Interrupted Time Series และ Segmented Regression
เรียนรู้ว่า interrupted time series ประมาณการเปลี่ยนแปลงของระดับและ slope อย่างไร เหตุใด baseline trends และ autocorrelation จึงสำคัญ และ controlled designs ช่วยให้การวิเคราะห์ event ทางการเงินแข็งแรงขึ้นอย่างไร
คำตอบโดยตรง
Interrupted time series เปรียบเทียบ path ที่สังเกตได้หลัง intervention ซึ่งมีเวลาชัดเจน กับ path ที่ project จาก pretreatment observations หลายครั้ง Segmented regression สามารถประมาณ immediate level change และการเปลี่ยน trend ได้ แต่ causal claim ต้องการมากกว่าการเห็น break ไม่ควรมี concurrent shock อื่นอธิบาย timing ได้ pretrend ต้องให้ counterfactual ที่น่าเชื่อถือ และต้อง model หรือ rule out seasonality, autocorrelation, anticipation, changing composition และ measurement breaks
Path เดิมกลายเป็น counterfactual
Interrupted time series เริ่มจาก observations หลายรายการก่อนและหลัง intervention ไม่ใช่เพียง before-after pair เดียว
Series ก่อน intervention ใช้ประมาณว่าระดับและ trend จะดำเนินต่อไปอย่างไรหากไม่มี intervention ความเบี่ยงเบนหลัง treatment วัดเทียบกับ path ที่ project ไว้
Design นี้แข็งแรงที่สุดเมื่อวัน intervention รู้จากภายนอก outcome วัดอย่างสม่ำเสมอ และ trajectory ก่อนหน้ามีเสถียรภาพพอให้ extrapolate
Segmented regression แยกการเปลี่ยนแปลงสองแบบ
Basic model รวม time, indicator ที่เปิดเมื่อถึง intervention และเวลาที่ผ่านไปนับจาก intervention
Intervention indicator ประมาณ immediate level jump ส่วน post-intervention time term ประมาณการเปลี่ยน slope เทียบกับ baseline
ที่ horizon หลังจากนั้น effect ที่ implied จะรวม level change กับ slope change ที่สะสม การรายงาน coefficient เดียวอาจซ่อน path ที่มีความหมายทางเศรษฐกิจ
รูปร่างของ interruption ต้องตรงกับ mechanism
Trading rule อาจมีผลข้ามคืน แต่ compliance reform อาจค่อย ๆ phase in Step, ramp, lag หรือ temporary pulse สื่อเรื่องราวของ intervention ที่ต่างกัน
Anticipation ก่อนวันที่เป็นทางการอาจทำให้ sharp indicator ทำให้เข้าใจผิด ควรแยกวัน announcement, adoption และ enforcement
การเลือก breakpoint หรือ impact shape หลังดู outcome แล้วทำให้ fit ดูเกินจริง ควรให้เหตุผลของ timeline และ primary specification ก่อน estimation
Time dependence เปลี่ยน uncertainty
Observations ที่อยู่ติดกันมัก share shocks ดังนั้น independent errors แบบธรรมดาจึงให้ confidence intervals ที่แคบเกินไป
Residual plots และ autocorrelation diagnostics ควรชี้นำ error model หรือ robust time-series uncertainty ความถี่ที่มากขึ้นไม่ได้สร้าง independent evidence โดยอัตโนมัติ
Seasonality, holidays, changing volatility, outliers และ nonstationary trends อาจดูเหมือน intervention การ model สิ่งเหล่านี้ต้องใช้ economic reasoning ร่วมกับ statistical tests
Concurrent shocks คือ causal threat หลัก
Event อื่นที่เริ่มใกล้ intervention สามารถอธิบาย level หรือ slope break เดียวกันได้ Macro news และ rules ที่เริ่มพร้อมกันอันตรายเป็นพิเศษใน finance
Measurement และ composition ที่คงที่ก็สำคัญ Vendor change, listing universe ใหม่ หรือ spread definition ที่แก้ไขแล้วอาจสร้าง discontinuity เทียม
Regression to the mean เป็นความเสี่ยงอีกอย่างเมื่อ intervention เกิดตาม extreme outcome Preperiod ที่ยาวขึ้นช่วยให้เห็นว่าการกลับตัวแบบเดียวกันเคยเกิดก่อนหรือไม่
Control series ช่วยให้ design แข็งแรงขึ้นได้
Controlled interrupted time series เพิ่ม comparison series ที่ไม่ได้รับผลกระทบและเจอ common shocks เดียวกัน Estimand กลายเป็น difference in interruptions
Comparison ต้อง share baseline forces แต่ไม่โดน treatment, anticipation หรือ spillovers โดยตรง Benchmark ที่ปนเปื้อนอาจหักส่วนหนึ่งของ true effect ออก
Multiple controls หรือ synthetic comparison อาจเพิ่มความน่าเชื่อถือ แต่ pretreatment co-movement ที่ดีและการเลือกอย่างโปร่งใสยังจำเป็น
Applications ทางการเงินต้องมีบริบทตลาด
การเปลี่ยน tick-size, short-sale restriction, disclosure deadline หรือ exchange-system upgrade อาจศึกษาได้ผ่าน spreads, volume หรือ volatility ตามเวลา
Intraday frequency ให้จุดข้อมูลมาก แต่ยังมี microstructure dependence, day-of-week patterns และ overlapping news Sample size ไม่เท่ากับ identification
กำหนด unit, frequency, horizon, intervention dates, expected response shape และ competing events ก่อนตีความ break ว่าเป็น policy effect
Sensitivity ทำให้ break กลายเป็นหลักฐาน
ใช้ placebo dates, alternative reasonable windows, trend forms, seasonal controls และ autocorrelation structures ทดสอบว่า extreme day เดียวเป็นตัวขับ estimate หรือไม่
รายงาน level change, slope change, effects ที่ meaningful horizons, residual checks และทั้ง observed กับ counterfactual paths พร้อม uncertainty
ถ้าหลายวันที่เป็นไปได้แสดง break คล้ายกัน หรือผลหายไปหลัง model concurrent shock แล้ว causal conclusion ก็ควรอ่อนลงตามนั้น
คำถามที่พบบ่อย
Interrupted time series เป็นแค่ before-after study หรือไม่?
ไม่ มันใช้ observations ซ้ำหลายครั้งเพื่อประมาณ baseline level และ trend แทนการพึ่ง observation เดียวในแต่ละด้าน
Level change กับ slope change ต่างกันอย่างไร?
Level change คือ jump ทันที ส่วน slope change เปลี่ยนอัตราที่ outcome วิวัฒน์ต่อจากนั้น
ทำไมต้อง model autocorrelation?
Observations ใกล้กัน share shocks ดังนั้นการถือว่าเป็นอิสระมักประเมิน uncertainty ต่ำกว่าความจริง
เพิ่ม control series แล้วแก้ทุกปัญหาไหม?
ไม่ มันช่วยเรื่อง shared shocks ได้ก็ต่อเมื่อ control เทียบเคียงได้และยังไม่ถูกกระทบจาก treatment หรือ spillovers