「中断時系列分析」の機能

政策や出来事といった「介入」の因果的効果を時系列データから見積もることの妥当性を問う、PARAs AIの「中断時系列分析」の数理的背景について

「中断時系列分析」の機能

PARAs AIで実装されている「中断時系列分析」の機能は、「施策や政策の効果に関連したバイアス」を発見するための機能です。ここでいう「施策や政策の効果に関連したバイアス」とは、主にマスコミュニケーションやソーシャルメディア上のコミュニケーションで形成される傾向にある「バイアス」の一種を意味します。この「バイアス」は、時間的な前後関係を因果関係として読み替えてしまうことで生じる傾向にあります。特に「誤った因果推論」のような「誤謬」をもたらし得るのが、この「バイアス」の特徴です。

わかり易い例となるのが、施策や政策の開始前後で時系列データを比較することで実践される、経済や社会に関する「説明」です。「Xという政策が実施されたため、Yが増加した」という主張を示した上で、政策の開始前後でYの時系列データがどう動いたかを根拠にする――こうした「説明」は、政策を肯定する内容であれ、否定する内容であれ、同じ形式を取ります。

この場合、Yの変動の原因は、Xの実施に「帰属(attribution)」されます。厳密な科学・学問の領域でのコミュニケーションとは違い、マスコミュニケーションやソーシャルメディア上でのコミュニケーションでは、この帰属の妥当性は――その帰属が不都合だと思う人々が表れない限りは――あまり問われません。Yは政策がなくても、もともとのトレンドや季節性に沿って動いていたかもしれません。政策と同じ時期に、Yに影響を与える別の出来事が起きていたかもしれません。政策の予告によって、開始前から人々の行動が変わっていたかもしれません。あるいは、統計の定義や測定の方法が、開始の前後で変わっていたかもしれません。

施策の前後でデータが動いて見えても、それが施策の効果だとは限らないことを、前後比較、反事実の作り方、差の読み方、同時期の別の出来事という四つの観点で示す模式図(模擬データ)

「中断時系列分析」の機能は、こうした前後比較による「説明」の妥当性を検討するための機能です。介入前のデータの構造(トレンド・季節性・自己相関)が介入後も続いたと仮定して「介入がなかった場合の見込み(反事実)」を作り、観測値との差を「推定された差」として示します。ただし、この差を介入の効果と読めるかは、上述した可能性が否定できるかに依存します。この機能が示すのは、介入の効果の証明ではなく、「説明」が前提としている仮定を検討するための材料です。

問題設定:統計的因果推論問題の枠組み

一般的にこの因果関係(causation)は、「原因(cause)」と「結果(effect)」の区別によって記述されます。ですが、この「原因」と「結果」は必ずしも一対一で対応している訳ではありません。ある「結果」を招く「原因」は複数の事象によって成り立っている場合もあります。また、一つの「原因」から複数の「結果」が引き起こされる可能性もあります。因果関係の観察者は、自覚の有無を問わず、複数の候補の中から「原因」と「結果」をそれぞれ「選択」していることになります。この「選択」は、しばしば「因果帰属(kausale Zurechnung)」(Weber 1922)、あるいは単に「帰属(attribution)」(Heider 1958)という概念として分析されています。

この帰属の妥当性が統計的なデータ分析の対象となる場合、その主題は「統計的因果推論(Causal inference in statistics)」という問題の枠組みの中で記述されることとなります。この問題の解決策として導入される方法と理論は、いずれも「原因」と「結果」の関係を二値論理としては受け入れません。それぞれの方法と理論における記述的な分析対象となるのは、まさにこの「原因」と「結果」の区別によって「排除された第三項(ausgeschlossenes Drittes)」です。その第三項は、当の「原因」と「結果」の関連に対して独立である場合もあれば、当の「原因」と「結果」の関連を条件付けている場合もあります。

因果関係として記述される「原因」と「結果」の関連は、こうした多値論理によって構造化されている関連の一部であるに過ぎません。統計的因果推論は、当の因果関係を特定するために、この多値論理構造を情報源とします。この多値論理構造は、後述するように、一般的には「グラフ理論(graph theory)」によって表現されます。

因果関係は相関関係(correlation)ではありません。変数XXと変数YYが相関している場合、XXの値が大きい場合にYYの値も大きい傾向にあります。ですが、XXの値を増加させた場合にYYの値も増加するとは限りません。もしかすれば、実はYYの値を増加させた場合にXXの値が増加する可能性もあります。この「XXの値を増加させる」という操作(operation)にYYも連動する場合、その関連は相関関係ではなく因果関係となります。

因果関係と相関関係の差異を曖昧にした場合の盲点となるのは、「疑似相関(Spurious correlation)」です。疑似相関は、二つの事象の間に因果関係が無いにも拘わらず、この二つの事象の区別によって「排除された第三項」が関連することで、当の二つの事象の間に因果関係があるかのように視えてしまう状態を意味します。多くの場合、ここでの「排除された第三項」は、「潜在変数(latent variable)」として記述されます。この潜在変数が当の二つの事象に影響を及ぼす場合、この潜在変数は「交絡因子(confounding factor)」と呼ばれます。尚、この交絡因子という用語は、「共分散分析(analysis of covariance)」の文脈では「共変量(covariate)」と呼ばれます。

交絡となる因子は一つとは限りません。ある変数が二つ以上の変数から因果的な影響を受けている場合、その変数は「合流点(collider)」として位置付けられます。合流点ZZに影響を与えている変数XXとYYは、相互に関連しているとは限りません。相互に独立であったとしても、共にZZに影響を及ぼすことは可能です。合流点は、合流点に影響を与えている変数同士の関連性を無条件に規定する訳では決してありません。合流点ZZがあるという理由だけでXXとYYの間に因果関係を想定してしまえば、それは疑似相関となる場合があります。

一方で、単純に推論された因果関係が真の因果関係の逆向きとなる場合にも、疑似相関の問題が表れます。変数XXが「原因」で変数YYが「結果」となる時、両者の間には因果関係が生じています。XXの値を増加させた場合にYYの値も増加することになります。ですが、YYの値を増加させたからといって、XXの値が増加する訳ではありません。「XXの値を増加させる」という操作を無視すれば、確かにXXの値が大きい場合にYYも大きい傾向が見受けられるでしょう。しかしそれは局所的な観察に基づいた相関関係の記述に過ぎず、因果関係を特定したことにはなり得ません。

疑似相関と因果関係を混同しないためには、何を「原因」や「結果」として選択するのかだけではなく、「何を選択しないのか」も重要となります。「何を選択しないのか」を分析するには、「原因」と「結果」の区別によって「排除された第三項」を記述しなければなりません。統計的因果推論問題の枠組みは、交絡因子や合流点のような概念を記述することにより、この「排除された第三項」に具体的な意味付けを与えます。これにより、この問題の枠組みは、因果帰属または帰属一般の妥当性を検証するためのフレームワークとして構造化されています。

問題再設定:因果的効果の識別可能性問題

統計的因果推論問題の枠組みは、「因果的効果(causal effect)」の識別可能性問題として再記述される傾向にあります。事象XXが事象YYの「原因」になるか否かを分析する際、XXが生じた場合とXXが生じなかった場合の比較が有用になります。そのためには、現に生起した事象ばかりを観察するのではなく、実際には生起しなかった事象による「潜在的な結果(Potential outcome)」についても計算しなければなりません。この「潜在的な結果」という概念を記述したのはイェジ・ネイマンですが、後に統計学者ドナルド・ルービンが、この概念をロナルド・フィッシャーの「無作為に制御された試験(Randomized Controlled Trial: RCT)」と結び付けることにより、「反事実(counterfactual)」の想定に基づいたRCTが、因果的効果の識別に有用であることを主張しました(Rubin 2005)。

