CLARE：一种用于弹性估计的因果机器学习方法（英）

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），该指数基于影响评估框架和应用于纵向家庭调查数据的因果机器学习算法。CLARE 指数具有模型无关性、数据驱动性、可扩展性，并规范地锚定在福祉阈值上，可以是针对特定冲击的或通用韧性指标。论文使用来自马拉维、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，这些调查由世界银行生活标准测量研究项目支持。研究以衡量对干旱的韧性为中心，但该指数适用于任何类型的冲击。分析表明，CLARE 在预测食物不安全方面优于现有的韧性指标和替代方法——无论是在未来（动态预测）还是在留出的国家（横截面预测）。该指数可以分解为因果识别可以保护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和中长期投资中得到应用。CLARE 的部署——与继续投资于国家纵向调查平台相结合——可以提高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 的主要贡献是向韧性实践者工具箱引入了一种新的韧性指标，该指标足够灵活，可以应用于不同的冲击和实证环境。CLARE 被构想为中介冲击和发展结果的解释变量，并估计为连续指标。然而，CLARE 也可以产生二元指标来将家庭分类为“有韧性”或“无韧性”，这可能更便于政策定位。它具有内部一致性，并且按设计锚定在福祉阈值或标准上，与另一个关键的韧性定义一致：“即使在面临冲击和压力的情况下，也能实现并维持可接受水平的福祉的能力”（Barrett & Constas，2014）。因此，CLARE 也可以用作针对和评估目的的结果变量。更广泛地说，我们为有关多维福祉指数汇总的文献做出了贡献。这些指数经常因为将单个成分组合成复合指标所涉及的任意选择而受到批评（Duclos 等人，2006 年）。在这种情况下，本工作中概述的从事后评估中得出的数据驱动权重可以为汇总复合指标提供一种更客观的方法，而不仅仅是韧性。