ملخص تقني: التنظيم المستهدف لتقدير الأثر السببي مع مخرجات عائلة التشتت الأسي

1. بيان المشكلة

أظهر تقدير الآثار السببية من البيانات الرصدية باستخدام الشبكات العصبية (NNs) أداءً تجريبيًا قويًا، ومع ذلك، لا يزال تحقيق الخصائص شبه المعلمية المرغوبة — وتحديدًا المتانة المزدوجة (doubly robustness) ومعدلات التقارب السريعة — أمرًا صعبًا. إن المقدرات الحالية القائمة على الشبكات العصبية، مثل تلك التي تستخدم التقدير الأقصى المستهدف (TMLE) أو التنظيم المستهدف (على سبيل المثال، Shi et al., 2019; Nie et al., 2021)، تقتصر إلى حد كبير على المخرجات المستمرة بافتراض التوزيع الطبيعي (Gaussian).

هذا القصور يحد من إمكانية التطبيق في السيناريوهات الواقعية التي تتضمن مخرجات ثنائية (مثل قرارات الشراء)، أو مخرجات عدّية (مثل عدد النقرات)، أو غيرها من التوزيعات الملتوية الشائعة في الممارسة العملية. وبينما عالجت أعمال سابقة (Gao and Hastie, 2022) مخرجات عائلة التوزيع الأسي باستخدام "الفرق في المعلمات الطبيعية" (DINA) ضمن إطار عمل متعلم R (R-learner) شبه خطي جزئيًا، إلا أنها لم تمد نطاق التنظيم المستهدف للشبكات العصبية لهذه التوزيعات. وبناءً على ذلك، هناك نقص في المقدرات القائمة على الشبكات العصبية التي يمكنها تصحيح التحيز من الدرجة الأولى على المستوى التوزيعي لمخرجات عائلة التشتت الأسي (EDF) مع الحفاظ على الضمانات النظرية.

تهدف الورقة إلى تقدير دالة الجرعة القانونية المتوسطة (ADCF)، والمعرفة بـ $\psi_a = \theta[\text{do}(A=a)]$، حيث $\theta$ هي المعلمة القانونية (الطبيعية) لعائلة التشتت الأسي. ويتماشى هذا الاختيار مع الممارسات القياسية للمقارنة بين الآثار على المقياس القانوني ويتجنب مشكلات عدم التجانس التي غالبًا ما توجد في المتوسطات الشرطية.

2. المنهجية

يوحد الإطار المقترح التنظيم المستهدف لمخرجات عائلة التشتط الأسي تحت كل من سيناريوهات العلاج المنفصل والمستمر. وتمر المنهجية عبر ثلاث خطوات نظرية وخوارزمية رئيسية:

أ. التحليل شبه المعلمي وتوصيف التحيز

قام المؤلفون أولاً باشتقاق توسع فون ميسز (von Mises expansion) للمقدر الإحلالي لـ ADCF لتحديد بنية تحيز الدرجة الأولى.

• العلاجات المنفصلة: بالنسبة للعلاجات الثنائية، اشتقوا التوسع الذي يوضح أن التحيز يتكون من حد متبقٍ من الدرجة الثانية يتضمن حاصل ضرب أخطاء التقدير لنموذج المخرجات ($\mu$) ونموذج درجة الاحتمالية ($\pi$). هذا الهيكل الضربي يعني أنه إذا تم تقدير أي من النموذجين باستمرار، فإن التحيز يتلاشى (خاصية المتانة المزدوجة).
• العلاجات المستمرة: بالنسبة للعلاجات المستمرة، لا تكون دالة ADCF النقطية قابلة للاشتقاق مساريًا (pathwise differentiable)، مما يجعل دوال التأثير القياسية غير معرفة. وللتغلب على ذلك، قدم المؤلفون ADCF مسقطًا على الشاشة (sieve-projected ADEF). قاموا بإسقاط منحنى استجابة الجرعة لانهائي الأبعاد على فضاء شاشة محدود الأبعاد باستخدام B-spline. هذا الإسقاط يستعيد قابلية الاشتقاق المساري، مما يسمح بدالة تأثير معرفة جيدًا وتوسع فون ميسز صالح للمنحنى المسقط.

