深度分析
DCNAR：結合神經自迴歸與結構先驗的動態因果推論新框架
現有動態因果模型多假設結構已知，DCNAR 透過神經因果發現先學得稀疏有向網路，再作為結構先驗進行時變自迴歸，實驗顯示其衝擊回應與反事實軌跡更穩定且具解釋性。在139國、35年面板資料上，DCNAR 的預測與傳統模型相當，但在衝擊回應的一致性與跨國差異解釋上明顯優於係數式或無結構模型。
深度分析
現有動態因果模型多假設結構已知，DCNAR 透過神經因果發現先學得稀疏有向網路，再作為結構先驗進行時變自迴歸，實驗顯示其衝擊回應與反事實軌跡更穩定且具解釋性。在139國、35年面板資料上，DCNAR 的預測與傳統模型相當，但在衝擊回應的一致性與跨國差異解釋上明顯優於係數式或無結構模型。
深度分析
研究警示多數時變因果模型假定已知因果網路，實務罕見。本文提出DCNAR：以神經自迴歸發現稀疏有向結構，將其作為時變網路自迴歸的結構先驗。實驗顯示在未知結構下，DCNAR能產生穩定且可解釋的脈衝反應與反事實軌跡，並在短序列面板資料展示一致行為，對社會科學與政策模擬具實務價值。