Abstract

Do conflict processes exhibit repeating patterns over time? And if so, can we exploit the recurring shapes and structures of the time series to forecast the evolution of conflict? Theory has long focused on the sequence of events that precedes conflicts (e.g., escalation or brinkmanship). Yet, current empirical research is unable to represent these complex interactions unfolding over time because it attempts to match cases on the raw value of covariates, and not on their structure or shape. As a result, it cannot easily represent real-world relations which may, for example, follow a long alternation of escalation and détente, in various orders and at various speeds. Here, I aim to address these issues using recent machine-learning methods derived from pattern recognition in time series to study the dynamics of casualties in civil war processes. I find that the methods perform well on out-of-sample forecasts of the count of the number of fatalities per month from state-based conflict. In particular, our results yield Mean Squared Errors that are lower than the competition benchmark. We discuss the implication for conflict research and the importance of comparing entire sequences rather than isolated observations in time.

¿Los procesos de conflicto muestran patrones que se repiten con el paso del tiempo? Y si es así, ¿podemos aprovechar las formas y estructuras recurrentes de las series temporales para prever la evolución del conflicto? Durante mucho tiempo, la teoría se ha centrado en la secuencia de acontecimientos que preceden a los conflictos (por ejemplo, la escalada o la política suicida). Sin embargo, la investigación empírica actual es incapaz de representar estas complejas interacciones que surgen a lo largo del tiempo porque trata de comparar los casos en función del valor bruto de las covariables, y no de su estructura o forma. Por consiguiente, no puede representar fácilmente las relaciones del mundo real que, por ejemplo, pueden seguir una larga alternancia de escalada y distensión, en varios órdenes y a distintas velocidades. En este artículo, mi objetivo es abordar estas cuestiones utilizando métodos recientes de aprendizaje automático derivados del reconocimiento de patrones en series temporales para estudiar la dinámica de las bajas en los procesos de guerra civil. Me parece que los métodos funcionan bien en las previsiones fuera de muestra y, en particular, arrojan Errores Cuadráticos Medios inferiores a la referencia de la competencia. Se analizan las implicaciones para la investigación de conflictos y la importancia de comparar secuencias completas en lugar de observaciones aisladas en el tiempo.

Les processus de conflit présentent-ils des schémas qui se répètent au fil du temps ? Et si tel est le cas, pouvons-nous exploiter ces formes et structures récurrentes de la chronologie pour prédire l’évolution du conflit ? La théorie s’est longtemps concentrée sur la séquence d’événements qui précède les conflits (p. ex. escalade ou stratégie du bord de l’abîme). Pourtant, les recherches empiriques actuelles ne sont pas en mesure de représenter ces interactions complexes qui se déroulent au fil du temps car elles tentent d’apparier des cas sur la base de la valeur brute de leurs covariables, et non sur celle de leur structure ou de leur forme. Elles ne parviennent par conséquent pas à représenter facilement les relations du monde réel qui peuvent, par exemple, suivre une longue alternance entre escalade et détente, dans divers ordres et à diverses vitesses. Mon objectif est ici d’aborder ces problèmes en utilisant de récentes méthodes de machine learning dérivées de la reconnaissance des schémas des chronologies pour étudier les dynamiques des pertes lors des processus de guerre civile. Je constate que ces méthodes sont performantes pour les prévisions hors échantillon, et en particulier qu’elles produisent des erreurs quadratiques moyennes inférieures par comparaison à leurs méthodes concurrentes. Nous abordons l’implication pour les recherches sur les conflits et l’importance de comparer l’intégralité des séquences plutôt que des observations isolées dans le temps.