ب. التنظيم المستهدف الموحد

بالاستفادة من بنية التحيز التي كشف عنها توسع فون ميسز، صاغ المؤلفون هدف تنظيم مستهدف موحد.

• نموذج التقلب (Fluctuation Model): بدلاً من إضافة حد تصحيح لاحقًا (والذي قد يدفع التقديرات خارج نطاق المعلمات)، تقدم الطريقة دالة تقلب قياسية $\epsilon(a)$ للمعلمة القانونية. تُعرف المعلمة المتقلبة كالتالي:
  $$\hat{\theta}^*(x, a) = h(\hat{\mu}(x, a)) + \frac{\epsilon(a)}{\hat{\pi}(a|x)} h'(\hat{\mu}(x, a))$$
  حيث $h$ هي دالة الربط و $h'$ هي مشتقتها.
• دالة الخسارة: تدمج الطريقة هذا التقلب في تدريب الشبكة العصبية عبر دالة خسارة موحدة:
  $$L_{TR}(\mu, \pi, \epsilon) = L(\mu, \pi) + \beta R(\mu, \pi, \epsilon)$$
  هنا، $L(\mu, \pi)$ هي دالة السلبية للوغاريتم (negative log-likelihood) القياسية لعائلة التشتت الأسي، و $R$ هو حد التنظيم المستهدف المشتق من السلبية للوغاريتم للنموذج المتقلب. تم بناء الحد $R$ بحيث يكون مشتقها بالنسبة لـ $\epsilon$ مساويًا لمعادلة الدرجة (score equation)، مما يؤدي فعليًا إلى تصفير حد التحيز عند التقارب.
• التنفيذ: يتم تمثيل معلمة التقلب $\epsilon(a)$ باستخدام نفس أساس B-spline المستخدم في إسقاط الشاشة في العلاجات المستمرة، مما يضمن الاتساق بين الهدف النظري والتحسين.

ج. الضمانات النظرية

تثبت الورقة أن مقدر الشبكة العصبية الناتج يحقق معدل تقارب متين مزدوجًا في معيار $L_2$. وتحديدًا، يتم حصر الخطأ في:
$$O_p\left(n^{-1/3}\sqrt{\log n} + r_1(n)r_2(n) + r_2(n)^2\right)$$
حيث $r_1(n)$ و $r_2(n)$ هما معدلات تقارب مقدرات درجة الاحتمالية ومقدرات المخرجات، على التوالي. وهذا يوسع الضمانات النظرية لـ Nie et al. (2021) من التوزيعات الطبيعية إلى الفئة الكاملة لعائلة التشتت الأسي.

3. المساهمات الرئيسية

1. التحليل شبه المعلمي لـ ADCF: اشتق المؤلفون توسع فون ميسز لـ ADCF الخاص بمخرجات عائلة التشتت الأسي. بالنسبة للعلاجات المستمرة، قدموا ADCF مسقطًا على الشاشة للتعامل مع عدم قابلية الاشتقاق المساري للدالة النقطية، مما أرسى وجود دالة تأثير معرفة جيدًا.
2. التنظيم المستهدف الموحد: اقترحوا هدف تنظيم موحد يصحح التحيز على مستوى التوزيع لأي عضو في عائلة التشتت الأسي. يسمح هذا للشبكة العصبية بتعلم نموذج المخرجات، ودرجة الاحتمالية، ومعلمة التقلب بشكل مشترك ومتكامل (end-to-end) مع البقاء ضمن نطاق المعلمات.
3. التوسع النظري: توفر الورقة إثباتًا لمعدل تقارب متين مزدوجًا، مما يعمم النتائج السابقة من التوزيعات الطبيعية إلى الفئات الأوسع من عائلة التشتت الأسي (بما في ذلك Bernoulli و Poisson).
4. التحقق التجريبي: تم التحقق من صحة طريقتهم باستخدام مجموعات بيانات اصطناعية وشبه اصطناعية (News, TCGA) مع علاجات ثنائية ومستمرة، مما أظهر أداءً رائدًا في كل من إعدادات مخرجات Bernoulli و Poisson.

