DecoR: Deconfounding Time Series with Robust Regression

这篇论文探讨了针对时间序列数据的因果推断问题，特别是在存在未观察到的混淆因素时更加具有挑战性。研究的重点在于估计两个时间序列之间的因果效应，这两个时间序列受到第三个未观察到的时间序列的混淆。在假设混淆因素具有频谱稀疏性的前提下，本文介绍了一种新方法——基于鲁棒回归的去混淆方法（DecoR），该方法利用频域中的鲁棒线性回归来估计因果效应。本文首先改进了现有技术中的两种不同的鲁棒回归技术的估计误差界限，关键是我们的结果不需要对协变量进行分布假设，因此可以在时间序列设置中使用。将这些结果应用于DecoR，我们证明了在适当假设下，DecoR的估计误差上界可以保证一致性。通过对合成数据的实验，我们展示了DecoR的有效性。此外，我们的实验表明，我们的方法对于模型错误具有鲁棒性。

本论文旨在解决时间序列数据中存在未观察到的混淆因素时，因果推断的问题。

通过在频域中使用Robust Linear Regression方法，利用稀疏性假设将问题转化为对抗异常值问题，提出了Deconfounding by Robust regression (DecoR)方法。

本文提出的DecoR方法在时间序列数据中实现了对未观察到的混淆因素的因果推断，并且具有鲁棒性。实验结果表明，该方法的估计误差较小，并且对模型的错误规格化具有一定的鲁棒性。

在这个领域中，还有一些相关研究，如《A survey on time series data mining》、《Causal inference in time series analysis》等。