「反事実」とは、観測され得たものの、実際には観測されなかった要因を意味します。この概念はネイマンの「潜在的な結果」概念を再記述した概念として位置付けられます。「潜在的な結果」は、現に観測された結果から区別されます。現に観測された変数は「結果変数(outcome variable)」であるのに対し、実際には観測されなかった要因の変数は「潜在的結果変数(potential outcome variable)」であるということになります。

例えば医療機関において、患者YYの健康状態をY0Y_0、治療を受けた直後の健康状態をY1Y_1とするなら、Y0Y_0とY1Y_1は同時には成立し得ない状態です。現に患者YYが治療を受けた場合、実際に観測されるのはY1Y_1です。治療を受けなかった場合の健康状態は、「潜在的な結果」です。それを想定するということは、「反事実」を想定するということに等しいです。

ルービンの理念によれば、患者YYにおいて、治療を受けた場合と治療を受けなかった場合の双方の「結果」を観察できるのならば、その差異を知ることで、「個体水準での因果的効果(Unit-Level Causal Effect)」を推論することができるといいます。つまり、Y1−Y0Y_1 - Y_0が計算可能ならば、治療を受けることの因果的効果を計測することができるという訳です。

一般的に治療の因果的効果は、患者YY一人ではなく、複数人の患者に対する処置によって把握されます。つまり、単体水準ではなく集団水準で把握されます。その際に記述される因果的効果は、次のように、各患者の平均的な因果的効果として計算されます。

1N∑i=1N(Y1i−Y0i)=1N∑i=1NY1i−1N∑i=1NY0i\frac{1}{N}\sum_{i=1}^N (Y^i_1 - Y^i_0) = \frac{1}{N}\sum_{i=1}^N Y^i_1 - \frac{1}{N}\sum_{i=1}^N Y^i_0

ここで、NNは全患者の人数を、Y1iY^i_1は治療を受けた場合のii番目の患者を、Y0iY^i_0は治療を受けなかった場合のii番目の患者を、それぞれ表わします。

RCTは、この反事実を想定することで実施されます。RCTは対象者集団を二つ以上のグループへと無作為に分割した上で因果的効果を識別する試験方法です。治療の因果的効果を測定するのならば、全患者を治療群と非治療群とに無作為に割り当てることになります。

例えば、いわゆる「風邪薬」が患者の健康状態に与える因果的効果を検証する場合を想定してみましょう。そのウイルスの性質にも左右されるものの、一般的に風邪は高齢者ほど重症化し易いとされます。仮に、治療を受けた患者たちの平均年齢が40歳であるのに対し、治療を受けなかった患者たちの平均年齢が70歳であるとするなら、もはやこの年齢層の偏りの影響は無視できなくなります。もし「風邪薬」による治療を受けなかった患者がこの治療を受けた患者よりも重症化したとしても、それが年齢による結果なのか、「風邪薬」を飲まなかったことによる結果なのかが判断できません。この場合、年齢は「交絡因子」です。

治療を受けた患者と治療を受けなかった患者を無作為に抽出するRCTが有用となるのは、患者たちの健康状態を規定する因子が二つのグループ間で同一の分布に従うと期待できるためです。「交絡因子」は無視した上で、あくまで「風邪薬」による治療を受けた患者の健康状態の平均値と、「風邪薬」による治療を受けなかった患者の健康状態の平均値とを、比較することが可能になります。この比較が可能になることで初めて、各患者の平均的な因果的効果も計算可能になります。

「風邪薬」の因果的効果は、次のように、集団単位での因果的効果として計測することになります。

E(Y1−Y0)=1N∑i=1N(Y1i−Y0i)=1N∑i=1NY1i−1N∑i=1NY0i=E(Y1)−E(Y0)E(Y_1 - Y_0) = \frac{1}{N}\sum_{i=1}^N (Y^i_1 - Y^i_0) = \frac{1}{N}\sum_{i=1}^N Y^i_1 - \frac{1}{N}\sum_{i=1}^N Y^i_0 = E(Y_1) - E(Y_0)

ここで、E(⋅)E(\cdot)は⋅\cdotの期待値です。治療を受けた患者の平均的な健康状態をE(Y1∣Z=1)E(Y_1 \mid Z=1)、治療を受けなかった患者の平均的な健康状態をE(Y0∣Z=0)E(Y_0 \mid Z=0)とするなら、集団単位での因果的効果は次のように再記述できます。

E(Y1)−E(Y0)=E(Y1∣Z=1)−E(Y0∣Z=0)E(Y_1) - E(Y_0) = E(Y_1 \mid Z=1) - E(Y_0 \mid Z=0)

上式の両辺は等号で結ばれているものの、計算の観点は異なっています。左辺は「反事実」を想定することで記述されています。つまり、結果変数と潜在的結果変数の差分となります。これでは実際には観測されなかった要因の変数を対象として扱うために、計算が困難、あるいは不可能になります。これに対し、右辺が指し示しているのは、実質的に結果変数同士の差分です。と言うのも、ZZが言い表しているのは、実際に観測されるデータに対する条件付きの抽出であるためです。

問題解決策:介入

E(⋅∣Z=z)E(\cdot \mid Z=z)の操作は、関連する全データの中でZ=zZ=zの場合のデータを対象に計算するという抽出処理を意味します。しかし、特に現実の環境においては、起こり得る全ての場合のZZのデータを入手できるとは限りません。それ故にこの概念は、統計的因果推論問題の枠組みでは、特に「介入(intervention)」という概念から厳密に区別されています。「介入」は、因果推論対象となる変数において、ある変数の値を意図的に変化させる操作を表わします。抽出処理がE(⋅∣Z=z)E(\cdot \mid Z=z)であるなら、「介入」の処理は、一般的には「do」という記号を使用することで、E(⋅∣do(Z=z))E(\cdot \mid do(Z=z))と記述されます。抽出処理がZ=zZ=zの場合のデータのみを参照するのに対し、do(Z=z)do(Z=z)は、全ての関連データにおいて、Z=zZ=zにした場合のデータを参照します。

「介入」が有用となるのは、交絡因子の影響を強制的に停止させることができるためです。ここで、再び「風邪薬」の治療のケースを想定してみましょう。変数XXが一人の患者に費やす医師の診察時間の長さで、ZZは「風邪薬」による治療を施すか否かを指し示します。すなわち、Z=1Z=1で医師は「風邪薬」を処方し、Z=0Z=0で医師は「風邪薬」を処方しません。

今、XXが極端に短くなり、医師は患者の状態を十分に把握できず、患者もまた自身の状態を伝えられなくなるとします。もしかすれば、患者の健康状態を改善するために必要となるのは、「風邪薬」ではないのかもしれません。鼻水やくしゃみなどの症状から、単なる「風邪」のように視えても、実際に患者が患っているのは「アレルギー性鼻炎」かもしれません。そうした患者に必要なのは、「風邪薬」ではなく、まずはアレルギー検査でしょう。あるいは、「うがい」や「手洗い」、「入浴」や「睡眠時間の確保」など、様々な生活習慣を改善する必要もあります。ですが診察時間が短ければ、医師はこうした可能性に気付くことができなくなります。結果、医師と患者は本来必要であった解決策を実践できず、患者の健康状態は改善されないかもしれません。

この状況が意味するのは、XXが交絡因子であるということです。XXがYYとZZの双方に影響を及ぼしているのです。診察時間が長ければ、患者の健康状態を改善する機会が増えるためです。これに対し、例えばdo(Z=1)do(Z=1)という「介入」の操作は、全ての患者に対して、一律に同じ「風邪薬」を処方した場合を想定することになります。この「介入」を施すと、もはや「風邪薬」を処方するという医師の意思決定に対し、医師の診察時間の長さは何の影響も与えなくなります。つまり、XXに起因するZZとYYの間の疑似相関を気にせずに済むようになるのです。

