우리는 정적 체제(static regimes) 하의 무작위 실험(randomized experiments)에서 종단적 처치 효과(longitudinal treatment effects)를 추정하기 위해 설계된 회귀 조정(regression-adjustment) 프레임워크를 제시합니다. 회귀 조정 방법은 처치 전 공변량(pre-treatment covariates)을 사용하여 무작위 실험의 분산 감소(variance reduction)에 유용하지만, 대개 평균 효과(average effects)에만 집중하기 때문에 효과가 언제 나타나고 얼마나 오래 지속되는지에 대한 가치 있는 통찰을 얻을 수 없습니다. 이 문제를 해결하기 위해, 우리는 중간 결과(intermediate outcomes)와 시간에 따라 진화하는 처치 후 공변량(post-treatment covariates)을 고려하며, 이러한 동적 궤적(dynamic trajectories)을 전이 커널(transition kernels)을 사용하여 표현합니다. 나아가, 우리는 더 강력한 통계적 추론(statistical inference)을 가능하게 하기 위해 우리 추정량(estimator)의 점근적 정규성(asymptotic normality)과 준모수적 효율성 경계(semiparametric efficiency bound)를 확립합니다. 시뮬레이션 연구와 일본의 스트리밍 플랫폼에서 얻은 A/B 테스트 데이터를 사용한 실증 분석은 우리 방법의 실질적인 이점을 보여줍니다.