4. النتائج التجريبية

قيم المؤلفون طريقتهم مقابل عدة نماذج مرجعية، بما في ذلك Causal Forest، و Dragonnet (والنسخة المعدلة منه للمخرات غير الطبيعية)، و VCNet، و D-learner، ومقدر DR القياسي.

• العلاج الثنائي: في مجموعات البيانات ذات مخرجات Bernoulli و Poisson، حققت الطريقة المقترحة ("Ours") أدنى متوسط خطأ مطلق (MAE) لمتوسط أثر العلاج (ATE)، متفوقة على Dragonnet و VCNet ومقدر DR القياسي. ومن الجدير بالذكر أن مقدر DR وُجد أنه أقل استقرارًا في العينات المحدودة بسبب القسمة على درجة الاحتمالية في حد التصحيح.
• العلاج المستمر: بالنسبة للعلاجات المستمرة، حققت الطريقة أدنى متوسط خط-مربع خطأ (AMSE) لـ ADCF. وأكدت النتائج أن مجرد تكييف دالة الخسارة للنماذج الموجودة (على سبيل المثال، استبدال MSE بالسلبية للوغاريتم) ليس كافيًا؛ إذ يعد آلية التنظيم المستهدف المحدد أمرًا بالغ الأهمية للأداء.
• تحليل الحساسية: تبين أن المعلمة الفائقة $\beta$، التي تتحكم في قوة التنظيم، لها تأثير متوسط؛ فالقيم الصغيرة جدًا تفشل في تصحيح التحيز، بينما القيم الكبيرة جدًا تتدخل في تقدير الدوال المزعجة (nuisance functions).

5. الأهمية والادعاءات

تدعي الورقة معالجة فجوة حرجة في الاستدلال السببي باستخدام التعلم العميق: وهي عدم قدرة أطر التنظيم المستهدف الحالية على التعامل مع المخرجات غير الطبيعية والملتوية الشائعة في التطبيقات الواقعية (مثل معدلات التحويل الثنائية أو بيانات العدّ).

من خلال اشتقاق التوسعات شبه المعلمية اللازمة وبناء دالة خسارة موحدة، يوضح المؤلفون أن التنظيم المستهدف يمكن تعميمه بنجاح على عائلة التشتت الأسي. وتكمن أهمية هذا العمل في:

• الدقة النظرية: تقديم أول اشتقاق لتوسع فون ميسز ودالة التأثير لمخرات عائلة التشتت الأسي تحت كل من العلاجات المنفصلة والمستمرة، مما يتيح بناء مقدرات متينة مزدوجًا.
• القابلية للتطبيق العملي: تقديم بنية شبكة عصبية متكاملة تتعامل مع المخرات الثنائية والعدّية دون الاعتماد على افتراضات الجزء الخطي المقيدة للأساليب السابقة (مثل DINA-learner).
• المتانة: تحقيق معدلات تقارب أسرع من المقدرات المزعجة الفردية عندما يكون كلاهما متسقًا، مع الحفاظ على الاستقرار داخل نطاق المعلمات، على عكس طرق تصحيح التحيز الجمعية.

يخلص المؤلفون إلى أن إطار عملهم يوسع الضمانات النظرية للتنظيم المستهدف الوظيفي إلى فئة أوسع بكثير من توزيعات المخرات، وهو ما تم التحقق منه من خلال نتائج تجريبية رائدة.