[论文解读] 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 4

一句话总结

该论文提出Causal Transfer，一种基于状态空间模型的方法，用于在不假设平稳性或随机化的非平稳时间序列中估计异质处理效应。该方法结合回归调整以控制混杂因素，并通过卡尔曼滤波进行时间序列建模，以估计动态平均处理效应（ATE）、条件处理效应（CATE）和样本处理效应（SATE），支持对未来处理效应的预测以及长期影响评估。

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.

研究动机与目标

• 解决在随机试验和观察性研究中，对非平稳时间序列中时变、异质处理效应估计方法的缺乏问题。
• 克服独立同分布（i.i.d.）方法和聚合时间序列模型的局限性，这些方法无法捕捉时间动态性或丢失个体层面的异质性。
• 开发一种在不进行数据聚合的前提下，跨时间与个体池化信息的方法，以实现 ATE、SATE 和 CATE 的估计。
• 通过建模处理效应随时间的演变，实现对未来处理效应和长期影响的预测。
• 为处理效应提供有效的预测区间，并将方法扩展应用于增量广告支出回报率（iROAS）的估计。

提出的方法

• Causal Transfer 使用线性状态空间模型来表示在处理和对照条件下潜在结果，引入随时间变化的隐状态以表示处理效应。
• 通过卡尔曼滤波顺序估计未观测到的处理效应轨迹，同时利用回归调整已观测到的混杂因素。
• 该方法将反事实结果建模为时变协变量和隐状态过程的函数，从而支持非平稳动态。
• Causal Transfer 通过给定协变量 $X_i$ 的潜在结果条件分布进行积分，来估计 ATE、SATE 和 CATE。
• 该方法可将学习到的处理效应转移到新的时间点，支持对观测期之外未来效应的预测。
• 该框架可扩展用于估计 iROAS，方法是在状态空间模型中对广告支出回归销售额，其中系数代表单位成本的增量回报。

实验结果

研究问题

• RQ1 在平稳性假设不成立的非平稳时间序列中，如何估计异质处理效应？
• RQ2 能否开发一种方法，联合建模时间动态性与个体层面异质性，而无需对个体或时间进行数据聚合？
• RQ3 在具有时变处理和非平稳结果的观察性时间序列中，如何调整混杂因素？
• RQ4 处理效应预测在多大程度上可以外推至未来，特别是用于长期影响评估？
• RQ5 该方法能否被调整以用于营销实验中增量广告支出回报率（iROAS）的估计？

主要发现

• 在模拟研究中，Causal Transfer 表现优于 Causal Impact 和贝叶斯插补，尤其在小样本量和非平稳动态场景下。
• Causal Transfer 的预测区间在处理前阶段正确覆盖了真实效应，而 Causal Impact 在处理阶段表现出覆盖问题。
• 贝叶斯插补在预处理阶段产生了过于狭窄且非中性的预测区间，表明存在覆盖不足和缺乏中立性。
• Causal Transfer 有效预测了观测期之外的未来处理效应，且随着时间推移不确定性逐渐增加，这是由于预处理阶段协变量的预测能力下降所致。
• 该方法为 ATE、SATE、CATE 和 MCATE 提供了有效的推断，展示了在总体和样本设定下对不同估计量的灵活性。
• 在真实地理实验数据上的应用中，Causal Transfer 的估计结果比参考方法更具意义和稳健性，尤其在捕捉时变处理动态方面表现更优。