Self-separated and self-connected models for mediator and outcome missingness in mediation analysis

إليك ملخص تقني مفصل للورقة البحثية بعنوان "نماذج ذات انفصال ذاتي واتصال ذاتي لبيانات الوسيط والنتيجة المفقودة في تحليل الوساطة" لـ نجوين وآخرون.

1. بيان المشكلة

يُستخدم تحليل الوساطة على نطاق واسع لتفكيك الآثار السببية إلى مسارات مباشرة وغير مباشرة. ومع ذلك، يبرز تحدٍ كبير عندما تحتوي كل من الوسيط ($M$) والنتيجة ($Y$) على بيانات مفقودة.

• محدودية النهج القياسية: تعتمد الطرق الشائعة مثل الإسناد المتعدد (MI) أو تقدير الاحتمال الأقصى للمعلومات الكاملة (FIML) عادةً على افتراض أن البيانات مفقودة بشكل عشوائي (MAR) أو مفقودة بشكل عشوائي تماماً (MCAR). وفي سياق الوساطة، غالباً ما تُنتهك هذه الافتراضات لأن فقدان البيانات في $M$ أو $Y$ قد يعتمد على القيم غير الملحوظة لـ $M$ أو $Y$ نفسها (فقدان البيانات ليس عشوائياً، أو MNAR).
• الفجوة: بينما طورت الأدبيات الحديثة استراتيجيات تحديد للنماذج التي تتبع نظام MNAR باستخدام "متغيرات الظل" (Shadow Variables - SVs) أو افتراضات الاستقلال الشرطي، إلا أن هذه الطرق لم يتم تجميعها أو توسيعها بشكل منهجي خصيصاً للحالة المعقدة التي يتعرض فيها كل من الوسيط والنتيجة لفقدان البيانات.
• الهدف: تهدف الورقة إلى توسيع نطاق النماذج القابلة للتحديد لبيانات الوسيط والنتيلة المفقودة، بالانتقال من فرضية MAR إلى نماذج MNAR، وتوفير إطار نظري موحد للتحديد والقابلية للتفنيد.

2. المنهجية والإطار العملي

يستخدم المؤلفون إطار الرسم البياني الموجه غير الدوري (DAG) ضمن سياق النتائج المحتملة، بافتراض تجاهل التعيين المتسلسل للتعيين والوسيط (SIAA). ويصنفون آليات فقدان البيانات إلى فئتين عريضتين بناءً على العلاقة بين المتغير ومؤشر فقدانه ($R_M, R_Y$):

أ. الترتيب الزمني

يحدد المؤلفون صراحةً أربعة ترتيبات زمنية لقياس المتغيرات ومؤشرات فقدانها، مما يحدد هيكل الرسوم البيانية (DAGs):

1. في الوقت نفسه (In-time): $M, R_M, Y, R_Y$ (الأكثر شيوعاً؛ حيث يُقاس $M$ قبل $Y$).
2. المتأخر (Delayed): $M, Y, R_M, R_Y$ (كلاهما يُقاس بأثر رجعي).
3. غير المرتب (Unordered): $M, Y, R_M, R_Y$ (تحدث مؤشرات الفقدان في وقت واحد أو لا يُعرف ترتيبها).
4. العكسي (Reverse): $M, Y, R_Y, R_M$ (فقدان النتيجة يسبق فقدان الوسيط).

ب. الفئة الأولى: نماذج الفقدان ذات الانفصال الذاتي (Self-Separated)

في هذه النماذج، لا يؤثر المتغير ومؤشر فقدانه على بعضهما البعض، ولا يتشاركان في أسباب غير ملحوظة مشتركة. ويتم تحقيق التحديد عبر افتراضات الاستقلال الشرطي.

• النماذج الرئيسية (S1–S5):
  • S1 (فقدان البيانات المتجاهل تسلسلياً - SIM): النموذج الأقل تقييداً لإعداد "الوقت نفسه"؛ حيث يفترض أن $R_M \perp\!\!\perp (M, Y) | X, A$ وأن $R_Y \perp\!\!\perp Y | X, A, M, R_M$. وهو يعمم نموذج MAR ولكنه يسمح بتبعيات محددة.
  • S2–S5: تنويعات تخفف الافتراضات لأنواع مختلفة من الترتيب الزمني (مثل غير المرتب أو العكسي). وغالباً ما تتطلب هذه النماذج انفصالات محددة (مثل $R_Y \perp\!\!\perp M$) لتحقيق التحديد.
• التقنية: يقدم المؤلفون دوال الميل (tilting functions) ($h, k$) لرسم خرائط كثافات البيانات الملحوظة إلى كثافات البيانات الكاملة. ويوضحون أن العديد من هذه النماذج قابلة للتفنيد (أي أنها تنطوي على شروط قابلة للاختبار على توزيع البيانات الملحوظة)، على عكس نموذج MAR القياسي.

