中断时间序列因果推断新招！高斯过程外推反事实，区间自动加宽防误判
Let Time Tell: Identification and Gaussian Process Estimation for Interrupted Time Series
📖 AI 总结
本文研究中断时间序列设计中的因果推断问题，其核心场景是某项处理同时影响所有单位，导致差分法和合成控制法所需的同期对照组不可用，反事实结果只能从单位自身处理前的时间序列外推。作者在潜在结果框架下建立了识别条件，并采用高斯过程回归估计反事实。该方法不局限于单一最优拟合趋势，而是保留所有与处理前数据一致的函数，并在外推导致函数分歧放大时拓宽置信区间。通过连接再生核希尔伯特空间理论，文章推导出偏差分解，隔离出外推放大的成分并给出最坏情况界，从而证明高斯过程估计器的后验方差可作为对外推敏感的量化不确定性。该方法的置信区间在闭式解上等于模型类中与处理前数据一致函数的最坏分歧。文章通过校准模拟和最高法院Heller判决后手枪购买数据分析进行实证，并提供了R包gpss实现。
🔑 关键词速览
| Interrupted Time Series (ITS) | 中断时间序列，一种准实验设计，通过比较处理前后时间序列的变化来评估干预效果。 |
| Gaussian Process Regression | 高斯过程回归，一种非参数贝叶斯回归方法，用于估计函数及其不确定性。 |
| Counterfactual | 反事实，指未发生处理情况下潜在结果，用于因果推断中的对照。 |
| Reproducing Kernel Hilbert Space (RKHS) | 再生核希尔伯特空间，一种函数空间，用于理论分析高斯过程估计器的性质。 |
| Extrapolation-aware Uncertainty Quantification | 外推感知的不确定性量化，指在外推区域提供反映模型不确定性的区间估计。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