Robust Estimation of Polychoric Correlation

1. بيان المشكلة

يعد الارتباط البوليكوريكي (Polychoric correlation) أداة أساسية في القياس النفسي لتحليل بيانات التقييم الترتيبية (مثل مقاييس ليكرت)، حيث يشكل الأساس لنماذج المعادلات الهيكلية (SEMs)، والتحليل العاملي، وغيرها من التقنيات متعددة المتغيرات. الطريقة القياسية للتقدير هي الاحتمال الأقصى (ML)، والتي تعتمد على افتراض أن المتغيرات الكامنة تتبع توزيعاً طبيعياً ثنائ المتغير معياري.

تحدد الورقة ثغرتين حرجتين في نهج الاحتمال الأقصى (ML) القياسي:

1. الحساسية لخطأ توصيف النموذج: أظهرت الأدبيات الحديثة أن تقديرات ML حساسة للغاية لانتهاكات التوزيع الطبيعي الكامن (الخطأ في التوصيف التوزيعي).
2. القابلية للتأثر بالملاحظات غير المعلوماتية: والأكثر أهم من ذلك، يرى المؤلفون أن ML هش للغاية أمام الخطأ الجزئي في توصيف النموذج، حيث يمكن لجزء صغير من الملاحظات (مثل المستجيبين غير المبالين، أو المستجيبين العشوائيين، أو أولئك الذين يساء فهمهم للفقرات) ألا يتبع نموذج الطبيعية الكامنة على الإطلاق. حتى نسبة ضئيلة من التلوث (مثلاً 1-5%) يمكن أن تسبب انحيازاً كبيراً، وانعكاساً في إشارات تقديرات الارتباط، وفترات ثقة غير صالحة.

تعتمد الطرق القوية الموجودة غالباً على نماذج الخليط (التي تتطلب افتراضات حول طبيعة عدم المبالاة) أو تباعد قوة الكثافة (الذي يفقد الكفاءة). هناك نقص في وجود طريقة تكون قوية تجاه أنواع غير معروفة من الخطأ الجزئي في توصيف النموذج دون التضحية بالكفاءة عندما يكون النموذج صحيحاً.

2. المنهجية

يقترح المؤلفون مقدر احتمال أقصى معمماً وقوياً (Robust Generalized ML Estimator) يعتمد على إطار عمل C-estimation (Welz, 2024)، والمصمم خصيصاً للبيانات الفئوية.

إطار الخطأ الجزئي في التوصيف

تتبنى الورقة نموذج تلوث حيث يكون توزيع البيانات الحقيقي $G_\varepsilon$ عبارة عن خليط من نموذج البوليكوريك المستهدف (بكسر $1-\varepsilon$) وتوزيع تلوث غير محدد $H$ (بكسر $\varepsilon$):
$$G_\varepsilon = (1-\varepsilon)\Phi_2(\cdot, \cdot; \rho^*) + \varepsilon H$$
هنا، $\varepsilon$ غير معروفة، و $H$ يمكن أن يكون أي توزيع (على سبيل المثال، يمثل الاستجابات المتكررة غير المبالية/الخطية). الهدف هو تقدير معاملات نموذج البوليكوريك ($\theta^*$) مع تقليل تأثير كسر التلوث.

المقدر

بدلاً من تعظيم لوغاريتم الاحتمالية (الذي يقابل تقليل تباعد كولباك-لايبلر)، يقوم المقدر المقترح بتقليل دالة خسارة قوية تعتمد على التباعد بين الترددات التجريبية المرصودة ($\hat{f}_N$) واحتمالات النموذج النظرية ($p_{xy}(\theta)$).

