鉴于时间序列隶属单一个体的特征，Slutzky（1927）和Frisch（1933）率先将宏观经济政策的动态因果效应定义为政策干预随时间推移在经济系统中的传播效应。并且，Robins（1986）提出利用政策的潜在结果路径取代Rubin的平均处理效应，以研究经济政策的动态因果效应。事实上，Sims（1980）指出VAR模型不同于传统的回归模型，通常并不关注一个内生变量对另一个内生变量的影响，而侧重于分析误差项发生变化时对系统内生变量的动态影响。尤其，对于根据欧拉等式、泰勒规则和菲利普斯曲线等经济理论或金融理论建立的SVAR模型，在适当的结构识别约束下，SVAR模型的随机误差项捕捉了经济系统的结构性冲击。于是，SVAR模型的脉冲效应函数反映了某一期一个结构性冲击对经济系统内生变量当期及其滞后各期的影响，即内生变量的动态变化路径。显然，SVAR模型的脉冲响应函数量化了Robins（1986）的潜在结果路径，以及Slutzky（1927）和Frisch（1933）所界定的动态因果效应。因此，Angrist&Kuersteiner（2011）、Ramey（2016）、Plagborg Moller（2016）和Stock&Watson（2017）等指出Sims（1980）提出的脉冲响应函数测度了时间序列的动态因果关系，SVAR和SVEC等结构时间序列模型为研究宏观经济学的数量关系和经济政策的因果效应提供了一种有效的方法。

实际上，类比于微观经济学的Rubin潜在结果框架，Bernanke et al.（1997）和Sims&Zha（2006）在SVAR模型基础上提出了一种宏观经济学的“反事实”分析模式。该方法首先设定了两个SVAR模型，假设在原模型中只有政策变量对另一内生变量做出当期的反应，而在关闭模型中政策变量对该内生变量不会做出当期的反应，即将该内生变量的当期及滞后项系数为零。然后，根据SVAR模型关闭前后该变量关于政策冲击的动态效应（比如脉冲响应函数、累积脉冲响应函数和预测误差的方差分解等）是否存在显著差异推断该内生变量对政策的动态效应是否具有重要影响。例如，Kilian&Lewis（2011）利用这种方法研究了石油价格冲击对美联储货币政策效应的影响，李永友（2012）使用“反事实”脉冲响应函数研究发现市场信心对中国财政政策乘数效应具有重要影响。但是，Adam（2009）、Benati&Surico（2009）和Benati（2010）等文献对这种宏观经济学的“反事实”分析方法的可靠性表示质疑。并且，Stock&Watson（2018）将宏观经济冲击描述为在宏观经济系统中产生“意料之外”的非预期结构扰动，发现了估计SVAR模型脉冲响应函数的LP-IV方法和SVAR-IV方法。(www.daowen.com)

另外，Angrist&Kuersteiner（2004，2011）将Rosenbaum&Rubin（1983）提出的倾向得分方法应用于Granger非因果检验和Sims非因果检验中，提出基于倾向得分的半参数条件独立性检验，并提出了使用有序Probit模型倾向得分的半参数条件独立性检验推断政策冲击对结果变量的动态效应。但是，倾向得分半参数条件独立性检验只能推断政策处理效应的存在性，给出政策冲击对结果变量做出显著响应的时间，而不能估计政策干预的因果效应。Angrist et al.（2018）还提出了利用逆概率加权方法计算政策的动态因果效应，并利用该方法评估了美国货币政策在大萧条前后的影响。