基于机器学习的贫困地图中的空间异质性：模型在哪里表现不佳？

本文研究了基于机器学习的贫困地图在空间异质性方面的表现，探讨了模型在哪些情况下表现不佳。研究发现，由于空间异质性，模型在应用于未调查地区时，往往高估了贫困地区、农村地区和单一产业经济体的福利水平，而低估了富裕地区、城市地区和多元化经济体的福利水平。尽管空间模型提高了整体预测精度，但在服务不足地区的改进仍然有限。

研究使用了来自埃塞俄比亚、乌干达、坦桑尼亚和马拉维四个东非国家的数据，包括每日人均消费支出和国际财富指数。研究比较了多种模型，包括普通最小二乘法（OLS）、地理加权回归（GWR）、岭回归（RR）、地理加权岭回归（GWRR）和地理加权随机森林（GWRF）。此外，研究还探索了特征空间加权随机森林（FSWRF）在预测外推情况下的表现。

研究结果表明，空间模型在插值情况下可以提高预测精度，但在外推情况下，模型的改进有限。研究还发现，变量关系和模型拟合优度在不同地区存在差异，这表明需要更具针对性的分析和更好的训练数据以及遥感代理。研究强调，需要进一步研究空间异质性对基于机器学习的贫困地图的影响，以实现更准确的预测和干预。