このdo(Z=z)do(Z=z)という操作に基づいた因果的効果は、次のような条件付き確率によって計算されます。

p(Y=y∣do(Z=z))=pI(Y=y∣Z=z)=∑xpI(Y=y∣Z=z,X=x)pI(X=x∣Z=z)p(Y=y \mid do(Z=z)) = p_I(Y=y \mid Z=z) = \sum_{x} p_I(Y=y \mid Z=z,X=x)p_I(X=x \mid Z=z)

ここで、p(⋅)p(\cdot)は「介入」前における確率を、pI(⋅)p_I(\cdot)は「介入」後における確率を、それぞれ表わします。「介入」の操作により、ZZとXXは独立です。したがって、

pI(X=x∣Z=z)=pI(X=x)p_I(X=x \mid Z=z) = p_I(X=x)

故に、

pI(Y=y∣Z=z)=∑xpI(Y=y∣Z=z,X=x)pI(X=x)p_I(Y=y \mid Z=z) = \sum_x p_I(Y=y \mid Z=z, X=x)p_I(X=x)

ここで、ZZは「介入」それ自体の影響を受け、YYは「介入」それ自体の影響を受けたZZの影響を受けています。これに対し、XXはこれらの影響は受けていません。したがって、

pI(X=x)=p(X=x)p_I(X=x) = p(X=x)

また、pI(Y=y∣Z=z,X=x)p_I(Y=y \mid Z=z, X=x)はZZとXXが規定されることによって規定されるという点では、p(Y=y∣Z=z,X=x)p(Y=y \mid Z=z, X=x)と変わらない依存関係のうちに置かれています。つまり、

pI(Y=y∣Z=z,X=x)=p(Y=y∣Z=z,X=x)p_I(Y=y \mid Z=z, X=x) = p(Y=y \mid Z=z, X=x)

以上より、

p(Y=y∣do(Z=z))=∑xp(Y=y∣Z=z,X=x)p(X=x)p(Y=y \mid do(Z=z)) = \sum_{x} p(Y=y \mid Z=z,X=x)p(X=x)

問題解決策:構造方程式モデリング

「介入」という操作の機能は、因果関係の構造を再記述することにより、因果的効果を計算可能にするという点にあります。因果的効果の観察者は、「介入」の対象となる変数を選択することで、因果的効果を計算します。いわゆる「構造方程式モデル(Structural Equation model)」は、この「介入」対象の選択を方向付ける理論として記述されています。

構造方程式モデルは、直接的には観測できない「潜在変数(latent variable)」と直接的に観測できる「観測変数(observed variable)」の区別を導入することにより、各変数間の因果関係を表現する統計モデルの一種です。このモデルは回帰分析や因子分析を機能的に再利用することで、自然現象や社会現象を記述します。

初歩的な構造方程式モデルは、潜在変数と観測変数の区別とは別途で、「誤差変数(error variable)」も導入します。例えば変数xxが変数yyと変数zzによって規定される場合、xxを巡る因果関係はx=fx(y,z,ex)x = f_x (y, z, e_x)のように記述できます。この場合、yyおよびzzがxxという「結果」の「原因」となります。ただしこの因果関係の特定には誤差が生じます。と言うのも、xxを規定するのは「排除された第三項」である可能性も否定できないためです。このモデルでは、こうした潜在的な影響がexe_xとして表現されています。

問題解決策:グラフィカルモデル

統計的因果推論問題の枠組みでは、この構造方程式モデルが「グラフィカルモデル(Graphical Model)」として再記述されます。グラフィカルモデルは、確率変数間の「条件付き依存性(conditional dependence)」や「条件付き独立性(conditional independence)」を「グラフ(graph)」によって構造化する確率モデルです。グラフの構造は、「ノード(node)」と「エッジ(edge)」の区別によって成り立っています。ノードは、NN個の要素から成る有限集合V={V1,V2,...,VN}\mathbf {V} = \{V_1, V_2, ..., V_N\}の各要素を表わします。エッジは、これらのノードの関連を表わします。ViV_iとVjV_jの間に関連が存在するなら、そのエッジはEijE_{ij}と表せます。エッジ集合をE\mathbf {E}とするなら、グラフG=(V,E)G = (\mathbf {V}, \mathbf{E})は二つの集合V\mathbf {V}とE\mathbf {E}によって定義されます。

Eij∈EE_{ij} \in \mathbf {E}かつEji∉EE_{ji} \notin \mathbf{E}の時、エッジEijE_{ij}は「有向エッジ(directed edge)」となります。ノード間の関連はVi→VjV_i \rightarrow V_jとなります。一方、Eij∈EE_{ij} \in \mathbf {E}かつEji∈EE_{ji} \in \mathbf{E}の時、エッジEijE_{ij}は「無向エッジ(undirected edge)」となります。ノード間の関連はVi − VjV_i \ - \ V_jとなります。全てのエッジが有向エッジとなるグラフは「有向グラフ(directed graph)」と呼ぶのに対し、全てのエッジが無向エッジとなるグラフは「無向グラフ(undirected graph)」と呼びます。

ノード間の関連は、しばしば親子関係として把握される傾向にあります。グラフを「木」と捉えるなら、エッジで結ばれている二つのノードのうち、より根に近いノードは「親ノード(parent node)」と呼ばれ、より葉に近いノードは「子ノード(child node)」と呼ばれます。また、ある親ノードから観て、子ノードや子ノードの子ノードなどのようなノード集合は「子孫(descendants)」と呼ばれる場合もあります。一方、逆に子ノードから観た親ノードの集合は「先祖(ancestor)」と呼ばれる場合もあります。

グラフィカルモデルは、こうしたグラフによって、条件付き依存性や条件付き独立性を表現します。XX、YY、ZZが無向グラフGGにおける互いに排他的なノードの集合である時、XXとYYの各ノード間の全てのパス(path)がZZの少なくとも一つ以上のノードを包含している場合、ZZはXXとYYを「分離(separation)」しています。これは、ZZを与えた場合にXXとYYは条件付き独立であることを意味し、I(X,Y∣Z)I(X, Y \mid Z)となります。

問題解決策:中断時系列分析

時系列データを前提とする統計的因果推論問題の解決策として知られているのは、「中断時系列分析(Interrupted time series analysis)」です。ここでいう「中断」とは、因果推論における「介入」を意味します。例えば為替レートが時系列データとして観察される場合、政府の要人の発言が「介入」として参照されます。株価が時系列データとして観察される場合には、中央銀行の利上げや政府による財政政策上の方針転換が発表された日が、「介入」が実施された日として参照されます。

中断時系列分析では、「介入を実施する前」と「介入を実施した後」の区別が導入されます。まずは「介入を実施する前」のデータを線形回帰モデルで学習した上で、「介入を実施した後」のデータをそのモデルで予測します。そして、それによって得られた予測値を、「介入を実施しなかった場合の結果」として見立てるという方法です。

介入前のデータからトレンドを推定し、介入がなかった場合の見込み(反事実)として延長した点線と、介入後の観測値との差を、推定された差として読む様子を示す図(模擬データ)
中断時系列分析で導入される線形回帰モデルは、多くの場合、次のような単純なモデルです。

yo=β0+β1t+β2ly_o = \beta_0 + \beta_1 t + \beta_2 l

ここで、yoy_oは「結果」で、ttは時間の指標を表します。l=[0,1]l = [0, 1]は「介入を実施する前」の場合は00となり、「介入を実施した後」の場合は11となる二値変数です。β0\beta_0は切片あるいはスケーリングパラメタとして機能します。β1\beta_1はttで示される時間ごとにどの程度の結果をもたらすのかを表わす共変量です。一方β2\beta_2は、「介入」の有無によってどの程度結果に差異が生じるのかを表現する共変量です。

