• RQ3 该方法在真实世界政治广告情境中估计因果效应的表现如何？
• RQ4 与基线方法相比，该方法在反事实准确性与因果效应估计方面表现如何？

主要发现

• 所提出的方法通过学习控制单元结果的非凸组合，成功生成了准确的反事实时间序列。
• 与依赖线性组合的基线方法相比，该模型在反事实预测准确性方面表现更优。
• 该方法在缺乏预处理协变量的情况下，仍能稳健地估计因果效应。
• 广播广告实地实验的实证结果表明，该方法有效捕捉了对选举竞争的因果影响。
• 编码器-解码器架构在多样化时间序列模式上的泛化能力优于简单模型。
• 该方法为实验数据有限的观测时间序列因果推断提供了一种切实可行的替代方案。