利用工具变量时间序列识别因果效应：冗余工具变量与对过去的修正
统计方法学
2024-07-23 v3 机器学习
摘要
工具变量（IV）回归依赖工具变量从具有未观测混杂的观测数据中推断因果效应。我们考虑时间序列模型中的 IV 回归，例如向量自回归（VAR）过程。直接应用独立同分布技术通常是不一致的，因为它们未能正确调整过去的依赖关系。在本文中，我们概述了由时间结构引起的困难，并提出了构建识别方程的方法，可用于时间序列数据中因果效应的一致参数估计。一种方法利用额外的冗余协变量来获得可识别性（这一思想即使在独立同分布情形下也可能令人感兴趣）。我们进一步提出了图边缘化框架，使我们能够以原则性方式将冗余 IV 及其他 IV 方法应用于时间序列。我们的方法利用了全局马尔可夫性质的一个版本，我们证明其对 VAR(p) 过程成立。对于 VAR(1) 过程，我们证明了与若尔当标准型相关且不同于独立同分布情形下著名秩条件的可识别性条件（例如，它们不需要与协变量一样多的工具变量）。我们提供了方法，证明其一致性，并展示了推断的因果效应如何用于分布泛化。仿真实验证实了我们的理论结果。我们提供了即用型 Python 代码。
引用
@article{arxiv.2203.06056,
title = {Identifying Causal Effects using Instrumental Time Series: Nuisance IV and Correcting for the Past},
author = {Nikolaj Thams and Rikke Søndergaard and Sebastian Weichwald and Jonas Peters},
journal= {arXiv preprint arXiv:2203.06056},
year = {2024}
}