「時間」、「介入」、「結果」の非循環有効グラフ

このモデリングで直観的(intuitively)に想定されるのは、次の二つの前提です(Huntington-Klein 2021)。

  1. 結果は、「介入」と「時間」による因果的効果を受けている。ただしここでの「時間」とは、時間の経過と共に変化する他の外部要因を表わす。
  2. 一方で、「介入」もまた「時間」による因果的効果を受けている。何故なら、「介入」に関する意思決定もまた、他の外部要因の影響下にあるためだ。

時間の経過と共に、他の外部要因も変動します。この影響もあり、結果は「時間」と共に変わり得ます。「介入」の実施前に結果が「時間」と共に如何にして変化し得るのかをモデル化すると、「介入」が実施されなかった場合に起こり得ると予測される「反事実」を事前に予測することが可能になります。

そして、この「反事実」を「介入」を実施した後の観測データと突き合わせることにより、「介入が実施された場合の結果」に関する実測データと「介入が実施されなかった場合の結果」に関する予測データを介して、比較が可能になります。この両者の差分が、「介入を実施した場合」における因果的効果と見做せます。

この推論が合理的となるのは、「介入」と同じ時点で発生する交絡因子を除外した場合です。「介入」を実施した時点から時間が経過すれば、それだけ別の因果関係が介在する可能性が高まります。そのため、時間の経過と共に、因果関係の正当化は困難になります。とはいえ、少なからず「介入」を実施した直後の短期的な観点においては、この推論は妥当します。

分節回帰

単純化すれば、中断時系列分析は回帰分析と差分推定によって成り立っています。このモデルは、介入前のトレンドを線形回帰で推定した上で、介入後の実測値との差をトレンド転換として定量化します。

最も標準的な推定モデルは分節回帰(segmented regression)です。

Yt=β0+β1t+β2Dt+β3(t−T0)Dt+εtY_t = \beta_0 + \beta_1 t + \beta_2 D_t + \beta_3 (t - T_0) D_t + \varepsilon_t

ここで、β0\beta_0は初期水準、β1\beta_1は介入前の傾き、β2\beta_2は介入直後の水準変化、β3\beta_3は傾きの変化を表します。反事実はβ0+β1t\beta_0+\beta_1 tであり、時点t≥T0t\geq T_0の効果は次式となります。

τt=β2+β3(t−T0)\tau_t = \beta_2 + \beta_3 (t - T_0)

誤差項は自己相関を持つことが多く、たとえばεt=ρ εt−1+ut\varepsilon_t=\rho\,\varepsilon_{t-1}+u_t(AR(1))を仮定するか、Newey-West型の頑健標準誤差で対処します。件数データでは次のログ線形モデルが用いられます。

log⁡E[Yt]=β0+β1t+β2Dt+β3(t−T0)Dt+∑k=1K{γksin⁡(2πkts)+δkcos⁡(2πkts)}\log \mathbb{E}[Y_t] = \beta_0 + \beta_1 t + \beta_2 D_t + \beta_3 (t - T_0) D_t + \sum_{k=1}^{K}\left\{\gamma_k \sin\left(\frac{2\pi k t}{s}\right) + \delta_k \cos\left(\frac{2\pi k t}{s}\right)\right\}

右辺の和の項はフーリエ項による季節調整であり、ssは季節の周期です。

ARIMA型の介入モデル

Box and Tiao (1975)の介入分析では、ARIMA型の雑音過程と伝達関数を組み合わせています。

Yt=ω(B)δ(B) ξt+Nt,ϕ(B)(1−B)dNt=θ(B) atY_t = \frac{\omega(B)}{\delta(B)}\,\xi_t + N_t, \qquad \phi(B)(1-B)^d N_t = \theta(B)\,a_t

BBは後退作用素、ξt\xi_tは介入を表す入力系列で、ステップ関数やパルス関数を表わします。ata_tはホワイトノイズです。ω(B)/δ(B)\omega(B)/\delta(B)により、即時効果、徐々に現れる効果、一時的な効果などの動的な効果形状を表現できます。

ベイズ構造的時系列モデル

中断時系列分析の概念史は、上述した単純な線形回帰モデルをベイズ主義的に拡張することで、「ベイズ構造的時系列モデル(Bayesian Structural Time-Series Model: BSTS Model)」という機能的に等価な解決策を展開しています。BSTSのモデルは、時系列データのトレンド、季節性、回帰成分のような構造成分を状態空間モデルの枠組みで明示的に分解すると共に、ベイズ推定によってパラメタの不確実性を事後分布として表現するモデルです。

自己回帰和分移動平均(Autoregressive Integrated Moving Average: ARIMA)をはじめとする古典的な時系列分析は、観測値のみの動態(dynamics)を記述します。これに対し、BSTSは観測値の背後にある潜在状態の時間発展を直接モデル化します。これにより、成分ごとの解釈可能性と、不確実性の定量的な表現が両立されます。

BSTSの基礎となる状態空間モデルは、観測方程式と状態遷移方程式の2層で構造化されています。その数理モデルを順を追って記述していきます。

観測方程式は以下のように定式化されています。

yt=Zt⊤αt+εt,εt∼N(0, σε2)y_t = \mathbf{Z}_t^\top \boldsymbol{\alpha}_t + \varepsilon_t, \qquad \varepsilon_t \sim \mathcal{N}(0,\, \sigma_\varepsilon^2)

ここで、yt∈Ry_t \in \mathbb{R}は時点ttにおける観測値、αt∈Rd\boldsymbol{\alpha}_t \in \mathbb{R}^dは潜在状態ベクトル、Zt∈Rd\mathbf{Z}_t \in \mathbb{R}^dは観測行列、εt\varepsilon_tは観測誤差です。

一方、状態遷移方程式は以下のように定式化されています。

αt+1=Ttαt+Rtηt,ηt∼N(0, Qt)\boldsymbol{\alpha}_{t+1} = \mathbf{T}_t \boldsymbol{\alpha}_t + \mathbf{R}_t \boldsymbol{\eta}_t, \qquad \boldsymbol{\eta}_t \sim \mathcal{N}(\mathbf{0},\, \mathbf{Q}_t)

ここで、Tt∈Rd×d\mathbf{T}_t \in \mathbb{R}^{d \times d}は状態遷移行列、Rt\mathbf{R}_tは状態誤差の選択行列、ηt\boldsymbol{\eta}_tは状態誤差です。

この二つの方程式の組み合わせがBSTSの中核を担っています。各構造成分はこの枠組みの中でαt\boldsymbol{\alpha}_tの部分ベクトルとして表現されます。

構造成分

構造成分の定式化も確認しておきましょう。まず定式化されているのは局所線形トレンド(Local Linear Trend)です。トレンドをレベルμt\mu_tと傾きνt\nu_tの2成分で記述します。

μt+1=μt+νt+ξt,ξt∼N(0, σξ2)\mu_{t+1} = \mu_t + \nu_t + \xi_t, \qquad \xi_t \sim \mathcal{N}(0,\, \sigma_\xi^2)

νt+1=νt+ζt,ζt∼N(0, σζ2)\nu_{t+1} = \nu_t + \zeta_t, \qquad \zeta_t \sim \mathcal{N}(0,\, \sigma_\zeta^2)

σξ2\sigma_\xi^2はレベルの変動の大きさ、σζ2\sigma_\zeta^2は傾きの変動の大きさを制御します。σζ2=0\sigma_\zeta^2 = 0とすると傾きが一定の局所レベルのモデルに退化します。σξ2=0\sigma_\xi^2 = 0かつσζ2=0\sigma_\zeta^2 = 0とすると全体的な線形トレンドになります。

