Planetary Causal Inference: Implications for the Geography of Poverty

要約

衛星画像のような地球観測データは、機械学習と組み合わせることで、特に政府由来の経済指標が利用できなかったり、信頼できない可能性がある場合に、生活状況の予測を通じて、貧困の地理的理解に対して広範囲な影響を与えることができる。最近の研究では、地球観測（EO）データを用いて、空間的な経済結果を予測するだけでなく、因果関係を探ることも進んでいる。このレビューでは、まず衛星画像とEOデータを因果分析に利用することへの関心が高まっていることを記録する。次に、空間統計学と機械学習手法の関係を追跡した後、因果関係の機械学習パイプラインでEOデータが使用されている4つの方法–(1.)下流の因果関係分析のための貧困結果インピュテーション、(2.)EO画像のデコンファウンディング、(3.)EOベースの治療効果不均一性、(4.)EOベースの輸送可能性分析–について議論する。最後に、研究者が今後どのように因果関係ML分析にEOデータを取り入れることができるのか、データ、モデル、評価指標の主な選択について概説し、ステップバイステップのワークフローを提供する。

要約(オリジナル)

Earth observation data such as satellite imagery can, when combined with machine learning, can have far-reaching impacts on our understanding of the geography of poverty through the prediction of living conditions, especially where government-derived economic indicators are either unavailable or potentially untrustworthy. Recent work has progressed in using Earth Observation (EO) data not only to predict spatial economic outcomes but also to explore cause and effect, an understanding which is critical for downstream policy analysis. In this review, we first document the growth of interest in using satellite images together with EO data in causal analysis. We then trace the relationship between spatial statistics and machine learning methods before discussing four ways in which EO data has been used in causal machine learning pipelines — (1.) poverty outcome imputation for downstream causal analysis, (2.) EO image deconfounding, (3.) EO-based treatment effect heterogeneity, and (4.) EO-based transportability analysis. We conclude by providing a step-by-step workflow for how researchers can incorporate EO data in causal ML analysis going forward, outlining major choices of data, models, and evaluation metrics.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL