📊 statistics

Causal Partial Identification via Conditional Optimal Transport

تقترح هذه الورقة مُقدِّراً مباشراً، متسقاً، وغير معلمي للنقل الأمثل الشرطي في التحديد الجزئي السببي، وذلك من خلال إثبات استمرارية الدالة تحت مسافة فازرستاين المعدلة، مما يتجنب الحاجة إلى تقدير المعلمات المزعجة ويتغلب على عدم اتساق طرق الإدخال التقليدية.

المؤلفون الأصليون: Sirui Lin, Zijun Gao, Jose Blanchet, Peter Glynn

نُشر 2026-02-16

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Sirui Lin, Zijun Gao, Jose Blanchet, Peter Glynn

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك محقق تحاول حل لغز، لكن ليس لديك سوى نصف الأدلة.

في عالم الاستدلال السببي (معرفة السبب والنتيجة)، هذه هي المشكلة القياسية. أنت تريد أن تعرف: إذا أعطيت المريض دواءً جديداً، فهل سيتحسن؟

الواقع: لا يمكنك إلا رؤية نتيجة واحدة. إذا أعطيت الدواء، سترى تحسنه (أو عدم تحسنه). لا يمكنك أبداً العودة بالزمن لرؤية ما كان سيحدث لو لم تعطِه الدواء.
الدليل المفقود: النتيجة "المضادة للواقع" (ماذا كان سيحدث لولا ذلك) غير مرئية.

ولأنك لا تستطيع رؤية كلتا النتيجتين في آن واحد، لا يمكنك حساب الحقيقة بدقة مطلقة. بدلاً من ذلك، يتعين على الإحصائيين الرضا بـ مجموعة التحديد الجزئي (PI Set). فكر في هذا ليس كإجابة واحدة، بل كـ نطاق من الاحتمالات. "من المرجح أن يحسن الدواء الصحة بنسبة تتراوح بين 5% و15%". الهدف هو جعل هذا النطاق ضيقاً (دقيقاً) قدر الإمكان.

المشكلة: "الشبح" في الآلة

عادةً، لتضييق هذا النطاق، ننظر إلى المتغيرات المصاحبة (التفاصيل الخلفية مثل العمر، الوزن، أو ضغط الدم). إذا عرفنا أن شخصين متطابقان تماماً في العمر والوزن، يمكننا المقارنة بينهما بشكل أكثر عدلاً.

ومع ذلك، هناك عقبة. في الحياة الواقعية، نادراً ما تجد شخصين متطابقين تماماً في كل التفاصيل (خاصة مع الأرقام المستمرة مثل الطول أو نسبة السكر في الدم).

الطريقة القديمة: حاولت الطرق السابقة إيجاد تطابق بين أشخاص "قريبين بما يكفي". لكن رياضياً، هذا يشبه محاولة بناء جسر بآجر (طوب) غير متطابق. الهيكل يكون غير مستقر. إذا أضفت القليل من البيانات، يمكن لجسرك (تقديرك) أن ينهار أو يقفز بشكل جنوني. وهذا ما يسمى عدم الاستمرارية (Discontinuity).

الحل: نوع جديد من المسطرة

اخترع مؤلفو هذه الورقة البحثية، سيروي لين وزملاؤه، أداة رياضية جديدة لإصلاح عدم الاستقرار هذا. ويسمونها النقل الأمثل الشرطي (Conditional Optimal Transport - COT).

إليك التشبيه:

1. المسطرة القديمة (التوبولوجيا الضعيفة - Weak Topology)

تخيل محاولة مطابقة كومتي رمال (مجموعة العلاج مقابل مجموعة الضبط) من خلال النظر إلى الشكل الإجمالي للكومتين. إذا حركت حبة رمل واحدة، سيبدو الشكل كما هو تقريباً، لكن "التطابق المثالي" قد يقفز إلى حبة رمل مختلفة تماماً. هذا يجعل الرياضيات "قفزية" وغير موثوقة.

2. المسطرة الجديدة (مسافة فاشرستينستاين المتكيفة - Adapted Wasserstein Distance)

أدرك المؤلفون أنه لمطابقة هذه الكومات بشكل صحيح، لا يجب عليك فقط النظر إلى الشكل الإجمالي. عليك أن تنظر إلى كيفية طبقات الرمل.

الاستعارة: تخيل أن المتغيرات المصاحبة (العمر، الوزن) هي المخطط الأرضي لمبنى، والنتائج (الصحة) هي الأثاث بداخله.
الطريقة القديمة حاولت مطابقة المبنى بأكمله دفعة واحدة.
الطريقة الجديدة تقول: "أولاً، طابق المخططات الأرضية تماماً. ثم، داخل كل غرفة محددة (مثل 'ذكور في الثلاثينيات من العمر')، طابق الأثاث".

