本稿では、時間系列データの背後にある階層的な潜在動態をモデル化することの重要性を論じています。従来の時間因果表現学習手法は、単一の観測変数から階層的潜在変数の共同分布を復元できないという課題を抱えています。本研究では、3つの条件独立な観察を使用することで、階層的潜在変数の共同分布を一意に特定できることを発見しました。この知見に基づき、Causally Hierarchical Latent Dynamic（CHiLD）特定フレームワークを提案します。本アプローチでは、時間的文脈観測変数を用いて多層潜在変数の共同分布を特定し、階層構造の自然なスパース性を活かして各層の潜在変数を同定します。また、理論的結果に導かれた時系列生成モデルを開発し、従来のノイズ条件を課すために階層的事前ネットワークを取り入れています。実験的評価を通じて、理論的主張の検証とCHiLDが階層的潜在動態を効果的にモデル化できることが示されました。