基于地球观测数据的随机对照试验中的效应异质性：探讨数据、模型与评估指标选择的作用

许多社会和环境现象与建成环境的宏观变化相关，satellite imagery 全球覆盖且具有日常时间分辨率。虽然这些图像广泛用于预测，但尤其是图像序列在因果推断中仍被严重 underutilize，尤其是在随机对照试验(RCT)中，因果识别通过设计得以确立。在本文中，我们开发并比较了一套用于从时序卫星数据估计条件平均处理效应(Conditional Average Treatment Effects, CATE)的通用工具，可应用于任何提供地理标识符的RCT。通过模拟研究，我们分析了不同建模策略用于估计CATE的序列卫星图像。我们发现，参数更多的图像序列表示模型通常更能检测异质性。为探讨模型和数据选择在实际中的作用，我们将方法应用于两个具有影响力的RCT——Banerjee 等人(2015)，一项在秘鲁库斯科的贫困研究，以及 Bolsen 等人(2014)，一项在美国乔治亚州的水资源 conservation 实验。我们将图像序列模型与图像-only、tabular-only 和组合 image-tabular 数据源进行基准测试，总结出面向研究者的实践意义。土地覆盖分类有助于解释哪些图像特征驱动了异质性。我们还展示了针对原地理区域之外更大范围地理区域的卫星数据RCT结果的鲁棒性。总体而言，本文表明卫星序列数据如何被纳入RCT分析之中，并提供关于数据、模型和评估指标选择对因果分析影响的证据。