تُعرف دالة الخسارة كما يلي:
$$L(\theta, \hat{f}_N) = \sum_{x,y} \phi\left( \frac{\hat{f}_N(x,y)}{p_{xy}(\theta)} - 1 \right) p_{xy}(\theta)$$

• دالة التباين ($\phi$): الابتكار الجوهري هو اختيار $\phi(z)$.
  • بالنسبة لـ $z \in [-1, c]$، فإن $\phi(z) = (z+1)\log(z+1)$ (وهو ما يعادل الاحتمال الأقصى ML).
  • بالنسبة لـ $z > c$، تصبح $\phi(z)$ خطية: $(z+1)(\log(c+1)+1) - c - 1$.
  • هنا، $z$ هو الباقي البيرسوني (Pearson Residual - PR). والثابت $c \geq 0$ هو معامل الضبط.

الآلية:

• إذا كان النموذج ملائماً، يكون الـ PR قريباً من 0، ويتصرف المقدر مثل ML القياسي.
• إذا كانت الخلية ذات PR موجب كبير (مما يشير إلى أن التردد المرصود أعلى بكثير مما يتوقعه النموذج، وهو أمر شائع في الاستجابات غير المبالية/الخارجة عن النطاق)، فإن دالة الخسارة تتحول من النمو فوق الخطي (النمو شبه التربيعي في ML) إلى النمو الخطي.
• يؤدي هذا فعلياً إلى تقليل وزن تأثير الخلايا سيئة الملاءمة (القيم المتطرفة) على تقديرات المعاملات، مما يمنعها من الهيمنة على الملاءمة.
• والأهم من ذلك، أن الطريقة لا تفترض شكلاً محدداً لتوزيع التلوث $H$ أو قيمة $\varepsilon$.

التنفيذ

• تم تنفيذه في حزمة R المسماة robcat.
• يستخدم التحسين العددي (L-BFGS-B أو Nelder-Mead) لتقليل الخسارة.
• يقدر جميع المعاملات (الارتباط والعتبات) في وقت واحد، متجنباً انتشار الانحياز الناتج عن أساليب الخطوتين.
• التكلفة الحسابية: مطابقة لـ ML القياسي ($O(K_X \cdot K_Y)$).

3. المساهمات الرئيسية

1. مقدر قوي مبتكر: مقدر احتمال أقصى معمم للارتباطات البوليكوريكية يكون قوياً ضد الخطأ الجزئي في توصيف النموذج (الملاحظات غير المعلوماتية) دون الحاجة لافتراضات حول طبيعة التلوث.
2. ضمانات نظرية:
   • الاتساق (Consistency): يتقارب المقدر نحو المعامل الحقيقي إذا كان النموذج صحيحاً.
   • التوزيع الطبيعي التقاربي (Asymptotic Normality): يتوزع المقدر توزيعاً طبيعياً تقاربياً.
   • الكفاءة (Efficiency): في حالة التوصيف الصحيح (عدم وجود تلوث)، يكون المقدر كفؤاً تماماً (متكافئ تقاربياً مع ML).
   • القوة (Robustness): تحت الخطأ الجزئي في التوصيف، يحافظ على الدقة حيث يفشل ML، مع مصفوفة تباين-تباين (covariance matrix) من نوع "ساندوتش".
3. تحديد الاستجابة غير المبالية: توفر الطريقة بواقي بيرسون (Pearson Residuals) لكل خلية في جدول التوافق. الخلايا ذات البواقي العالية جداً تعمل كأداة تشخيصية لتحديد أنماط استجابة محددة (مثل الاستجابات المتناقضة للفقرات المتضادة) التي تشير إلى الاستجابة غير المبالية.
4. توافر البرمجيات: تنفيذ عالي الأداء ومتاح مجاناً في لغة R (robcat) يدعم الحوسبة المتوازية.