ج. الفئة الثانية: نماذج الفقدان ذات الاتصال الذاتي مع متغيرات الظل (Self-Connected)

في هذه النماذج، يؤثر المتغير على فقدانه الخاص (أو يتشارك أسباباً غير ملحوظة مع مؤشر فقدانه)، مما يجعل الاستقلال الشرطي القياسي غير كافٍ. ويعتمد التحديد هنا على متغيرات الظل (SVs).

• تعريف متغير الظل: يكون المتغير $Z$ هو متغير ظل لـ $V$ إذا كان $Z \perp\!\!\perp R_V | V$ (مستقل عن الفقدان بشرط معرفة المتغير) ولكن $Z \not\perp\!\!\perp V$ (مرتبط بالمتغير).
• الابتكار النظري: قام المؤلفون بتوليف وتوسيع نظرية متغير الظل باستخدام معادلة تكاملية تعتمد على نسب الأرجحية (odds):
  $$\text{odds}(R_V=0 | Z) = E[\text{odds}(R_V=0 | V) | Z, R_V=1]$$
  تسمح هذه المعادلة باستعادة آلية فقدان البيانات إذا تحقق شرط الاكتمال (أي أن $Z$ لديه تباين كافٍ بالنسبة لـ $V$).
• التوسعات:
  1. متغيرات الظل المدمجة: استخدام $M$ أو $Y$ أنفسهما كمتغيرات ظل لبعضهما البعض (النماذج Z1–Z5).
  2. متغيرات الظل الخارجية: استخدام متغيرات مساعدة (لاحقة، أو متوسطة، أو سابقة في السلسلة السببية) أو متغيرات مصاحبة ($X$) كمتغيرات ظل (النماذج D1–D4, M1–M4, U4, C1–C4).
  3. متغيرات الظل المفقودة: تم توسيع النظرية للتعامل مع الحالات التي يكون فيها متغير الظل نفسه مفقوداً، بشرط استيفاء افتراضات انفصال محددة (mSV).

3. المساهمات الرئيسية

1. تصنيف منهجي للنماذج القابلة للتحديد:

   • توفر الورقة فهرساً شاملاً للنماذج القابلة للتحديد لفقدان البيانات المشترك للوسيط والنتيجة، مصنفة حسب الترتيب الزمني وآلية الفقدان (ذات انفصال ذاتي مقابل ذات اتصال ذاتي).
   • توضح أن فقدان البيانات المتجاهل تسلسلياً (SIM) هو بديل أكثر مرونة وواقعية غالباً من نموذج MAR المشترك، حيث يسمح بوجود تبعيات بين مؤشرات الفقدان مع الحفاظ على إمكانية التحديد.

2. توليف وتوسيع نظرية متغير الظل:

   • نظرية موحدة: يقدم المؤلفون نظرية موحدة وبسيطة لمتغير الظل تربط النتائج الموجودة (مثل أعمال Zuo et al. و Miao et al.) وتستوعب فقدان البيانات في متغير الظل نفسه.
   • توسيع المتغيرين: قاموا بتوسيع نظرية متغير الظل للتعامل مع متغيرين محل اهتمام ($M$ و $Y$) في آن واحد، واستنتجوا ثلاثة نماذج جديدة لمتغيرات الظل الخارجية (المجمعة، والمتوازية، والمتسلسلة) والتي تقلل من القيود المفروضة على نموذج الفقدان الأساسي.
   • تقنيات إمالة الأرجحية: قدموا تقنيات "إمالة الأرجحية" لحل المعادلات التكاملية المطلوبة للتحديد، مما يوفر مجموعة أدوات عملية لاستخراج دوال الميل.

