Deep Causal Inference for Point-referenced Spatial Data with Continuous Treatments

要約

空間データの因果推論は、特に高次元の入力を処理する場合に困難になることがよくあります。
これに対処するために、空間干渉と観測されない交絡を管理するために、近似ガウス プロセスと統合されたニューラル ネットワーク (NN) ベースのフレームワークを提案します。
さらに、継続的な治療による因果関係を推定する際に、部分的に観察された結果に対処するために、一般化された傾向スコアに基づくアプローチを採用しています。
私たちは、衛星画像から推定された合成、半合成、および実世界のデータを使用してフレームワークを評価します。
私たちの結果は、因果効果の推定において、NN ベースのモデルが線形空間回帰モデルよりも大幅に優れていることを示しています。
さらに、現実世界のケーススタディでは、NN ベースのモデルは因果関係のより合理的な予測を提供し、関連するアプリケーションでの意思決定を容易にします。

要約(オリジナル)

Causal reasoning is often challenging with spatial data, particularly when handling high-dimensional inputs. To address this, we propose a neural network (NN) based framework integrated with an approximate Gaussian process to manage spatial interference and unobserved confounding. Additionally, we adopt a generalized propensity-score-based approach to address partially observed outcomes when estimating causal effects with continuous treatments. We evaluate our framework using synthetic, semi-synthetic, and real-world data inferred from satellite imagery. Our results demonstrate that NN-based models significantly outperform linear spatial regression models in estimating causal effects. Furthermore, in real-world case studies, NN-based models offer more reasonable predictions of causal effects, facilitating decision-making in relevant applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google