これを前提とすれば、状態空間表現は次のように記述できます。

αttrend=(μtνt),Ttrend=(1101),Ztrend=(10)\boldsymbol{\alpha}_t^{\text{trend}} = \begin{pmatrix} \mu_t \\ \nu_t \end{pmatrix}, \quad \mathbf{T}^{\text{trend}} = \begin{pmatrix} 1 & 1 \\ 0 & 1 \end{pmatrix}, \quad \mathbf{Z}^{\text{trend}} = \begin{pmatrix} 1 \\ 0 \end{pmatrix}

季節成分

次に定式化されているのは季節成分(Seasonal Component)です。周期ssの季節性を、連続するss時点の季節効果の和がゼロになるという制約の下で表現します。

τt+1=−∑j=0s−2τt−j+ωt,ωt∼N(0, σω2)\tau_{t+1} = -\sum_{j=0}^{s-2} \tau_{t-j} + \omega_t, \qquad \omega_t \sim \mathcal{N}(0,\, \sigma_\omega^2)

σω2=0\sigma_\omega^2 = 0の場合に季節パターンは完全に固定され、σω2>0\sigma_\omega^2 > 0の場合に季節パターンが時間と共に緩やかに変化することを許容します。

観測方程式への寄与は最初の季節成分τt\tau_tのみであり、状態遷移は残りのs−1s-1個を回転させることで実現されます。

αtseasonal=(τtτt−1⋮τt−s+2),Tseasonal=(−1−1⋯−110⋯001⋯0⋮⋱⋮)\boldsymbol{\alpha}_t^{\text{seasonal}} = \begin{pmatrix} \tau_t \\ \tau_{t-1} \\ \vdots \\ \tau_{t-s+2} \end{pmatrix}, \quad \mathbf{T}^{\text{seasonal}} = \begin{pmatrix} -1 & -1 & \cdots & -1 \\ 1 & 0 & \cdots & 0 \\ 0 & 1 & \cdots & 0 \\ \vdots & & \ddots & \vdots \end{pmatrix}

回帰成分

回帰成分(Regression Component)も定式化されています。共変量xt∈Rp\mathbf{x}_t \in \mathbb{R}^pが存在する場合、その寄与を観測方程式に加えます。

yt=Zt⊤αt+β⊤xt+εty_t = \mathbf{Z}_t^\top \boldsymbol{\alpha}_t + \boldsymbol{\beta}^\top \mathbf{x}_t + \varepsilon_t

係数ベクトルβ\boldsymbol{\beta}には事前分布を置きます。変数選択を伴う場合はスパイク・アンド・スラブ(Spike-and-Slab)の事前分布が用いられます。

βj∣γj∼γj⋅N(0, vj)+(1−γj)⋅δ0\boldsymbol{\beta}_j \mid \gamma_j \sim \gamma_j \cdot \mathcal{N}(0,\, v_j) + (1 - \gamma_j) \cdot \delta_0

ここで、γj∈{0,1}\gamma_j \in \{0, 1\}は変数jjが回帰に含まれるか否かを示す指示変数であり、δ0\delta_0はゼロ点質量で、スパイクを意味します。N(0,vj)\mathcal{N}(0, v_j)はスラブです。γj∼Bernoulli(qj)\gamma_j \sim \text{Bernoulli}(q_j)として、qjq_jは事前包含確率を表します。

予測のモデル

トレンド、季節性、回帰成分を合わせた完全モデルは次のように記述できます。

yt=μt+τt+β⊤xt+εty_t = \mu_t + \tau_t + \boldsymbol{\beta}^\top \mathbf{x}_t + \varepsilon_t

μt+1=μt+νt+ξt\mu_{t+1} = \mu_t + \nu_t + \xi_t

νt+1=νt+ζt\nu_{t+1} = \nu_t + \zeta_t

τt+1=−∑j=0s−2τt−j+ωt\tau_{t+1} = -\sum_{j=0}^{s-2} \tau_{t-j} + \omega_t

状態の事前分布がαt∣y1:t−1∼N(at, Pt)\boldsymbol{\alpha}_t \mid y_{1:t-1} \sim \mathcal{N}(\mathbf{a}_t,\, \mathbf{P}_t)で与えられる時、観測値yty_tが得られる前の1ステップ先の予測は次のように計算されます。

at∣t−1=Ttat−1\mathbf{a}_{t|t-1} = \mathbf{T}_t \mathbf{a}_{t-1}

Pt∣t−1=TtPt−1Tt⊤+RtQtRt⊤\mathbf{P}_{t|t-1} = \mathbf{T}_t \mathbf{P}_{t-1} \mathbf{T}_t^\top + \mathbf{R}_t \mathbf{Q}_t \mathbf{R}_t^\top

予測誤差とその分散は次のように定義されます。

vt=yt−Zt⊤at∣t−1v_t = y_t - \mathbf{Z}_t^\top \mathbf{a}_{t|t-1}

Ft=Zt⊤Pt∣t−1Zt+σε2F_t = \mathbf{Z}_t^\top \mathbf{P}_{t|t-1} \mathbf{Z}_t + \sigma_\varepsilon^2

観測値yty_tを取り込んだ事後分布は、カルマンフィルタリングに基づき、次のように更新されます。

Kt=Pt∣t−1ZtFt−1(カルマンゲイン)\mathbf{K}_t = \mathbf{P}_{t|t-1} \mathbf{Z}_t F_t^{-1} \qquad \text{(カルマンゲイン)}

at=at∣t−1+Ktvt\mathbf{a}_t = \mathbf{a}_{t|t-1} + \mathbf{K}_t v_t

Pt=(I−KtZt⊤)Pt∣t−1\mathbf{P}_t = (\mathbf{I} - \mathbf{K}_t \mathbf{Z}_t^\top) \mathbf{P}_{t|t-1}

カルマンフィルタの副産物として、観測値の対数周辺尤度が逐次的に計算されます。

log⁡p(y)=−T2log⁡(2π)−12∑t=1T(log⁡Ft+vt2Ft)\log p(\mathbf{y}) = -\frac{T}{2} \log(2\pi) - \frac{1}{2} \sum_{t=1}^T \left( \log F_t + \frac{v_t^2}{F_t} \right)

これは事後分布サンプリングにおける尤度評価において直接参照されます。

カルマン平滑化により、フィルタリング後に全観測値を条件とした状態の平滑化分布を求めます。これは後ろ向きの再帰として計算されます。

rt−1=ZtFt−1vt+Lt⊤rt\mathbf{r}_{t-1} = \mathbf{Z}_t F_t^{-1} v_t + \mathbf{L}_t^\top \mathbf{r}_t

Nt−1=ZtFt−1Zt⊤+Lt⊤NtLt\mathbf{N}_{t-1} = \mathbf{Z}_t F_t^{-1} \mathbf{Z}_t^\top + \mathbf{L}_t^\top \mathbf{N}_t \mathbf{L}_t

α^t=at∣t−1+Pt∣t−1rt−1\hat{\boldsymbol{\alpha}}_t = \mathbf{a}_{t|t-1} + \mathbf{P}_{t|t-1} \mathbf{r}_{t-1}

P^t=Pt∣t−1−Pt∣t−1Nt−1Pt∣t−1\hat{\mathbf{P}}_t = \mathbf{P}_{t|t-1} - \mathbf{P}_{t|t-1} \mathbf{N}_{t-1} \mathbf{P}_{t|t-1}

ここで、Lt=Tt−KtZt⊤Tt\mathbf{L}_t = \mathbf{T}_t - \mathbf{K}_t \mathbf{Z}_t^\top \mathbf{T}_tです。

分散パラメタには逆ガンマ分布を事前分布として用います。

σ2∼InvGamma ⁣(ν02, ν0s022)\sigma^2 \sim \text{InvGamma}\!\left(\frac{\nu_0}{2},\, \frac{\nu_0 s_0^2}{2}\right)

