将地球观测数据整合进因果推断：挑战与机遇
机器学习
2023-01-31 v1 机器学习
应用统计
摘要
观测性研究需要调整与处理变量和结果均相关的混杂因素。在观测变量为表格量（如社区平均收入）的情形下，已开发工具处理此类混杂。然而在发展中国家许多地区，关于地方社区的特征可能稀缺。在此背景下，卫星影像可发挥重要作用，作为原本未观测混杂变量的代理。本文研究这一非表格设定下的混杂调整，其中卫星图像中的模式或对象导致混杂偏差。以非洲扶贫援助项目评估为运行实例，我们形式化用此类非结构化数据做因果调整的挑战——识别因果效应需何种充分条件、如何估计、以及如何量化非结构化图像对象的某些方面对处理决策最具预测性的方式。通过模拟，我们还探讨基于卫星图像的观测推断对图像分辨率及图像相关混杂因素设定错误的敏感性。最后，我们将这些工具应用于从卫星影像估计非洲社区扶贫干预的效果。
引用
@article{arxiv.2301.12985,
title = {Integrating Earth Observation Data into Causal Inference: Challenges and Opportunities},
author = {Connor T. Jerzak and Fredrik Johansson and Adel Daoud},
journal= {arXiv preprint arXiv:2301.12985},
year = {2023}
}
备注
arXiv admin note: substantial text overlap with arXiv:2206.06410