Bounding causal effects with an unknown mixture of informative and non-informative missingness

فيما يلي ملخص تقني مفصل لورقة البحث بعنوان "تحديد حدود الآثار السببية مع وجود خليط مجهول من فقدان البيانات المعلوماتي وغير المعلوماتي" من إعداد روبنشتاين وآخرون.

1. بيان المشكلة

في كل من الدراسات التجريبية والرصدية، غالبًا ما تكون بيانات النتائج مفقودة. تعتمد طرق الاستدلال السببي القياسية عادةً على فرضية "البيانات المفقودة عشوائياً" (MAR)، والتي تفترض أن فقدان البيانات يعتمد فقط على المتغيرات الملحوظة. ومع ذلك، في الممارسة العملية، غالبًا ما يكون فقدان البيانات "غير عشوائي" (MNAR) (أو معلوماتي)، حيث يعتمد احتمال فقدان البيانات على النتيجة غير الملحوظة نفسها (مثل انسحاب المرضى بسبب آثار جانبية شديدة أو الوفاة).

التحدي المحدد الذي تعالجه هذه الورقة هو سيناريو لا يستطيع فيه الباحث التمييز بين نوعين من آليات فقدان البيانات:

1. فقدان البيانات غير المعلوماتي (الإداري) ($UNI$): فقدان البيانات المستقل عن النتيجة (مثل الانتقال من المنطقة، أو انتهاء الدراسة).
2. فقدان البيانات المعلوماتي ($UI$): فقدان البيانات المعتمد على النتيجة (مثل الوفاة، أو الأحداث الضائرة الشديدة).

الأمر الجوهري هو أن الباحث يلاحظ مؤشرًا مركبًا لفقدان البيانات $C$ ولكنه لا يعرف الآلية المحددة التي تسببت في فقدان البيانات لأي وحدة معينة. هذا "الخليط المجهول" يمنع التحديد النقطي لمتوسط أثر العلاج (ATE) لأن النتائج غير الملحوظة للمجموعة ذات الفقد المعلوماتي يمكن أن تكون أي شيء نظريًا.

2. المنهجية

2.1 الإطار والافتراضات

يقترح المؤلفون إطارًا يكون فيه مؤشر فقدان البيانات $C$ عبارة عن خليط من $UNI$ و $UI$.

• المتغير المستهدف: متوسط أثر العلاج (ATE)، $\Psi_0 = E[Y(1) - Y(0)]$.
• الافتراضات الرئيسية:
  • الإهمال (Ignorability): تعيين العلاج مستقل عن النتائج المحتملة ومؤشرات فقدان البيانات بشرط إعطاء المتغيرات الملحوظة $X$.
  • الاتساق (Consistency): البيانات الملحوظة تساوي النتائج المحتملة تحت العلاج المعين.
  • الإيجابية (Positivity): احتمالية غير صفرية لتلقي العلاج وعدم فقدان البيانات.
  • المكون غير المعلوماتي: $Y \perp\!\!\perp UNI \mid X, A, UI=0$.
  • لا توجد قيود على $UI$: يمكن أن يكون المكون المعلوماتي معتمدًا بشكل تعسفي على $Y$.

2.2 استراتيجية التحديد (Bounding Strategy)

بما أن الـ ATE غير قابل للتحديد النقطي، فقد اشتق المؤلفون حدودًا حادة (حدود عليا وسفلى) للـ ATE تحت مستويات مختلفة من الافتراضات:

1. الحدود العامة (بدون افتراضات إضافية):
   باستخدام البيانات الملحوظة فقط وحقيقة أن النتائج محدودة (على سبيل المثال، ثنائية)، اشتقوا أوسع الحدود الممكنة. غالبًا ما تكون هذه الحدود واسعة جدًا بحيث لا تكون مفيدة عمليًا ولكنها تعمل كخط أساس.

