CausalImpactに関するまとめ

hanata

CausalImpactを使う上での注意点をまとめる。

参考文献

hanata

概要

介入前の $y_t, x_t$ から、 $y_t$ を予測するモデルを作成する。
- 介入前のデータを使っているので $y_t(0)$ を予測するモデルを作っていることになる。
予測モデルを用いて、介入後の期間の $y_t(0)$ を予測し、実測値( $y_t(1)$ )との差分を算出する

注意点

共変量 $x_t$ はなくても良い
- 共変量の有無で、予測精度に影響が出る。≒算出される効果の値に影響が出る。
共変量 $x_t$ は 介入の影響を受けない 変数を利用する必要がある

DIDや合成コントロール法との違いとして、処置群のデータだけで効果推定ができる というものがある。処置群しか存在しないケースでも利用できるのは強い。

hanata

Pythonでの実装参考

Pythonでの実装はいくつか存在するっぽい。

WillianFuks/tfcausalimpact
- 2022年に更新されている。とりあえずこれ使えば良さそう。
dafiti/causalinpact
- リポジトリが消滅していた。。。最終リリースは2020年5月
- 一応今でもinstallはできる
tcassou/causal_impact
- 2020年7月が最終更新

Rでの実装

本家
https://github.com/google/CausalImpact

hanata

tfcausalimpactでの実装例

公式リポジトリより。
データフレーム、介入前、介入後のindexを渡せばイイ感じにモデリングしてくれる。
一番左のカラムが目的変数、それ以降のカラムが共変量と自動で認識してくれるっぽい。

import pandas as pd
from causalimpact import CausalImpact


data = pd.read_csv('hoge')[['y', 'X']]

pre_period = [0, 69]
post_period = [70, 99]

ci = CausalImpact(data, pre_period, post_period)
print(ci.summary())
print(ci.summary(output='report'))
ci.plot()