Quais as principais diferenças entre um modelo causal e um modelo de séries temporais?
Passo 1
Vamos resumir o que a questão pede e quais são os conceitos envolvidos. A pergunta quer as principais diferenças entre um modelo causal (que estuda efeitos de intervenções e relações de causa-efeito) e um modelo de séries temporais (que trata de dependência ao longo do tempo e previsão de valores futuros). Para responder, vamos usar conceitos de inferência causal (equações estruturais, variáveis de confusão, intervenções) e de modelagem de séries temporais (processos autoregressivos, estacionariedade, previsão).
Passo 2
Compare o objetivo de cada abordagem.
– No modelo causal, o foco é responder perguntas do tipo “o que acontece em se eu intervenho em
?”. Aqui usamos ideias de variáveis exógenas, contrafactual e identifiability.
– No modelo de séries temporais, o foco é estudar como o próprio histórico de uma única variável (ou de várias) pode prever valores futuros de si mesma; o objetivo é fazer forecast e capturar dependência temporal.
– No modelo causal, o foco é responder perguntas do tipo “o que acontece em
– No modelo de séries temporais, o foco é estudar como o próprio histórico de uma única variável (ou de várias) pode prever valores futuros de si mesma; o objetivo é fazer forecast e capturar dependência temporal.
Passo 3
Analise a estrutura matemática típica.
– Em causal inference usamos equações estruturais ou DAGs (Directed Acyclic Graphs), por exemplo
– Em causal inference usamos equações estruturais ou DAGs (Directed Acyclic Graphs), por exemplo
onde
é ruído, e precisamos garantir que
não esteja correlacionado com
para interpretar
como efeito causal.
– Em séries temporais modelamos algo como um processo AR( ):
– Em séries temporais modelamos algo como um processo AR(
onde
é ruído branco, e o parâmetro
reflete dependência temporal, não intervenção.
Passo 4
Liste os pressupostos e como se valida cada modelo.
– No causal, pressupomos ignorabilidade (não há confounders não medidos) ou usamos variáveis instrumentais para identificar o efeito, e validamos com testes de balanceamento e placebo.
– Em séries temporais, pressupomos estacionariedade (média e variância constantes ao longo do tempo), ausência de autocorrelação nos resíduos e validamos com ACF/PACF, testes de raiz unitária e backtesting de previsão.
– No causal, pressupomos ignorabilidade (não há confounders não medidos) ou usamos variáveis instrumentais para identificar o efeito, e validamos com testes de balanceamento e placebo.
– Em séries temporais, pressupomos estacionariedade (média e variância constantes ao longo do tempo), ausência de autocorrelação nos resíduos e validamos com ACF/PACF, testes de raiz unitária e backtesting de previsão.
Passo 5
Mostre as principais aplicações e formas de validação.
– Modelos causais aplicam-se em políticas públicas, medicina (Efeito de um remédio), economia (impacto de uma lei) e usam experimentos controlados ou dados observacionais ajustados.
– Séries temporais aplicam-se em previsão de vendas, temperatura, mercado financeiro e usam métricas como RMSE, MAE e curvas de previsão versus observado.
– Modelos causais aplicam-se em políticas públicas, medicina (Efeito de um remédio), economia (impacto de uma lei) e usam experimentos controlados ou dados observacionais ajustados.
– Séries temporais aplicam-se em previsão de vendas, temperatura, mercado financeiro e usam métricas como RMSE, MAE e curvas de previsão versus observado.
Resposta
Principais diferenças:
– Causal: estimar efeito de uma intervenção em
– Séries temporais: prever valores futuros de
– Causal: equações estruturais ou DAGs, variáveis exógenas e contrafactuais.
– Séries: processos estocásticos (AR, MA, ARIMA), foco em dependência temporal.
– Causal: ignorabilidade, ausência de confounding, exogeneidade e validação com experimentos ou instrumentos.
– Séries: estacionariedade, ruído branco nos resíduos, validado por ACF/PACF e testes de raiz unitária.
– Causal: testes de balanceamento, placebo, análise contrafactual.
– Séries: backtesting de forecast, métricas de erro (RMSE, MAE), análise de resíduos.