社交媒体数据用于人口映射：解决代表性与隐私挑战的贝叶斯方法

准确且及时的 population 数据对于灾害响应和人道主义规划至关重要，但传统人口普查往往无法捕捉快速的人口变化。社交媒体数据为动态人口监测提供了有前景的替代方案，但其代表性仍不为人所 understanding，且严格的隐私要求限制了其可靠性。本文在菲律宾的背景下，通过将 Facebook 用户计数与该国 2020 年人口普查图谱进行校准来解决这些限制。首先，我们发现差分隐私技术常用于社交媒体基于人口的数据集在低人口密度地区产生不成比例的掩盖。为此，我们提出一种贝叶斯插值方法来恢复遗漏值，恢复 5.5% 的农村地区的数据覆盖率。进一步地，利用插值后的社交媒体数据并结合城市化水平、人口构成和社会经济状况等预测因子，我们开发了一个用于预测每个地区 Facebook 用户比例的统计模型，该模型将观察到的 Facebook 用户数字与真实人口水平相关联。离样本验证显示结果具有强大的概括性，城市和农村 Facebook 用户比例的误差分别约为 18% 和 24%。我们进一步表明，考虑数据中的离散性和空间相关性对于获取准确估计和适当的可信区间至关重要。关键是，随着预测因子随时间变化，模型可用于定期更新人口预测，为基于普查的估计提供动态补充。这些结果直接影响灾害易发地区的人道主义响应，并为利用偏性社交媒体信号生成可靠且及时的 population 数据提供了通用框架。