ここで、ν0\nu_0は事前サンプルサイズ、s02s_0^2は事前分散の推定値です。ν0\nu_0を小さく設定することで弱情報的な事前分布となります。

局所レベルμt\mu_tのランダムウォークの標準偏差σξ\sigma_\xiには、観測値の標準偏差に対する比率として事前分布を設定することが多いです。

σξσy∼InvGamma(a0,b0)\frac{\sigma_\xi}{\sigma_y} \sim \text{InvGamma}(a_0, b_0)

この事前分布のスケールが小さいほどトレンドが安定した水準を仮定することになります。

パラメタ推論

BSTSのパラメタ推論は、状態ベクトルと分散パラメタを交互にサンプリングするギブスサンプラーで行われます。

第一のステップでは分散パラメタの事後サンプリングが実行されます。状態列α1:T\boldsymbol{\alpha}_{1:T}とβ\boldsymbol{\beta}を所与として、各分散の完全条件付き分布は逆ガンマ分布となります。

σξ2∣α1:T, y∼InvGamma ⁣(ν0+T2, ν0s02+∑t=1Tξt22)\sigma_\xi^2 \mid \boldsymbol{\alpha}_{1:T},\, \mathbf{y} \sim \text{InvGamma}\!\left(\frac{\nu_0 + T}{2},\, \frac{\nu_0 s_0^2 + \sum_{t=1}^T \xi_t^2}{2}\right)

第二のステップでは状態列の事後サンプリングが実行されます。分散パラメタを所与として、α1:T\boldsymbol{\alpha}_{1:T}の完全条件付き分布はカルマンフィルタおよびカルマン平滑化によって効率的にサンプリングできます(Carter and Kohn 1994)。

p(α1:T∣y,θ)∝p(y∣α1:T,θ)⋅p(α1:T∣θ)p(\boldsymbol{\alpha}_{1:T} \mid \mathbf{y}, \boldsymbol{\theta}) \propto p(\mathbf{y} \mid \boldsymbol{\alpha}_{1:T}, \boldsymbol{\theta}) \cdot p(\boldsymbol{\alpha}_{1:T} \mid \boldsymbol{\theta})

第三のステップでは回帰係数の事後サンプリングが実行されます。スパイク・アンド・スラブ事前分布の下では、γj\gamma_jの条件付き事後確率が解析的に計算されます。そしてそれに基づいて変数選択が行われます。含まれると判断された変数については、共役性からβγ\boldsymbol{\beta}_\gammaの条件付き事後分布が正規分布となります。

以上の三つのステップを繰り返すことで、パラメタの同時事後分布からのサンプルが得られます。

事後予測分布

介入が無かった場合の予測値に関して、その事後予測分布についても定式化しておかなければなりません。MM個の事後サンプル{θ(m), α1:T(m)}m=1M\{\boldsymbol{\theta}^{(m)},\, \boldsymbol{\alpha}_{1:T}^{(m)}\}_{m=1}^Mが得られた時、介入後の反事実的な想定となるy~t\tilde{y}_{t}、つまり介入が無かった場合の予測値の事後予測分布は次のように表されます。

p(y~t∣y1:T0)=∫p(y~t∣θ,α)⋅p(θ,α∣y1:T0) dθ dαp(\tilde{y}_t \mid \mathbf{y}_{1:T_0}) = \int p(\tilde{y}_t \mid \boldsymbol{\theta}, \boldsymbol{\alpha}) \cdot p(\boldsymbol{\theta}, \boldsymbol{\alpha} \mid \mathbf{y}_{1:T_0})\, d\boldsymbol{\theta}\, d\boldsymbol{\alpha}

これは事後サンプルを使ったモンテカルロ近似で計算されます。

y~t(m)∼p(y~t∣θ(m),α(m))\tilde{y}_t^{(m)} \sim p(\tilde{y}_t \mid \boldsymbol{\theta}^{(m)}, \boldsymbol{\alpha}^{(m)})

各サンプルでt>T0t > T_0の状態を前向きに伝播させて予測を生成すると、その経験分布が事後予測分布の近似となります。

潜在的な因果的効果

以上のモデリングにより、因果的効果の推定が可能になります。潜在的な因果的効果を定義していきましょう。

時点t>T0t > T_0すなわち介入後において、観測値yty_tと反事実的な想定y~t\tilde{y}_tの差として因果的効果を潜在的な結果変数として定義します。

δt=yt−y~t\delta_t = y_t - \tilde{y}_t

yty_tは実際に観測された値で、介入ありの帰結です。一方でy~t\tilde{y}_tは介入が無かった場合の仮想的な推定値です。

BSTSではy~t\tilde{y}_tの事後予測分布が得られるため、δt\delta_tの事後分布も定まります。

δt(m)=yt−y~t(m)\delta_t^{(m)} = y_t - \tilde{y}_t^{(m)}

点推定として事後平均δ^t=1M∑mδt(m)\hat{\delta}_t = \frac{1}{M} \sum_m \delta_t^{(m)}、不確実性の定量化として事後信頼区間[δt(α/2), δt(1−α/2)][\delta_t^{(\alpha/2)},\, \delta_t^{(1-\alpha/2)}]が用いられます。

介入後の累積因果的効果は次のように定義されます。

Δ=∑t=T0+1Tδt\Delta = \sum_{t=T_0+1}^{T} \delta_t

その事後分布もΔ(m)=∑tδt(m)\Delta^{(m)} = \sum_t \delta_t^{(m)}として直接計算できます。

このモデルはベイズ主義的な設計思想に準拠しています。しかし、「因果的効果がゼロ以下である」という帰無仮説に対する事後確率を計算することで、頻度論的なp値に相当する指標を得ることもできます。

p=P(Δ≤0∣y)≈1M∑m=1M1[Δ(m)≤0]p = P(\Delta \leq 0 \mid \mathbf{y}) \approx \frac{1}{M} \sum_{m=1}^M \mathbf{1}[\Delta^{(m)} \leq 0]

この値が小さいほど、介入による正の効果の証拠が強いです。

BSTSの後史

BSTSは、次の3点に依存しています。

  • 反事実の予測が、線形ガウス状態空間モデル、すなわち局所線形トレンドと対照系列への線形回帰で表現できる。
  • 対照系列が介入の影響を受けない。
  • 事後予測区間の妥当性が、モデルの正しさに依存する。

BSTSに連なる後続の研究は、この3点のいずれかに対する問題意識から出発しています。いずれも、介入前のデータで反事実Y^t(0)\hat{Y}_t(0)を予測し、効果をτ^t=Yt−Y^t(0)\hat{\tau}_t=Y_t-\hat{Y}_t(0)とする点は共通であり、予測モデルと不確実性の評価の仕方が異なります。

状態空間モデルの枠内でBSTSを拡張する動きも見受けられます。Li et al. (2024)は、多変量の動的線形モデルを拡張し、介入の影響を受けない全系列を合成コントロールとして用います。モデルを制御成分と、制御を条件とした実験成分に分解し、共役事前分布により解析的な逐次更新を可能にしました。BSTSで扱い難い時変の依存関係とスケーラビリティの改善を主眼としています。

Rho et al. (2026)のTime-Aware Synthetic Control(TASC)は、合成コントロールが介入前の時点を交換可能と見做す点を問題とします。定数トレンドと低ランク構造を持つ状態空間モデルをEMアルゴリズムで学習し、カルマンフィルタと平滑化で反事実を構成します。

線形の動的回帰をガウス過程(Gaussian Process)に置き換える拡張案も提示されています。以下のように、反事実を関数ffの予測として扱い、事前分布をガウス過程とする案です。

yt=f(t,xt)+εt,f∼GP(m,k)y_t = f(t, \mathbf{x}_t) + \varepsilon_t, \qquad f \sim \mathcal{GP}(m, k)

