Estimating Causal Effects Under Image Confounding Bias with an Application to Poverty in Africa
图像混杂偏差下的因果效应估计及非洲贫困应用AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要直接讨论图像混杂下政策处理效应的识别与估计，属于因果推断。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
图像混杂偏差下的因果效应估计及非洲贫困应用
- 研究问题
- 当处理与结果共同受到图像中的对象或模式影响，而这些因素没有单独标签时，如何利用图像调整混杂并识别政策干预的因果效应？
- 方法与思路
- 作者形式化图像混杂问题，讨论识别与估计的充分条件，并通过机器学习估计图像混杂、实施倾向调整，辅以模拟和卫星图像贫困应用。
- 材料陈述的贡献
- 摘要称，研究给出处理图像混杂的框架与充分条件，分析有限样本表现及图像机制误设敏感性，并用于估计非洲社区政策干预的贫困效应。
- 阅读关注点
- 应核对图像信息足以调整混杂的具体条件、倾向估计与调整步骤，以及机制误设实验；应用部分还需检查处理定义、时间顺序和结果测量。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实。摘要未列明充分条件、具体政策或效应数值，不能据此断言图像能够消除所有未观测混杂。
原文摘要
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.