用状态空间模型估计非平稳时间序列中的异质处理效应
统计方法学
2020-04-13 v3
摘要
随机试验与观测研究多半在一段时间内进行。处理效应在此期间演化，为处理响应与长期效应提供了关键见解。许多传统的处理效应估计方法局限于独立同分布设定，不适用于推断处理效应的时间动态。这些设定下遇到的时间序列信息量丰富，但因处理效应变化而常为非平稳。这增加了难度，因为平稳性——时间序列分析中的常见假设——无法被合理假定。另一挑战是当处理对各单位影响不同时处理效应的异质性。从非平稳、特别是干预性时间序列估计异质处理效应的任务高度相关却仍未被探索。我们提出 Causal Transfer，一种将回归（以调整混杂）与时间序列建模（以学习处理效应及其随时间演化）相结合的方法。Causal Transfer 不假设数据平稳，可应用于处理受混杂的随机试验与观测研究。Causal Transfer 针对可能的混杂调整效应，并将所学效应迁移至其他时间序列，从而估计多种形式的处理效应，如平均处理效应（ATE）或条件平均处理效应（CATE）。通过学习效应的时间动态，Causal Transfer 还能预测未观测未来时间点的处理效应，并确定处理的长期后果。
引用
@article{arxiv.1812.04063,
title = {Estimating heterogeneous treatment effects in nonstationary time series with state-space models},
author = {Shu Li and Peter Bühlmann},
journal= {arXiv preprint arXiv:1812.04063},
year = {2020}
}