複数の単位iiを扱うマルチタスク版では、時間方向と単位間のカーネルの積を用います。

Giudice, Geneletti, and Kalogeropoulos (2022)は、BSTSの線形動的回帰成分をガウス過程に置き換え、自系列のみのモデルと多出力GPによる多変量モデルを提案しました。Leeftink and Hinne (2020)は、分節線形回帰が周期的な構造を捉えられない点を問題と捉え、スペクトル混合カーネルを用いたガウス過程による中断時系列分析を提案しました。このモデルでは、平均だけでなく、スペクトル特性を変える介入も検出できます。

Ben-Michael et al. (2022)は、時間方向の滑らかさと単位間の類似性に別々のカーネルを置くマルチタスクのガウス過程を提案しました。単一タスク版は、自系列の介入前履歴から予測するITSそのものであると位置づけられています。

BSTSの事後予測区間はモデルが正しいことに依存します。この依存を問題視する観点からも代替案が提示されています。Chernozhukov, Wüthrich, and Zhu (2021)は、反事実の予測と構造変化の検定を組み合わせ、置換に基づく推論をコンフォーマル予測の考え方から構成しました。弱い条件のもとで妥当であり、モデルの誤特定に頑健であるとされます。合成コントロール、差の差、因子モデルなど、任意の反事実予測器に適用できます。Cattaneo, Feng, and Titiunik (2021)は、合成コントロール法における予測区間を提案しました。重みの推定に由来する不確実性と、誤差項に由来する不確実性を分けて扱います。

中断時系列分析のモデルそのものの拡張案も提示されています。Cruz, Bender, and Ombao (2017)のRobust-ITSは、水準の変化に加え、介入後の分散と相関構造の変化、および変化点の時期を同時に検定します。Waken et al. (2025)は、一般化加法モデルによる非線形の介入効果と潜在時系列を組み合わせたベイズ多段階層モデルを提案しました。階層的なモデル選択事前分布により、部分集団ごとの効果の違いを部分プーリングで扱います。

派生問題:複合性

対照系列の独立性、事前分布への感度、区間の被覆性という、BSTSの仮定そのものを正面から批判し、代替を提示した研究は、今のところ主流ではありません。これらの仮定は、今のところは妥当な仮定として受容されているように思われます。

中断時系列分析一般として観れば、仮定は勿論これらだけではありません。中断時系列分析一般は以下のような仮定の上で成り立っています。

  • 外挿の仮定:介入がなかった場合、介入前のトレンド、季節性、自己相関の構造が介入後も続く。
  • 同時介入が無い:介入時点と同時に結果へ影響を与える他の出来事が無い。
  • 先行効果が無い:介入の予告などにより、介入前に行動が変化していない。
  • 測定の一貫性:定義や測定方法が介入前後で変化していない。

特に同時介入が無いという仮定は、現実をある程度単純化しなければ受容され得ません。中断時系列分析の実践者が導入する「介入を実施する前」と「介入を実施した後」の区別は、あくまでも二値論理として構造化されている必要があります。しかしこの場合の盲点となるのは、この区別の境界で生じている事象の複合性です。介入を実施した瞬間、同時に別様の事象が時系列データに影響を及ぼしている場合、同時介入が無いという仮定は覆されます。

ここで問題となるのは、介入を実施した瞬間に生起していた事象の「複合性(Komplexität)」に他なりません。この事象が複合的であればあるほど、中断時系列分析の実践者は、介入を実施した瞬間に生起していた別様の潜在変数を盲点として見落とす可能性を高めます。そうした潜在変数は、観測可能で、介入前に変動があり、介入の項から区別でき、結果への影響が、介入後も同じ関係で続くという前提が満たされない限り、モデルはこの複合性を処理できません。

これは中断時系列分析の実践に伴うリスクです。勿論、複合的な事象の全体の因果的効果を分析するという問題設定であるなら、当の因果的効果を「介入日を含む一連の出来事の複合効果」であると捉え直せば、このリスクは無害化できます。推定結果も意味を持つでしょう。しかし、中断時系列分析によって計算された因果的効果を一つの介入の因果的効果であると主張する場合、複合性は中断時系列分析を失敗へと追いやることになります。

統計的因果推論問題の枠組みは、「原因」と「結果」を一対一で対応付ける「帰属」の情報処理が誤謬を招くという前提から出発しています。現実的には、一つの「結果」には複数の「原因」が関連し、一つの「原因」からは複数の「結果」が生じ得ます。ですが帰属は、「選択」の産物です。しばしば我々の認知は、「原因」と「結果」を一対一で対応付けてしまいます。

複合性に由来した中断時系列分析のリスクが指し示しているのは、「原因」と「結果」を一対一で対応付けてしまう問題の特殊事例です。つまり、「原因」としての介入と「結果」としての因果的効果を一対一で対応付けようとした場合にこそ、上述した中断時系列分析のリスクは有害な問題となる訳です。

この意味で中断時系列分析は、「原因」と「結果」を一対一で対応付けてしまう問題の解決策として機能すると共に、この問題そのものを再発させることも可能にします。この分析方法は、統計的因果推論問題の枠組みの中に内在した上で、現実の複合性に反射するように、更なる分析の必要性を暗に仄めかすように強調する方法なのです。

