重加权的对抗变分自编码器及其在工业因果效应估计中的应用

反事实预测和选择偏差是因果效应估计中的重大挑战。为对潜在协变量的复杂混杂分布进行有效表征,同时增强反事实预测泛化能力,提出一种面向工业因果效应估计应用的重加权对抗变分自编码器网络(RVAENet)模型。针对混杂分布去偏问题,借鉴域适应思想,采用对抗学习机制对由变分自编码器(VAE)获得的隐含变量进行表示学习的分布平衡;在此基础上,通过学习样本倾向性权重对样本进行重加权,进一步缩小实验组(Treatment)与对照组(Control)样本间的分布差异。实验结果表明,在工业真实场景数据集的两个场景下,所提模型的提升曲线下的面积(AUUC)比TEDVAE(Treatment Effect with Disentangled VAE)分别提升了15.02%、16.02%;在公开数据集上,所提模型的平均干预效果(ATE)和异构估计精度(PEHE)普遍取得最优结果。

气候变化对中国粮食生产的影响——基于县级面板数据的实证分析

本文基于1996～2009年中国县级层面农作物产量、灌溉、气象和社会经济数据，并结合不同地区农作物的生长周期，采用经济学方法，考察了气候变化对中国水稻和小麦生产的影响。研究发现：气温、降水和日照等气候变量对中国水稻和小麦单产的影响都存在“先增后减”的非线性关系，存在最优拐点。预计到本世纪中期，气候条件将越过最优拐点，对中国水稻和小麦生产产生明确的负面影响；不仅如此，由于非线性关系的存在，气候变化在未来的长期危害将会急剧增大。到本世纪末，气候变化将导致中国水稻单产降低2％～16％、小麦单产降低3％～19％。这意味着，需要及早出台更为积极有效的气候政策，才能有效减轻气候变化对中国粮食生产的不利影响。