Estimating Causal Effects Under Image Confounding Bias with an Application to Poverty in Africa

要約

因果関係の観察研究には、交絡因子の調整が必要です。
これらの要因が明確に定義された別の確率変数である表形式の設定では、交絡の影響がよく理解されています。
ただし、公共政策、生態学、および医学では、画像 (地図、衛星画像、トモグラフィー画像など) で検出されたパターンまたはオブジェクトによって情報を得て、表形式以外の設定で意思決定が行われることがよくあります。
このような画像を因果推論に使用すると、画像内のオブジェクトが関心のある治療や結果に関連している可能性があるため、機会が得られます。
これらの場合、交絡を調整するために画像に依存しますが、観察されたデータは重要なオブジェクトの存在を直接ラベル付けしません。
実際のアプリケーションに動機付けられて、この課題、それを処理する方法、および因果関係を特定して推定するのに十分な条件を形式化します。
シミュレーション実験を使用して有限サンプルのパフォーマンスを分析し、機械学習モデルを使用して画像の交絡を推定する傾向調整アルゴリズムを使用して効果を推定します。
私たちの実験では、画像パターンメカニズムの誤指定に対する感度も調べます。
最後に、方法論を使用して、衛星画像からアフリカのコミュニティの貧困に対する政策介入の効果を推定します。

要約(オリジナル)

Observational studies of causal effects require adjustment for confounding factors. In the tabular setting, where these factors are well-defined, separate random variables, the effect of confounding is well understood. However, in public policy, ecology, and in medicine, decisions are often made in non-tabular settings, informed by patterns or objects detected in images (e.g., maps, satellite or tomography imagery). Using such imagery for causal inference presents an opportunity because objects in the image may be related to the treatment and outcome of interest. In these cases, we rely on the images to adjust for confounding but observed data do not directly label the existence of the important objects. Motivated by real-world applications, we formalize this challenge, how it can be handled, and what conditions are sufficient to identify and estimate causal effects. We analyze finite-sample performance using simulation experiments, estimating effects using a propensity adjustment algorithm that employs a machine learning model to estimate the image confounding. Our experiments also examine sensitivity to misspecification of the image pattern mechanism. Finally, we use our methodology to estimate the effects of policy interventions on poverty in African communities from satellite imagery.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google