CLARE：一种用于弹性估计的因果机器学习方法

本文提出了一种新的韧性指数——CLARE（基于因果机器学习的韧性估计方法），该指数基于冲击评估框架和因果机器学习算法，应用于纵向家庭调查数据。CLARE 指数具有以下特点：模型无关、数据驱动、可扩展，并规范地锚定福祉阈值，可以是针对特定冲击的或通用韧性指标。文章使用来自马拉维、尼日利亚、坦桑尼亚和乌干达的 19 个全国代表性、纵向、多主题调查数据（2009-2020 年）进行实证演示，这些数据由世界银行生活标准测量研究项目支持。虽然文章以衡量对干旱的韧性为中心，但所提出的指数适用于任何类型的冲击。分析表明，CLARE 在预测未来（动态预测）和排除国家（横截面预测）的食品不安全方面均优于现有的韧性指标和替代方法。该指数可以分解为因果识别可以隔绝人群免受冲击的韧性能力的相对重要性。因此，它可以在设计、定位和监测旨在加强韧性的政策 và 投资中发挥作用。CLARE 的部署——与继续投资于国家纵向调查平台——可以提高早期预警系统和韧性建设干预措施的有效性，同时允许将韧性政策建议从数据丰富的环境转移到可能无法立即提供指数估计所需纵向调查数据的数据贫乏环境。 CLARE 的构建涉及三个 sequential 步骤：（1）估计，(2) 聚合，和 (3) 评估。首先，使用因果机器学习技术估计韧性子成分在驱动结果和冲击之间的关系中的数据驱动重要性权重，以及冲击下家庭特定条件概率低于规范福祉阈值。其次，将重要性权重和条件概率聚合到最终的 CLARE 指标中。最后，使用保留数据对预测性能进行评估。文章使用因果森林作为具体的技术，但 CLARE 并不局限于任何特定方法。文章使用来自世界银行生活标准测量研究项目的纵向调查数据，对四个撒哈拉以南非洲国家的干旱韧性进行了实证应用。结果表明，CLARE 在预测食品不安全方面表现出良好的样本外性能，无论是在未来（动态预测）还是在排除国家（横截面预测）中。在所有这些任务中，CLARE 始终优于 Upton 等人（2022 年）研究中表现最佳的韧性指标——Cissé 和 Barrett（2018 年）基于条件矩方法的经验参数规范——以及其他现有的韧性指标和替代方法。CLARE 的稳健性能在多个天气冲击数据集和替代的韧性成分集中得到证实。