2. حدود أضيق عبر معاملات الحساسية:
   لتضييق الحدود، قدم المؤلفون معاملات حساسية يمكن للباحثين تحديدها بناءً على المعرفة بالمجال أو البيانات:

   • نسبة فقدان البيانات المعلوماتي ($\delta$): نسبة البيانات المفقودة التي تُعد معلوماتية ($\pi^*_a / \pi_a$). تتراوح الافتراضات من معرفة هذه النسبة بدقة إلى حصرها ضمن فترة.
   • نسبة خطر النتيجة ($\tau$): نسبة النتيجة المتوقعة في مجموعة البيانات المفقودة معلوماتيًا مقابل المجموعة الملحوظة ($\mu^*_a / \mu_a$). وهذا يوضح مدى كون النتائج المفقودة "أسوأ" (أو أفضل) مما قد تكون عليه.
   • الرتابة (Monotonicity): افتراضات بأن فقدان البيانات المعلوماتي مرتبط بمخاطر أعلى (أو أقل) (على سبيل المثال، المرضى الأكثر مرضًا هم الأكثر عرضة للانسحاب).

3. المتغيرات البديلة للأحداث المتنافسة:
   عندما يمثل فقدان البيانات المعلوماتي حدثًا متنافسًا (مثل الوفاة التي تمنع قياس مرض السكري)، فإن الـ ATE القياسي يكون غير محدد بدقة. اقترح المؤلفون حدودًا لـ:

   • الـ ATE المركب ($\Psi_1$): الأثر على نتيجة مركبة (الوفاة أو المرض).
   • الأثر المباشر القابل للفصل ($\Psi_2$): أثر العلاج على مسار المرض، مع تثبيت مسار الوفاة (بناءً على إطار التأثيرات القابلة للفصل لـ Stensrud وآخرون).

2.3 التقدير والاستدلال

طور المؤلفون مقدرات قوية مزدوجًا (doubly-robust)، تعتمد على دالة التأثير (influence-function-based) لهذه الحدود.

• تكامل تعلم الآلة: تسمح المقدرات باستخدام طرق مرنة غير معلمية وتعلم آلة (مثل الغابات العشوائية، SuperLearner) لتقدير المعلمات المزعجة (propensity scores، احتمالات فقدان البيانات، نماذج النتائج).
• معدلات التقارب: تحت ظروف معينة (تحديدًا إذا كانت مقدرات المعلمات المزعجة تتقارب بشكل أسرع من $n^{-1/4}$)، تحقق المقدرات المقترحة اتساق جذر-$n$ والتوزيع الطبيعي التقاربي.
• الاستدلال الموحد: توفر الورقة طرقًا لبناء نطاقات ثقة متزامنة عبر شبكة من معاملات الحساسية، مما يسمح بتحليل "نقطة التحول" (تحديد قيم المعاملات التي يتغير عندها اتجاه الأثر السببي).

3. المساهمات الرئيسية

1. إطار الخليط الجديد: تصيغ الورقة إطارًا حيث يعرف الباحث أن فقدان البيانات هو خليط من أنواع معلوماتية وغير معلوماتية، لكنه لا يستطيع ملاحظة النوع المحدد لكل وحدة. هذا أكثر واقعية من افتراض أن جميع فقدان البيانات إما معلوماتي بالكامل أو غير معلوماتي بالكامل.
2. الحدود الحادة مع تحليل الحساسية: توفر مجموعة شاملة من الحدود الحادة للـ ATE، والـ ATE المركب، والأثر المباشر القابل للفصل، والمحددة بمعاملات حساسية قابلة للتفسير ($\delta$ و $\tau$).
3. التقدير المرن: يتيح تطوير المقدرات القائمة على دالة التأثير استخدام تقنيات تعلم الآلة الحديثة مع الحفاظ على استدلال إحصائي سليم (التوزيع الطبيعي التقاربي وتقارب جذر-$n$).
4. الأدوات العملية: يوفر المؤلفون حزمة في لغة R (تحمل اسم marbounds) ويشرحون المنهجية من خلال عمليات المحاكاة وتطبيق من العالم الحقيقي.