摘要

冲突过程是否会随着时间的推移呈现出重复的模式？如果是这样，我们能否利用时间序列的反复出现的形状和结构来预测冲突的演变？长期以来，理论一直关注冲突之前的一系列事件（例如，升级或边缘政策）。然而，目前的实证研究无法代表这些复杂的相互作用随着时间的推移而展开，因为它试图根据协变量的原始值而不是它们的结构或形状来匹配案例。因此，它不能轻易地表示现实世界的关系，例如，这些关系可能会以各种顺序和各种速度进行长时间的升级和放松交替。在这里，我的目标是使用最近的机器学习方法来解决这些问题，这些方法源自时间序列中的模式识别，以研究内战过程中伤亡的动态。我发现这些方法在基于州的冲突每月死亡人数的样本外预测上表现良好。特别是，我们的结果产生的均方误差低于竞争基准。我们讨论了冲突研究的意义以及比较整个序列而不是及时的孤立观察的重要性。

¿ Los procesos de conflicto muestran 赞助人 que se repiten con el paso del tiempo？Y si es así, ¿podemos aprovechar las formas y estructuras recurrentes de las series temporales para prever la evolución del conflicto？在 mucho tiempo 期间，该理论一直集中在 los conflictos (por ejempo, la escalada o la política suicida) 之前的 acontecimientos 序列。如果没有禁运，实际的实证调查无法代表这种在 largo del tiempo porque trata de comparar los casos en función del valor bruto de las covariables, y no de su estructura o forma 产生的完整互动。Por consiguiente, no puede 很容易代表世界真实的关系，por ejemlo, can seguir una large alternancia de escalation y distension, en varios órdenes y a distintas velocidades。在本文中，mi objetivo es abordar estas cuestiones utilizando 最近的方法 de apprenticeship automático derivados del Recognize de Patones en series temporales para estudiar la dinámica de las bajas en los procesos de guerra Civil。我是因为这些方法在对 muestra y 的预测中效果很好，特别是 arrojan Errores Cuadráticos Medios loweres a la referencia de la compencia。分析对冲突调查的影响以及根据观察到的及时观察比较完整的安全性的重要性。我是因为这些方法在对 muestra y 的预测中效果很好，特别是 arrojan Errores Cuadráticos Medios loweres a la referencia de la compencia。分析对冲突调查的影响以及根据观察到的及时观察比较完整的安全性的重要性。我是因为这些方法在对 muestra y 的预测中效果很好，特别是 arrojan Errores Cuadráticos Medios loweres a la referencia de la compencia。分析对冲突调查的影响以及根据观察到的及时观察比较完整的安全性的重要性。

冲突过程是否会随着时间的推移呈现出重复的模式？如果是这样，我们能否利用这些重复出现的时间线形状和结构来预测冲突的进程？长期以来，理论一直关注冲突之前的一系列事件（例如升级或深渊战略的边缘）。然而，当前的实证研究无法代表这些随着时间的推移而展开的复杂相互作用，因为它试图根据协变量的原始值而不是它们的结构或形状来匹配案例。因此，它们无法轻松地代表现实世界的关系，例如，可能会在升级和放松之间长时间交替，以不同的顺序和不同的速度。我的目标是通过使用源自时间线模式识别的最新机器学习方法来研究内战过程中伤亡的动态，从而解决这些问题。我发现这些方法在样本外预测方面表现良好，特别是与竞争方法相比，它们产生的均方根误差更低。我们讨论了对冲突研究的影响以及比较整个序列而不是随着时间的推移孤立观察的重要性。我的目标是通过使用源自时间线模式识别的最新机器学习方法来研究内战过程中伤亡的动态，从而解决这些问题。我发现这些方法在样本外预测方面表现良好，特别是与竞争方法相比，它们产生的均方根误差更低。我们讨论了对冲突研究的影响以及比较整个序列而不是随着时间的推移孤立观察的重要性。我的目标是通过使用源自时间线模式识别的最新机器学习方法来研究内战过程中伤亡的动态，从而解决这些问题。我发现这些方法在样本外预测方面表现良好，特别是与竞争方法相比，它们产生的均方根误差更低。我们讨论了对冲突研究的影响以及比较整个序列而不是随着时间的推移孤立观察的重要性。特别是与竞争方法相比，它们产生的均方误差更低。我们讨论了对冲突研究的影响以及比较整个序列而不是随着时间的推移孤立观察的重要性。特别是与竞争方法相比，它们产生的均方误差更低。我们讨论了对冲突研究的影响以及比较整个序列而不是随着时间的推移孤立观察的重要性。