在图像混杂偏倚下估计因果效应及其在非洲贫困问题中的应用

因果效应的观测性研究需要对混杂因素进行调整。在表格化设定中，这些因素是定义良好的独立随机变量，混杂的影响已被充分理解。然而，在公共政策、生态学和医学中，决策常常在非表格化设定下做出，依据的是图像（如地图、卫星或断层扫描图像）中检测到的模式或对象。利用此类图像进行因果推断提供了一个机会，因为图像中的对象可能与感兴趣的处理和结果相关。在这些情况下，我们依赖图像来调整混杂，但观测数据并不直接标注重要对象的存在。受真实世界应用驱动，我们形式化了这一挑战、其应对方式，以及识别和估计因果效应所需的充分条件。我们使用模拟实验分析了有限样本性能，采用一种利用机器学习模型估计图像混杂的倾向调整算法来估计效应。我们的实验还检验了对图像模式机制设定错误的敏感性。最后，我们利用该方法从卫星图像估计非洲社区政策干预对贫困的效应。