4. النتائج

الدراسات المحاكية

• الخطأ الجزئي في التوصيف (الاستجابة غير المبالية):
  • في المحاكاة مع كسور تلوث منخفضة تصل إلى 1% ($\varepsilon=0.01$)، أصبحت تقديرات ML القياسية منحازة بشكل كبير، وغالباً ما أدت إلى انعكاس في الإشارات (مثلاً، تقدير ارتباط سالب بينما الارتباط الحقيقي موجب).
  • ظل المقدر القوي دقيقاً وغير منحاز حتى عند مستويات تلوث عالية (تصل إلى $\varepsilon=0.4$)، محافظاً على تغطية فترات الثقة بالقرب من المستوى الاسمي 95%.
  • تعامل المقدر القوي بنجاح مع أنواع مختلفة من التلوث، بما في ذلك إزاحات المتوسط وإزاحات الارتباط في الفضاء الكامن.
• الخطأ في التوصيف التوزيعي (عدم الطبيعية):
  • عندما يتبع العينة بأكملها توزيعاً غير طبيعي (Clayton copula)، أظهر المقدر القوي أداءً أفضل من ML، خاصة عندما تتركز عدم الطبيعية في الذيول (والتي يمكن تقريبها بنموذج طبيعي ملوث).
• ثابت الضبط ($c$):
  • اقترحت عمليات المحاكاة أن $c=0.6$ هو المقايضة المثلى بين القوة والكفاءة. القيم القريبة جداً من 0 أدت إلى انحياز في العينات المحدودة، بينما قللت القيم الأكبر من القوة.

التطبيق التجريبي (بيانات سمات الشخصية الخمس الكبرى)

• البيانات: تحليل مقياس العصابية (neuroticism) من دراسة Arias et al. (2020)، المعروف باحتوائه على مستجيبين غير مبالين.
• النتائج:
  • تقدير ML: بالنسبة للزوج المتضاد "غير حسود" مقابل "حسود"، قدر ML ارتباطاً قدره -0.62.
  • التقدير القوي: قدم المقدر المقترح ارتباطاً قدره -0.93، وهو المتوقع نظرياً للمستجيبين شديدي الانتباه.
  • التشخيص: حدد المقدر القوي خلايا محددة في جدول التوافق (مثل المستجيبين الذين اختاروا "غير دقيق جداً" لكلا الطرفين المتضادين) ببواقي بيرسون هائلة (>1,000). هذه الخلايا تتوافق مع استجابات مستحيلة منطقياً أو غير مبالية، والتي اضطر مقدر ML لاستيعابها، مما أدى إلى إضعاف الارتباط.
  • كان الفرق بين تقدير ML والتقدير القوي كبيراً (يصل إلى 0.3 في القيمة المطلقة)، مما يؤكد وجود ملاحظات غير معلوماتية شوهت التحليل القياسي.

5. الأهمية

تعالج هذه الورقة فجوة حرجة في منهجية القياس النفسي. من خلال إثبات أن تقدير ML القياسي هش بشكل خطير أمام وجود حتى عدد قليل من المستجيبين غير المبالين، يقدم المؤلفون حلاً عملياً وسليماً من الناحية النظرية.

• الموثوقية: تضمن الطة أن مصفوفات الارتباط المستخدمة في التحليلات اللاحقة (مثل SEM) ليست منحازة بسبب مشاكل جودة البيانات.
• القوة التشخيصية: تحول عملية التقدير إلى أداة تشخيصية، مما يسمح للباحثين بتحديد أي أنماط استجابة محددة هي التي تقود الخطأ في توصيف النموذج، بدلاً من مجرد استبعاد البيانات بشكل أعمى.
• العملية: مع عدم وجود تكلفة حسابية إضافية وتنفيذ مفتوح المصدر، يمكن اعتماد هذه الطريقة فوراً من قبل الباحثين لتحسين صلاحية الدراسات التي تتضمن بيانات ترتيبية.

باختصار، يعمم المقدر المقترح طريقة الاحتمال الأقصى (ML) لتكون قوية ضد الملاحظات غير المعلوماتية، مما يوفر سيناريو "أفضل ما في العالمين": كفاءة كاملة عندما تكون البيانات نظيفة، وقوة عالية عندما تحتوي البيانات على استجابات غير مبالية أو أشكال أخرى من الخطأ الجزئي في التوصيف.