Abstract

We provide a proof-of-concept for a novel state-space modelling approach for predicting monthly deaths due to political violence. Attention is focused on developing the method and demonstrating the utility of this approach, which provides exciting opportunities to engage with domain experts in developing new and improved state-space models for predicting violence. The prediction is made on a grid of cells with spatial resolution of 0.5 × 0.5 degrees, and each cell is modeled to have two mathematically well-defined unobserved/latent/hidden states that evolves over time and encode the “onset risk” and “potential severity”, respectively. This offers a certain level of interpretability of the model. By using the model for computing the probability distribution for a death count at a future time conditioned on all data observed up until the current time, a predictive distribution is obtained. The predictive distribution typically places a certain mass at the death count 0 (no violent outbreak) and the remaining mass indicating a likely interval of the fatality count, should a violent outbreak appear. To evaluate the model performance we—lacking a better alternative—report the mean of the predictive distribution, but the access to the predictive distribution is in itself an interesting contribution to the application. This work merely serves as a proof-of-concept for the state-space modeling approach for this type of data and several possible directions for further work that could improve the predictive performance are suggested.

摘要

我们为一种新颖的状态空间建模方法提供了概念验证，用于预测每月因政治暴力而导致的死亡人数。注意力集中在开发该方法并展示该方法的实用性，这为与领域专家合作开发用于预测暴力的新的和改进的状态空间模型提供了令人兴奋的机会。预测是在空间分辨率为 0.5 × 0.5 度的单元格网格上进行的，每个单元格被建模为具有两个数学上明确定义的未观察/潜在/隐藏状态，这些状态随时间演变并编码“发病风险”和“潜在风险”严重性”，分别。这为模型提供了一定程度的可解释性。通过使用该模型来计算未来时间的死亡人数的概率分布，其条件是直到当前时间为止观察到的所有数据，从而获得预测分布。预测分布通常将某个质量置于死亡计数 0（无暴力爆发）处，而剩余的质量表示死亡计数的可能间隔，以防出现暴力爆发。为了评估模型性能，我们——缺乏更好的选择——报告了预测分布的平均值，但对预测分布的访问本身就是对应用程序的一个有趣的贡献。这项工作仅作为此类数据的状态空间建模方法的概念验证，并提出了可以提高预测性能的进一步工作的几个可能方向。得到一个预测分布。预测分布通常将某个质量置于死亡计数 0（无暴力爆发）处，而剩余的质量表示死亡计数的可能间隔，以防出现暴力爆发。为了评估模型性能，我们——缺乏更好的选择——报告了预测分布的平均值，但对预测分布的访问本身就是对应用程序的一个有趣的贡献。这项工作仅作为此类数据的状态空间建模方法的概念验证，并提出了可以提高预测性能的进一步工作的几个可能方向。得到一个预测分布。预测分布通常将某个质量置于死亡计数 0（无暴力爆发）处，而剩余的质量表示死亡计数的可能间隔，以防出现暴力爆发。为了评估模型性能，我们——缺乏更好的选择——报告了预测分布的平均值，但对预测分布的访问本身就是对应用程序的一个有趣的贡献。这项工作仅作为此类数据的状态空间建模方法的概念验证，并提出了可以提高预测性能的进一步工作的几个可能方向。预测分布通常将某个质量置于死亡计数 0（无暴力爆发）处，而剩余的质量表示死亡计数的可能间隔，以防出现暴力爆发。为了评估模型性能，我们——缺乏更好的选择——报告了预测分布的平均值，但对预测分布的访问本身就是对应用程序的一个有趣的贡献。这项工作仅作为此类数据的状态空间建模方法的概念验证，并提出了可以提高预测性能的进一步工作的几个可能方向。预测分布通常将某个质量置于死亡计数 0（无暴力爆发）处，而剩余的质量表示死亡计数的可能间隔，以防出现暴力爆发。为了评估模型性能，我们——缺乏更好的选择——报告了预测分布的平均值，但对预测分布的访问本身就是对应用程序的一个有趣的贡献。这项工作仅作为此类数据的状态空间建模方法的概念验证，并提出了可以提高预测性能的进一步工作的几个可能方向。但是对预测分布的访问本身就是对应用程序的一个有趣的贡献。这项工作仅作为此类数据的状态空间建模方法的概念验证，并提出了可以提高预测性能的进一步工作的几个可能方向。但是对预测分布的访问本身就是对应用程序的一个有趣的贡献。这项工作仅作为此类数据的状态空间建模方法的概念验证，并提出了可以提高预测性能的进一步工作的几个可能方向。