Doubly robust estimation with functional outcomes missing at random

إليك ملخص تقني مفصل للورقة البحثية "التقدير مزدوج المتانة للنتائج الوظيفية المفقودة عشوائياً" (Doubly robust estimation with functional outcomes missing at random) لـ Liu وآخرون.

1. بيان المشكلة

تتناول الورقة التحدي الإحصائي المتمثل في تقدير متوسط النتائج الوظيفية (عناصر عشوائية في الفضاء $L^2([0, 1], \mathbb{R})$) عندما تكون البيانات مفقودة عشوائياً (Missing at Random - MAR).

• السياق: في العديد من الدراسات (مثل مسارات دخل مدى الحياة، أو تحليل حركة الإنسان)، يكون المخرج عبارة عن منحنى مستمر بدلاً من قيمة عددية واحدة. ومع ذلك، بالنسبة لبعض الوحدات، يغيب المنحنى بأكمله بسبب عدم الاستجابة، أو التسرب من الدراسة، أو السيناريوهات المضادة للواقع في الاستدلال السببي.
• الافتراض: تعتمد آلية الفقدان فقط على المتغيرات الأساسية المرصودة ($X$)، مما يحقق افتراض MAR: حيث $Pr(Z=1|X, Y) = Pr(Z=1|X)$، حيث $Z$ هو مؤشر الملاحظة.
• الفجوة: بينما تعد المقدرات شبه المعلمية (انحدار المخرجات والمقدر مزدوج المتانة) راسخة للنتائج العددية (scalar)، فإن توسيعها ليشمل البيانات الوظيفية ذات الأبعاد اللانهائية لا يزال غير متطور. تركز الأدبيات الحالية حول البيانات الوظيفية المجزأة عادةً على إعادة بناء أجزاء مفقودة من المنحنى باستخدام المنحنيات المرصودة فقط، متجاهلة المتغيرات المصاحبة. تسد هذه الورقة الفجوة من خلال استخدام معلومات المتغيرات لتقدير متوسط المنحنى الكامل المفقود.

2. المنهجية

2.1 إعداد النموذج

يحدد المؤلفون نموذجاً عاملاً للمخرج الوظيفي $Y_i$ بوجود المتغيرات $x_i$:
$$Y_i = x_i^\top \beta + \epsilon_i$$
حيث $\beta$ هو متجه من الدوال غير العشوائية في $L^2$، و$\epsilon_i$ هو عنصر عشوائي بمتوسط صفري ودالة تباين $\sigma_\epsilon$.
يتم نمذجة احتمالية الفقدان عبر الانحدار اللوجستي:
$$Pr(Z_i=1|x_i) = \tau(x_i^\top \gamma) = (1 + e^{-x_i^\top \gamma})^{-1}$$

2.2 المقدرات

تم اقتراح مقدرين شبه معلميين لمتوسط الدالة $\mu_y = E(Y)$:

1. مقدر انحدار المخرجات (OR):
   يعتمد حصرياً على نموذج المخرج (1). يقوم هذا المقدر بتعويض المخرجات المفقودة باستخدام تنبؤ الانحدار:
   $$\hat{\mu}_{OR} = n^{-1} \sum_{i=1}^n x_i^\top \hat{\beta}$$
   حيث $\hat{\beta}$ هو مقدر المربعات الصغرى الوظيفي.

2. المقدر مزدوج المتانة (DR):
   يجمع بين نموذج المخرجات ونموذج درجة الاحتمالية (propensity score). يقوم بتصحيح مقدر الـ OR باستخدام أوزان الاحتمال العكسي للبواقي:
   $$\hat{\mu}_{DR} = n^{-1} \sum_{i=1}^n \left( x_i^\top \hat{\beta} + \frac{Z_i}{\tau(x_i^\top \hat{\gamma})} (Y_i - x_i^\top \hat{\beta}) \right)$$
   حيث $\hat{\gamma}$ هو تقدير الاحتمال الأقصى (MLE) لنموذج الفقدان.

2.3 النظرية التقاربية

تتمثل المساهمة النظرية الجوهرية في تحديد التوزيعات الحدية لهذه المقدرات كعمليات غاوسية (Gaussian Processes - GPs).

• الاستراتيجية: يستخدم المؤلفون نهجاً من خطوتين يعتمد على نظرية بروهوروف (Prohorov's Theorem):
  1. التقارب في الأبعاد المحدودة: يقومون بتجزئة المجال $[0,1]$ إلى $T$ من النقاط، موضحين أن المقدرات متعددة المتغيرات الناتجة تتقارب نحو توزيع طبيعي متعدد المتغيرات. كما يشتقون صراحةً مصفوفات التباين والتباين المشترك للمتجهات متعددة المتغيرات هذه.
  2. الرصانة (Tightness): يثبتون رصانة سلسلة مقاييس الاحتمال في فضاء هيلبرت لتوسيع نتائج الأبعاد المحدودة إلى إطار البيانات الوظيفية ذات الأبعاد اللانهائية.
• النتيجة الرئيسية: يتقارب الخطأ المقياس $\sqrt{n}(\hat{\mu} - \mu_y)$ ضعيفاً نحو عملية غاوسية ذات متوسط صفري ودالة تباين محددة.