3. قابلية النموذج للتفنيد:

   • من المساهمات الكبرى هي اشتقاق الاستنتاجات القابلة للاختبار للعديد من النماذج المقترحة. وخلافاً لنموذج MAR الذي لا يمكن اختباره، فإن العديد من نماذج MNAR (مثل S3, Z1, A2) تنطوي على قيود محددة على توزيع البيانات الملحوظة (مثل نسب محددة لاحتمالات الفقدان). وهذا يتيح للباحثين استبعاد النماذج الخاطئة تجريبياً.

4. إرشادات التطبيق العملي:

   • تستخدم الورقة مثالين محفزين (تدخل المدرسة وتدريب الوظائف) لتوضيح كيفية اختيار النماذج بناءً على المعرفة بالموضوع، وتوافر البيانات، ومعقولية افتراضات الاستقلال الشرطي.
   • تؤكد على أهمية جمع بيانات مساعدة (مثل مقاييس خط الأساس، أو المصادر البديلة مثل تقارير الآباء، أو بيانات المتابعة) لتكون بمثابة متغيرات ظل عندما يُشتبه في وجود فقدان بيانات ذي اتصال ذاتي.

4. النتائج الرئيسية

• شروط التحديد: توفر الورقة صيغ تحديد صريحة (دوال الميل) لجميع النماذج المقترحة. تعبر هذه الصيغ عن كثافات البيانات الكاملة $P(M|X,A)$ و $P(Y|X,A,M)$ بدلالة كثافات البيانات الملحوظة واحتمالات الاستجابة المحددة.
• متطلبات الاكتمال: يفصل المؤلفون شروط الاكتمال الضرورية لكل نموذج. على سبيل المثال، في النماذج التي يعمل فيها $M$ و $Y$ كمتغيرات ظل متبادلة (النموذج Z1)، يجب أن يمتلك كلاهما تباينًا كافيًا (على سبيل المثال، نفس عدد الفئات في الحالة المنفصلة).
• التعامل مع متغيرات الظل المفقودة: أثبت المؤلفون أن إمكانية التحديد تظل قائمة حتى لو كان متغير الظل مفقوداً، بشرط استيفاء شروط اكتمال محددة (مثل عدم وجود أسباب غير ملحوظة مشتركة بين فقدان المتغير الرئيسي وفقدان متغير الظل).
• المقايضات: يكشف التحليل عن مقايضة جوهرية: النماذج التي تسمح بالاتصال الذاتي (MNAN) تتطلب عموماً قيوداً أقوى في جوانب أخرى (مثل عدم وجود أسباب غير ملحوحة مشتركة بين مؤشرات الفقدان، أو هياكل سببية محددة لمتغيرات الظل).

5. الأهمية

• التقدم المنهجي: يسد هذا العمل الفجوة بين أدبيات البيانات المفقودة النظرية والاحتياجات العملية لتحليل الوساطة. فهو ينقل المجال بعيداً عن افتراض MAR المقيد، والذي غالباً ما يكون غير قابل للتطبيق على المتغيرات الحساسة (مثل تعاطي المخدرات أو الدخل).
• المتانة والتحقق: من خلال توفير استنتاجات قابلة للاختبار، تمكن الورقة الباحثين من التحقق من صحة افتراضاتهم مقابل البيانات، مما يقلل من خطر التقديرات السببية المتحيزة الناتجة عن افتراضات MNAR غير القابلة للاختبار.
• الآثار على تصميم الدراسات: تسلط الورسة الضوء على أن التعامل مع MNAR في تحليل الوساطة ليس مجرد إصلاح إحصائي لاحق، بل هو قضية تصميم. فهي تدعو إلى الجمع الاستباقي لمتغيرات مساعدة (متغيرات الظل) والاعتبار الدقيق لترتيب القياس الزمني أثناء مرحلة تخطيط الدراسة.
• العمومية: رغم التركيز على الوساطة، فإن نظرية متغير الظل الموسعة وتقنيات إمالة الأرجحية قابلة للتطبيق في أي سياق يتضمن فقدان البيانات المشترك لعدة متغيرات، مما يوفر تأثيراً أوسع على منهجية الاستدلال السببي.

في الختام، يقدم نجوين وآخرون إطاراً منظماً وصارماً لتحديد آثار الوساطة السببية في ظل وجود بيانات مفقودة معقدة وغير قابلة للتجاهل، مما يوفر عمقاً نظرياً وتوجيهاً عملياً للباحثين.