参考文献

  • Abadie, A., A. Diamond, and J. Hainmueller. 2010. “Synthetic Control Methods for Comparative Case Studies: Estimating the Effect of California's Tobacco Control Program.” Journal of the American Statistical Association 105(490):493–505.
  • Abadie, A., and J. Gardeazabal. 2003. “The Economic Costs of Conflict: A Case Study of the Basque Country.” American Economic Review 93(1):113–32.
  • Ben-Michael, E., D. Arbour, A. Feller, A. Franks, and S. Raphael. 2022. “Estimating the Effects of a California Gun Control Program with Multitask Gaussian Processes.” arXiv:2110.07006.
  • Bernal, J. L., S. Cummins, and A. Gasparrini. 2017. “Interrupted Time Series Regression for the Evaluation of Public Health Interventions: A Tutorial.” International Journal of Epidemiology 46(1):348–55.
  • Bernal, J. L., S. Cummins, and A. Gasparrini. 2018. “The Use of Controls in Interrupted Time Series Studies of Public Health Interventions.” International Journal of Epidemiology 47(6):2082–93.
  • Bernal, J. L., S. Soumerai, and A. Gasparrini. 2018. “A Methodological Framework for Model Selection in Interrupted Time Series Studies.” Journal of Clinical Epidemiology 103:82–91.
  • Biglan, A., D. Ary, and A. C. Wagenaar. 2000. “The Value of Interrupted Time-Series Experiments for Community Intervention Research.” Prevention Science 1(1):31–49.
  • Bojinov, I., and N. Shephard. 2019. “Time Series Experiments and Causal Estimands: Exact Randomization Tests and Trading.” Journal of the American Statistical Association 114(528):1665–82.
  • Bollen, K. A. 1989. Structural Equations with Latent Variables. Vol. 210. New York: John Wiley & Sons.
  • Box, G. E. P., and G. C. Tiao. 1975. “Intervention Analysis with Applications to Economic and Environmental Problems.” Journal of the American Statistical Association 70(349):70–79.
  • Brodersen, K. H., F. Gallusser, J. Koehler, N. Remy, and S. L. Scott. 2015. “Inferring Causal Impact Using Bayesian Structural Time-Series Models.” Annals of Applied Statistics 9(1):247–74.
  • Buntine, W. 1991. “Theory Refinement on Bayesian Networks.” Pp. 52–60 in Uncertainty Proceedings 1991. Morgan Kaufmann.
  • Campbell, D. T. 1969. “Reforms as Experiments.” American Psychologist 24(4):409–29.
  • Campbell, D. T., and J. C. Stanley. 1963. Experimental and Quasi-Experimental Designs for Research. Chicago: Rand McNally.
  • Carter, C. K., and R. Kohn. 1994. “On Gibbs Sampling for State Space Models.” Biometrika 81(3):541–53.
  • Cattaneo, M. D., Y. Feng, F. Palomba, and R. Titiunik. 2022. “Uncertainty Quantification in Synthetic Controls with Staggered Treatment Adoption.” arXiv:2210.05026.
  • Cattaneo, M. D., Y. Feng, and R. Titiunik. 2021. “Prediction Intervals for Synthetic Control Methods.” Journal of the American Statistical Association 116(536):1865–80.
  • Chernozhukov, V., K. Wüthrich, and Y. Zhu. 2021. “An Exact and Robust Conformal Inference Method for Counterfactual and Synthetic Controls.” Journal of the American Statistical Association 116(536):1849–64.
  • Cook, T. D., and D. T. Campbell. 1979. Quasi-Experimentation: Design and Analysis Issues for Field Settings. Boston: Houghton Mifflin.
  • Cruz, M., M. Bender, and H. Ombao. 2017. “A Robust Interrupted Time Series Model for Analyzing Complex Healthcare Intervention Data.” Statistics in Medicine 36(29):4660–76.
  • Giudice, G., S. Geneletti, and K. Kalogeropoulos. 2022. “Evaluating the Impact of COVID-19 Vaccination in the United Kingdom: A Gaussian Process Approach.” arXiv:2210.02850.
  • Glass, G. V., V. L. Willson, and J. M. Gottman. 1975. Design and Analysis of Time-Series Experiments. Boulder: Colorado Associated University Press.
  • Glymour, M. M., and S. Greenland. 2008. “Causal Diagrams.” Pp. 183–209 in Modern Epidemiology, 3rd ed.
  • Hausman, C., and D. S. Rapson. 2018. “Regression Discontinuity in Time: Considerations for Empirical Applications.” Annual Review of Resource Economics 10:533–52.
  • Heckerman, D. 2008. “A Tutorial on Learning with Bayesian Networks.” Pp. 33–82 in Innovations in Bayesian Networks.
  • Heider, F. 1958. The Psychology of Interpersonal Relations. New York: Wiley.
  • Heider, F. 1959. “Thing and Medium.” Pp. 1–34 in On Perception, Event Structure, and Psychological Environment: Selected Papers. New York: International University Press.
  • Huntington-Klein, N. 2021. The Effect: An Introduction to Research Design and Causality. Boca Raton, FL: Chapman and Hall/CRC.
  • Jandoc, R., A. M. Burden, M. Mamdani, L. E. Lévesque, and S. M. Cadarette. 2015. “Interrupted Time Series Analysis in Drug Utilization Research Is Increasing: Systematic Review and Recommendations.” Journal of Clinical Epidemiology 68(8):950–56.
  • Koller, D., and N. Friedman. 2009. Probabilistic Graphical Models: Principles and Techniques. Cambridge, MA: MIT Press.
  • Kontopantelis, E., T. Doran, D. A. Springate, I. Buchan, and D. Reeves. 2015. “Regression Based Quasi-Experimental Approach When Randomisation Is Not an Option: Interrupted Time Series Analysis.” BMJ 350:h2750.
  • Leeftink, D., and M. Hinne. 2020. “Spectral Discontinuity Design: Interrupted Time Series with Spectral Mixture Kernels.” Proceedings of Machine Learning Research 136:213–25.
  • Li, K., G. Tierney, C. Hellmayr, and M. West. 2024. “Compositional Dynamic Modelling for Causal Prediction in Multivariate Time Series.” arXiv:2406.02320.
  • Linden, A. 2015. “Conducting Interrupted Time-Series Analysis for Single- and Multiple-Group Comparisons.” Stata Journal 15(2):480–500.
  • Menchetti, F., F. Cipollini, and F. Mealli. 2022. “Combining Counterfactual Outcomes and ARIMA Models for Policy Evaluation.” Econometrics Journal 25(3):601–21.
  • Pang, X., L. Liu, and Y. Xu. 2022. “A Bayesian Alternative to Synthetic Control for Comparative Case Studies.” Political Analysis 30(2):269–88.
  • Pearl, J. 2009. “Causal Inference in Statistics: An Overview.” Statistics Surveys 3:96–146.
  • Penfold, R. B., and F. Zhang. 2013. “Use of Interrupted Time Series Analysis in Evaluating Health Care Quality Improvements.” Academic Pediatrics 13(6):S38–S44.
  • Rho, S., C. Illick, S. Narasipura, A. Abadie, D. Hsu, and V. Misra. 2026. “Time-Aware Synthetic Control.” arXiv:2601.03099.
  • Ross, H. L., D. T. Campbell, and G. V. Glass. 1970. “Determining the Social Effects of a Legal Reform: The British Breathalyser Crackdown of 1967.” American Behavioral Scientist 13(4):493–509.
  • Rubin, D. B. 2005. “Causal Inference Using Potential Outcomes: Design, Modeling, Decisions.” Journal of the American Statistical Association 100(469):322–31.
  • Schaffer, A. L., T. A. Dobbins, and S. A. Pearson. 2021. “Interrupted Time Series Analysis Using Autoregressive Integrated Moving Average (ARIMA) Models: A Guide for Evaluating Large-Scale Health Interventions.” BMC Medical Research Methodology 21:58.
  • Shadish, W. R., T. D. Cook, and D. T. Campbell. 2002. Experimental and Quasi-Experimental Designs for Generalized Causal Inference. Boston: Houghton Mifflin.
  • Shimizu, S., and K. Bollen. 2014. “Bayesian Estimation of Causal Direction in Acyclic Structural Equation Models with Individual-Specific Confounder Variables and Non-Gaussian Distributions.” Journal of Machine Learning Research 15(1):2629–52.
  • Shimizu, S., P. O. Hoyer, A. Hyvärinen, A. Kerminen, and M. Jordan. 2006. “A Linear Non-Gaussian Acyclic Model for Causal Discovery.” Journal of Machine Learning Research 7(10).
  • Splawa-Neyman, J., D. M. Dabrowska, and T. P. Speed. 1990. “On the Application of Probability Theory to Agricultural Experiments. Essay on Principles. Section 9.” Statistical Science 5(4):465–72.
  • Turner, S. L., A. Karahalios, A. B. Forbes, et al. 2021. “Design Characteristics and Statistical Methods Used in Interrupted Time Series Studies Evaluating Public Health Interventions: A Review.” Journal of Clinical Epidemiology 122:1–11.
  • Wagner, A. K., S. B. Soumerai, F. Zhang, and D. Ross-Degnan. 2002. “Segmented Regression Analysis of Interrupted Time Series Studies in Medication Use Research.” Journal of Clinical Pharmacy and Therapeutics 27(4):299–309.
  • Waken, R. J., F. Wang, S. A. Eisenstein, T. McBride, K. Johnson, and K. Joynt-Maddox. 2025. “Multilevel Non-Linear Interrupted Time Series Analysis.” arXiv:2511.05725.
  • Weber, M. 1922. Wirtschaft und Gesellschaft. Tübingen: J. C. B. Mohr.
  • 狩野裕 (著) 「構造方程式モデリングは, 因子分析, 分散分析, パス解析の すべてにとって代わるのか?」 行動計量学、2002, 29(2), pp.138-159.
  • 木村正彬(著)『統計的因果推論のパラドックス:企業内研究開発における「目的」の機能について』Accel Brain Books、2022
  • 鈴木譲, 植野真臣(著)『確率的グラフィカルモデル』共立出版、2016
  • 横井祥, 持橋大地, 高橋諒, 岡崎直観, & 乾健太郎. (2017). 独立性尺度に基づく知識の粒度の教師なし推定. In 人工知能学会全国大会論文集 第 31 回 (2017) (pp. 2B3OS07a1-2B3OS07a1). 一般社団法人 人工知能学会.