Weather2vec：面向空气污染与气候研究中非局部混杂的因果推断表示学习
机器学习
2022-12-13 v2 应用统计
机器学习
摘要
估计空间变化干预对空间变化结果的因果效应可能受到非局部混杂（NLC）的影响，当给定单元的处理与结果部分地由其他邻近单元的协变量决定时，该现象会使估计产生偏倚。特别地，NLC 是评估环境政策与气候事件对空气污染暴露等健康相关结果影响时的一大挑战。本文首先使用潜在结果框架形式化 NLC，并提供其与相关现象因果干扰的比较。随后，提出一个广泛适用的框架，称为“weather2vec”，它利用平衡分数理论将非局部信息学习为定义于每个观测单元的标量或向量表示，继而与因果推断方法结合用于调整混杂。该框架在一个模拟研究及两个以天气为（固有的区域性）已知混杂因子的空气污染案例研究中得到评估。
引用
@article{arxiv.2209.12316,
title = {Weather2vec: Representation Learning for Causal Inference with Non-Local Confounding in Air Pollution and Climate Studies},
author = {Mauricio Tec and James Scott and Corwin Zigler},
journal= {arXiv preprint arXiv:2209.12316},
year = {2022}
}