[论文解读] Counterfactual time-series prediction with encoder-decoder networks

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

Water resources management and optimization被引用 1

一句话总结

本文提出了一种基于编码器-解码器RNN的反事实时间序列预测方法，用于估计政策干预（如美国宅地法）对公立学校支出的长期影响。通过从控制组单位学习时间表示并将其迁移至处理组单位，该模型能够捕捉面板数据中的非线性和负向交互关系，从而实现准确的反事实结果预测。

ABSTRACT

This paper proposes a method for estimating the effect of a policy intervention on an outcome over time. We train recurrent neural networks (RNNs) on the history of control unit outcomes to learn a useful representation for predicting future outcomes. The learned representation of control units is then applied to the treated units for predicting counterfactual outcomes. RNNs are specifically structured to exploit temporal dependencies in panel data, and are able to learn negative and nonlinear interactions between control unit outcomes. We apply the method to the problem of estimating the long-run impact of U.S. homestead policy on public school spending.

研究动机与目标

• 估计美国宅地法对公立学校支出的长期影响。
• 在存在复杂时间依赖关系的情况下，开发一种反事实时间序列预测方法。
• 利用循环神经网络建模控制组单位结果之间的非线性和负向交互关系。
• 将从控制组单位学习到的表示迁移至处理组单位，以预测反事实结果。

提出的方法

• 在控制组单位的历史结果上训练编码器-解码器RNN架构，以学习时间表示。
• 使用RNN编码器将控制组单位的时间序列数据嵌入到低维潜在空间中。
• 将学习到的编码器应用于处理组单位数据，以生成反事实结果预测。
• 利用RNN的循环结构建模时间与单位之间的非线性和负向交互关系。
• 利用面板数据结构提升泛化能力与预测准确性。
• 采用序列到序列学习方法，将历史控制组单位轨迹映射至未来结果。

实验结果

研究问题

• RQ1 美国宅地法对公立学校支出的长期影响是什么？
• RQ2 基于RNN的模型能否在时间序列政策评估中有效预测反事实结果？
• RQ3 从控制组单位学习到的表示在预测处理组单位结果方面具有多好的泛化能力？
• RQ4 RNN在面板数据中对非线性和负向交互关系的捕捉程度如何，以支持反事实估计？

主要发现

• 所提出的方法成功利用反事实预测估计了美国宅地法对公立学校支出的长期影响。
• 基于RNN的方法能够捕捉控制组单位数据中的复杂时间依赖关系与非线性交互。
• 从控制组单位到处理组单位的表示迁移显著提升了反事实预测的准确性。
• 该模型通过有效建模面板数据中的负向与非线性关系，优于基线方法。
• 编码器-解码器结构使得基于历史控制组单位轨迹的未来结果预测更加稳健。
• 该方法在真实世界政策评估任务中表现出色，尤其在处理组单位数据有限的情况下展现出强大的泛化能力。