3. المساهمات الرئيسية

1. التوزيعات الحدية للمقدرات الوظيفية: تقدم الورقة أول توصيف صريح لدوال التباين والتباين المشترك الحدية لكل من مقدرات OR وDR في سياق البيانات الو funkcional.
2. المتانة المزدوجة في الأطر الوظيفية: يثبت المؤلفون أن المقدر الوظيفي مزدوج المتانة يحتفظ بخاصية "المتانة المزدوجة": يكون المقدر متسقاً ومتوافقاً تقاربياً (يتقارب نحو GP) إذا تم تحديد إما نموذج انحدار المخرجات أو نموذج آلية الفقدان بشكل صحيح.
3. نطاقات الثقة المتزامنة (SCB): بالاستفادة من حدود عمليات غاوس المستمدة، يبني المؤلفون نطاقات ثقة متزامنة لمتوسط الدالة بأكملها. وخلافاً للنطاقات النقطية، تضمن هذه النطاقات التغطية عبر المجال $[0,1]$ بأكمله بمستوى ثقة محدد (مثلاً 95%). ويستخدمون طريقة "السريع والعادل" (Liebl & Reimherr, 2023) لحساب دالات القيم الحرجة التكيفية.
4. تطبيق الاستدلال السببي: يتم تطبيق الإطار على سؤال مضاد للواقع: تقدير مسار دخل مدى الحياة لمجموعة من الأفراد لو كانوا قد عاشوا جميعاً في أسواق عمل كبيرة، وذلك باستخدام إطار النتائج المحتملة.

4. النتائج

4.1 محاكاة مونت كارلو

أجرى المؤلفون عمليات محاكاة مكثفة مع أحجام عينات $n \in \{250, 500, 1000, 3000\}$ وهياكل خطأ ثنائية (غاوسية و $t$-multivariate) لاختبار المتانة تجاه عدم النعومة.

• التغطية:
  • عندما تكون النماذج محددة بشكل صحيح، حققت نطاقات الثقة المتزامنة (SCB) تغطية تجريبية قريبة من أو أعلى من المستوى الاسمي 95%.
  • أدت نطاقات الثقة النقطية (PCB) أداءً ضعيفاً (انخفضت التغطية بشكل كبير مع زيادة $n$) لأنها تفشل في مراعاة تعدد المقارنات عبر مجال الدالة.
  • حافظ مقدر DR على التغطية الصحيحة حتى عندما تم تحديد أحد النموذجين بشكل خاطئ.
• التحيز والكفاءة:
  • أظهر مقدر DR تحيزاً ضئيلاً عندما يكون أحد النموذجين صحيحاً على الأقل.
  • عندما تم تحديد كلا النموذجين بشكل خاطئ، ظهر التحيز، لكن مقدر DR تفوق عموماً على مقدر "الحالات الكاملة" الساذج (الذي عانى من تحيز كبير بسبب فقدان حوالي 30% من البيانات).
  • ظلت الطريقة متينة حتى عند انتهاك فرضية النعومة باستخدام أخطاء توزيع $t$، رغم أن التغطية كانت أقل قليلاً.

4.2 تطبيق البيانات الحقيقية

طُبقت الطريقة على بيانات فوجية سويدية (مواليد 1954) لتقدير مسار دخل مدى الحياة المضاد للواقع لو عاش جميع الأفراد في أسواق عمل كبيرة عند سن العشرين.

• النتيجة: بالغ المقدر الساذج (الذي استخدم البيانات المرصودة من الأسواق الكبيرة فقط) في تقدير الدخل المبكر، لكنه قلل من تقدير الدخل المتراكم قبل سن 30 مقارنة بتقدير DR.
• الاستدلال: سمحت نطاقات الثقة المتزامنة للمؤلفين بتحديد فترات عمرية محددة حيث كان الفرق بين المسارات الفعلية والمضادة للواقع ذا دلالة إحصائية.

5. الأهمية والخاتمة

تجسّر هذه الورقة فجوة حرجة بين منهجية البيانات المفقودة وتحليل البيانات الوظيفية.

• الأثر النظري: توسع خاصية المتانة المزدوجة المعروفة من النتائج العددية إلى النتائج الوظيفية، وتوفر نظرية تقارب صارمة (حدود عمليات غاوس) وهياكل تباين صريحة.
• الفائدة العملية: من خلال تمكين بناء نطاقات ثقة متزامنة، تسمح الطريقة للباحثين بإجراء استدلالات عالمية صالحة حول متوسطات الدوال (مثلاً: "هل المسار مختلف بشكل ملحوظ بين المجموعات طوال المدة بأكملها؟") بدلاً من مجرد الاستدلالات النقطية.
• المتانة: يوفر مقدر DR حماية ضد سوء تحديد النموذج، وهو أمر بالغ الأهمية في الدراسات الرصدية حيث تكون عملية توليد البيانات الحقيقية غير معروفة.

يخلص المؤلفون إلى أن نهجهم يوفر أداة موثوقة للاستدلال السببي وتقدير المتوسط في حالات البيانات الوظيفية التي تعاني من قيم مفقودة، مما يوفر ضمانات تقاربية وأداءً مرضياً في العينات المحدودة.