Causal Identification in Time Series Models
Created by
- Haebom
Category
Empty
저자
Erik Jahn, Karthik Karnik, Leonard J. Schulman
개요
본 논문은 잠재적 교란 변수를 포함하는 인과적 시계열 그래프에 대한 인과적 식별 알고리즘의 적용 가능성을 분석합니다. 이러한 그래프는 무한히 많은 시간 단계에 걸쳐 확장되므로, 임의의 시간 간격에 걸친 인과적 효과의 식별 여부를 결정하는 것은 경계가 없는 크기의 그래프 세그먼트에 대한 계산을 필요로 하는 것처럼 보입니다. 시간적으로 가까운 변수에 대한 개입 효과의 식별 가능성을 결정하는 경우에도, 과거에 고려해야 할 시간 단계의 수에 대한 경계는 알려져 있지 않습니다. 본 논문에서는 각 시간 단계당 변수의 수와 임의의 직접적 또는 잠재적 인과적 효과의 최대 시간 지연에만 의존하는 이러한 종류의 첫 번째 경계를 제시합니다. 보다 일반적으로, 시간 시계열 그래프의 일정한 크기의 세그먼트에 인과적 식별 알고리즘을 적용하는 것이 경계가 없는 시간 간격에 걸친 인과적 효과의 식별 가능성을 결정하기에 충분함을 보여줍니다.
시사점, 한계점
•
시사점: 잠재적 교란 변수를 포함하는 인과적 시계열 그래프에서 인과적 효과의 식별 가능성을 결정하기 위한 계산 가능한 경계를 최초로 제시했습니다. 일정 크기의 그래프 세그먼트만 분석하여 무한한 시간 간격에 걸친 인과적 효과의 식별 가능성을 판단할 수 있음을 증명했습니다.
•
한계점: 제시된 경계가 최적의 경계인지 여부는 추가 연구가 필요합니다. 실제 시계열 데이터에 대한 알고리즘의 효율성 및 실용성에 대한 실험적 평가가 부족합니다. 다양한 유형의 잠재적 교란 변수와 그래프 구조에 대한 알고리즘의 일반화 가능성에 대한 추가 연구가 필요합니다.
