시간 시계열 데이터의 동적 인과 추론 프레임워크

초록

본 논문은 전통적인 잠재 결과(framework)를 시계열에 확장하여, 개입이 결과의 수준뿐 아니라 진화 메커니즘 자체를 바꾸는 경우를 다룬다. 전체 경로를 잠재 결과로 정의하고, 동적 평균 처리 효과(DATE)를 제시한다. 관측 데이터에 대해서는 동적 역확률 가중(DIPW) 추정량을 제안하고, 치료군이 적은 상황에서는 상태공간 모델을 이용한 동적 선형 모델(DLM) 구현을 제공한다. 시뮬레이션과 COVID‑19 락다운 사례를 통해 정적 방법이 놓치는 동적 효과를 밝혀낸다.

상세 분석

이 연구는 인과 추론의 근본 가정인 Rubin의 잠재 결과 모델을 시계열이라는 연속적 확률 과정 위에 올려 놓음으로써, “시간”을 단순한 인덱스가 아니라 인과 메커니즘의 핵심 구성요소로 재정의한다. 저자들은 각 단위(unit)의 결과를 (Y_t(z)) 형태의 stochastic process 로 정의하고, 치료와 대조 두 개의 전체 경로를 동시에 고려한다. 이를 통해 전통적인 평균 처리 효과(ATE)가 단일 시점에서의 평균 차이로 제한되는 반면, 동적 평균 처리 효과(DATE)는 시간에 따라 변하는 기대 차이 함수 (\tau_t = E