[论文解读] Policy Analysis using Synthetic Controls in Continuous-Time

Alexis Bellot, Mihaela van der Schaar|arXiv (Cornell University)|Feb 2, 2021

Advanced Causal Inference Techniques参考文献 39被引用 4

一句话总结

本文提出了神经连续合成控制（Neural Continuous Synthetic Controls），一种基于受控微分方程的连续时间框架，用于通过建模潜在反事实路径来估计反事实结果。通过将处理单元轨迹视为连续过程，并学习一个动态向量场来组合这些轨迹，该方法能够在不规则采样、多变量时间序列上实现精确且灵活的反事实预测，克服了传统离散时间合成控制在动态和时间错位数据设置下的关键局限性。

ABSTRACT

Counterfactual estimation using synthetic controls is one of the most successful recent methodological developments in causal inference. Despite its popularity, the current description only considers time series aligned across units and synthetic controls expressed as linear combinations of observed control units. We propose a continuous-time alternative that models the latent counterfactual path explicitly using the formalism of controlled differential equations. This model is directly applicable to the general setting of irregularly-aligned multivariate time series and may be optimized in rich function spaces -- thereby improving on some limitations of existing approaches.

研究动机与目标

• 解决离散时间合成控制在处理不规则对齐和多变量时间序列时的局限性。
• 将处理单元的潜在反事实轨迹建模为连续动力系统，而非观测数据点的离散线性组合。
• 通过可学习的向量场捕捉控制单元与处理单元之间随时间变化的非线性依赖关系，从而改进反事实估计。
• 在传统合成控制因时间错位或非平稳动态而失效的场景中，实现稳健推断。
• 提供一种灵活、函数空间优化的框架，超越静态权重和固定网格的限制。

提出的方法

• 该方法将处理单元的反事实路径建模为由控制单元潜在路径驱动的受控微分方程的解。
• 通过学习一个潜在向量场 f，将控制轨迹的无穷小变化组合起来，以重建处理单元的反事实演化过程。
• 向量场 f 使用神经网络参数化，从而在控制路径组合中实现非线性和自适应性。
• 通过端到端训练，利用观测到的处理前数据，最小化预测结果与实际结果在处理前的误差。
• 通过建模连续路径而非离散观测，支持不规则采样，实现对时间错位时间序列的无插值处理。
• 通过基于数据的 Lasso 正则化方案对权重矩阵 W 进行时间可变性处理，实现对时间可变和时间不变协变量的灵活整合。

实验结果

研究问题

• RQ1 合成控制估计能否推广到连续时间过程，以更好地建模现实世界中不规则采样的时间序列数据？
• RQ2 在反事实建模中，如何超越静态线性权重，捕捉控制单元与处理单元之间随时间变化的非线性依赖关系？
• RQ3 在存在时间错位或稀疏观测的场景下，连续时间公式是否能提高反事实预测的准确性？
• RQ4 当控制单元在干预后受到溢出效应或外部冲击时，该模型在多大程度上仍能保持有效性？
• RQ5 在连续时间合成控制框架中，如何量化反事实估计的不确定性？

主要发现

• 所提出的神经连续合成控制模型在不规则对齐的多变量时间序列上，相比离散时间合成控制，实现了更优的反事实估计。
• 该方法成功捕捉了控制单元与处理单元之间动态的、随时间变化的关系，而静态线性组合无法有效表示此类关系。
• 在加利福尼亚州香烟税实验中，该模型生成的反事实轨迹与观测到的处理前趋势高度吻合，并合理预测了干预后的下降趋势。
• 通过在权重矩阵上施加基于相关性的正则化方案，该框架能够灵活整合时间可变和时间不变协变量。
• 该模型超越了固定网格的限制，避免了插值伪影，实现了对具有不规则采样的现实世界数据的稳健推断。
• 尽管当前版本未显式建模不确定性，但该框架与随机微分方程扩展兼容，为未来不确定性估计提供了可能。