Predicting political violence using a state-space model

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.

 

Presentamos una prueba de concepto de un novedoso enfoque de modelización del espacio de estados para predecir las muertes mensuales debidas a la violencia política. La atención se centra en el desarrollo del método y en la demostración de la utilidad de este enfoque, que ofrece interesantes oportunidades para colaborar con expertos en la materia en el desarrollo de nuevos y mejores modelos de espacio de estados para predecir la violencia.

La predicción se realiza en una cuadrícula de celdas con una resolución espacial de 0,5 x 0,5 grados, y cada celda se modela para tener dos estados no observados/latentes/ocultos, matemáticamente bien definidos, que evolucionan con el tiempo y codifican el «riesgo de aparición» y la «gravedad potencial», respectivamente, lo que proporciona un cierto nivel de interpretabilidad del modelo. Al utilizar el modelo para calcular la distribución de probabilidad de un recuento de muertes en un momento futuro condicionado a todos los datos observados hasta el momento actual, se obtiene una distribución predictiva. La distribución predictiva suele atribuir una determinada masa al recuento de muertes 0 (sin conflictos violentos) y la masa restante indica un intervalo probable del recuento de muertes, en caso de que aparezca un conflicto violento. Para evaluar el desempeño del modelo, a falta de una alternativa mejor, se presenta la media de la distribución predictiva, pero el acceso a la distribución predictiva es, en sí mismo, una interesante contribución a la aplicación. Este trabajo solo sirve como prueba de concepto del enfoque de modelado del espacio de estados para este tipo de datos y se sugieren varias direcciones posibles para trabajos posteriores que podrían mejorar el desempeño predictivo.

 

Nous proposons une démonstration de faisabilité pour une nouvelle approche de modélisation espace-état permettant de prévoir le nombre de décès mensuel dans des contextes de violence politique. Cet article décrit le développement de notre méthode et démontre l’utilité de cette approche, qui ouvre de formidables opportunités de collaboration avec des expert·es du domaine pour développer de nouveaux modèles espace-état capables de mieux prévoir les violences.

La prédiction est réalisée au moyen d’une grille de cellules avec une résolution spatiale de 0,5 x 0,5 degrés, et chaque cellule inclut deux états non observés, latents ou cachés, mathématiquement bien définis, qui évoluent avec le temps et encodent respectivement le « risque d’apparition » et la « sévérité potentielle ». Cette méthode procure un certain degré d’interprétabilité du modèle. Celui-ci peut être utilisé pour calculer la distribution de probabilités en matière de nombre de morts, pour un temps ultérieur conditionné à toutes les données observées jusqu’au moment présent, permettant ainsi d’obtenir une distribution prédictive. Cette distribution prédictive attribue généralement une certaine masse sur le nombre de morts égal à 0 (aucun incident violent), tandis que la masse restante indique un intervalle probable pour le nombre de décès en cas d’émergence de violences. Pour évaluer les performances de notre modèle, faute d’une meilleure alternative, nous indiquons la moyenne de la distribution prédictive, mais soulignons que l’accès à ladite distribution constitue en soi une contribution intéressante à l’application. Ces travaux permettent de démontrer la faisabilité d’une approche de modélisation espace-état pour ce type de données, et suggèrent des orientations possibles pour de futures recherches visant à améliorer les performances prédictives.

Keywords:

• Conflict prediction
• hidden Markov model
• probabilistic modeling
• state-space model

Acknowledgments

The authors are very grateful for being invited by Håvard Hegre and his team to take part in the “ViEWS friendly prediction competition 2020”, for which the technical work behind this article was prepared. The entire team behind the ViEWS project has also been very helpful, both in organizing an interesting workshop and have provided us with valuable feedback on an earlier draft of this article.

Notes

1 https://www.pcr.uu.se/research/ucdp/.

2 At the Dataverse webpage, http://dvn.iq.harvard.edu/dvn/dv/internationalinteractions. Possible questions should be directed to the authors.

3 Calibration concerns whether a predictive distribution reflects reality or not. Note that calibration is a separate question than a good predictive performance; constantly predicting a 0.2% chance of violent outbreak is a well-calibrated, yet useless, predictor for this problem.

Additional information

Funding

This research was financially supported by the Swedish Foundation for Strategic Research (SSF) via the project ASSEMBLE (contract number: RIT15-0012), by the Swedish Research Council via the project Learning flexible models for nonlinear dynamics (contract number: 2017-03807) and by the Kjell och Märta Beijer Foundation.