4. النتائج

4.1 دراسات المحاكاة

• أجرى المؤلفون عمليات محاكاة بـ $N=2,000,000$ (مجتمع) وعينات قدرها $n=1,000$.
• الأداء: عندما تم تقدير المعلمات المزعجة بمعدلات تقارب كافية (محاكاة $\alpha=0.3$)، كانت المقدرات غير منحازة وتحققت تغطية فترات الثقة بنسبة 95% الاسمية.
• المتانة: عندما كانت معدلات التقارب بطيئة للغاية ($\alpha=0.1$)، زاد الانحياز وانخفضت التغطية، مما يؤكد الضرورة النظرية لمقدرات المعلمات المزعجة سريعة التقارب.
• تعلم الآلة: أدت عملية استخدام SuperLearner (دمج GLM و Random Forest) إلى نتائج مقاربة لإعدادات المحاكاة المثالية، مما أظهر الفائدة العملية.

4.2 تطبيق من العالم الحقيقي

• الدراسة: الأثر السببي لخمسة أدوية مضادة للذهان على خطر الإصابة بمرض السكري من النوع الثاني ودخول المستشفى للأمراض النفسية لدى كبار السن من مستفيدي برنامج Medicare Advantage ($N=11,618$).
• التحليل الساذج: بافتراض أن جميع حالات فقدان البيانات كانت غير معلوماتية، بدا أن عقاري Haloperidol و Quetiapine يقللان بشكل كبير من خطر الإصابة بالسكري ودخول المستشفى.
• تحليل الحدود:
  • كانت الحدود العامة واسعة للغاية، مما يعني عدم القدرة على نفي وجود أثر في أي من الاتجاهين.
  • تحليل الحساسية: تحت افتراض أن فقدان البيانات كان رتيبًا (المرضى الأكثر مرضًا ينسحبون)، ضاقت الحدود.
  • نقاط التحول: ظل اكتشاف تقليل خطر السكري بواسطة Haloperidol قويًا ما لم تكن نسبة فقدان البيانات المعلوماتي عالية جدًا (>40%) أو كان الخطر بين المرضى المفقودين مرتفعًا للغاية (بمعامل >10).
  • الاستنتاج: إن الأدلة على تقليل Haloperidol لخطر السكري قوية تجاه المستويات المعقولة من فقدان البيانات المعلوماتي، بينما كانت نتائج الأدوية الأخرى أقل متانة.

5. الأهمية والآثار المترتبة

• سد الفجوة: يعمل هذا العمل على سد الفجوة بين التحديد النقطي الصارم (الذي غالبًا ما يكون غير واقعي) والحدود غير المعلمية المفرطة في التحفظ. إنه يقدم حلاً وسطًا حيث يمكن للباحثين قياس عدم اليقين باستخدام الخبرة في الموضوع.
• التعامل مع المخاطر المتنافسة: من خلال توسيع الإطار ليشمل الـ ATE المركب والآثار المباشرة القابلة للفصل، تعالج الورقة أحد القيود الحرجة في تحليل البقاء والتحليل السببي حيث تحجب الوفاة أو الأحداث المتنافسة الأخرى النتيجة الأساسية.
• الأهمية السياسية والسريرية: يوضح التطبيق على الأدوية المضادة للذهان كيف يمكن لهذه الطرق توجيه اتخاذ القرار السريري. فهي تظهر أنه بينما قد تشير التحليلات الساذجة إلى فوائد قوية، فإن إجراء تحليل حساسية صارم مطلوب للتأكد من أن هذه الفوائد ليست ناتجة عن عملية اختيار مضللة (فقدان البيانات المعلوماتي).
• الاتجاهات المستقبلية: يشير المؤلفون إلى أن توسيع هذا الإطار إلى الإعدادات الطولية (longitudinal) مع فقدان البيانات المتغير مع الزمن، والنمذجة المشتركة للمربكات غير الملحوظة وفقدان البيانات المعلوماتي، هي آفاق واعدة لمزيد من البحث المستقبلي.

باخت-صار، توفر هذه الورقة مجموعة أدوات صارمة ومرنة وقابلة للتنفيذ حاسوبيًا للاستدلال السببي في ظل وجود فقدان بيانات معلوماتي مجهول، متجاوزةً افتراضات "الكل أو لا شيء" في تحليل الحساسية التقليدي.