هذه المسطرة الجديدة، التي تسمى مسافة فاشرستاين المتكيفة، تجبر الرياضيات على احترام هيكل البيانات. وهي تضمن أنه إذا تغيرت البيانات قليلاً، فإن إجابتك ستتغير قليلاً فقط. إنها تجعل الجسر مستقراً.

الخدعة السحرية: التجزئة (تحويل العالم إلى بكسلات)

حتى مع المسطرة الجديدة، فإن حساب التطابق المثالي أمر صعب بسبب وجود احتمالات لا نهائية للأرقام المستمرة (مثل عمر 30.0001 سنة).

حل المؤلفون هو التجزئة (Discretization).

التشبيه: تخيل أن لديك صورة عالية الدقة لحشد من الناس. إنها مفصلة للغاية بحيث يصعب معالجتها بشكل مثالي. لذا، تقوم بتحويلها إلى صورة منقطة (بكسلية) (مثل ألعاب الفيديو ذات الـ 8 بت).
بدلاً من محاولة مطابقة "30.0001 سنة" مع "30.0002 سنة"، تقوم بتجميع الجميع في فئة "مواليد الثلاثينيات".
تقوم بإنشاء "صناديق" أو "خلايا" لبياناتك.
داخل كل صندوق، تحسب متوسط النتيجة.
ثم، تطابق الصناديق.

لأنك تطابق مجموعات (صناديق) بدلاً من نقاط فردية، تصبح الرياضيات سلسة ومستقرة. وقد أثبت المؤلفون أنه كلما حصلت على المزيد من البيانات، يمكنك جعل البكسلات أصغر فأصغر، وتقترب إجابتك أكثر فأكثر من الحقيقة دون أن تصبح "قفزية" أبداً.

لماذا يهم هذا؟

لا توجد ألعاب تخمين: غالباً ما كانت الطرق القديمة تتطلب تقدير "المعلمات المزعجة" (تخمين شكل توزيع البيانات أولاً). إذا كان تخمينك خاطئاً قليلاً، فستكون إجابتك النهائية خاطئة. هذه الطريقة الجديدة مباشرة. فهي لا تحتاج لتخمين شكل البيانات؛ بل تطابق البيانات كما هي.
المتانة (Robustness): إذا كانت البيانات فوضوية قليلاً أو مزاحة (على سبيل المثال، مجموعة العلاج أكبر سناً في المتوسط)، فإن هذه الطريقة لا تنكسر. إنها تمتص الضجيج.
حدود أفضل: في اختباراتهم، أنتجت هذه الطريقة نطاقات (مجموعات PI) أكثر إحكاماً ودقة من الطرق الموجودة، خاصة عندما كانت العلاقة بين المتغيرات معقدة وغير خطية (مثل المنحنى بدلاً من الخط المستقيم).

الملخص

فكر في هذه الورقة البحثية كاختراع لـ شريط قياس جديد فائق الاستقرار للاستدلال السببي.

المشكلة: لا يمكننا رؤية المستقبل (أو الماضي)، لذا يتعين علينا تقدير نطاق من الاحتمالات.
الخلل: أشرطة القياس السابقة كانت مهتزة وتتحطم إذا لم تكن البيانات مثالية.
الإصلاح: ابتكر المؤلفون شريط قياس ينظر إلى هيكل البيانات (فاشرستاين المتكيفة) ويستخدم نهجاً "بكسلياً" لتنعيم الحواف الخشنة.
النتيجة: يمكننا الآن أن نقول، بثقة أكبر، مدى فعالية علاج ما، حتى عندما لا يمكننا ملاحظة سيناريو "ماذا لو" بشكل مباشر.

إنها تحول تخميناً مهتزاً وغير مؤكد إلى نطاق صلب ومثبت رياضياً.

إليك ملخص تقني مفصل للورقة البحثية بعنوان "التعرف الجزئي السببي عبر النقل الأمثل الشرطي" (Causal Partial Identification via Conditional Optimal Transport) لـ لين، وجاو، وبلانشيه، وغلين.

1. بيان المشكلة

تتناول الورقة تحدي التعرف الجزئي (Partial Identification - PI) في الاستدلال السببي. في نماذج النتائج المحتملة القياسية، تمتلك الوحدة نتيجتين محتملتين، $Y(0)$ (المجموعة الضابطة) و $Y(1)$ (مجموعة العلاج)، ولكن يتم رصد واحدة فقط منهما. وبناءً على ذلك، فإن التوزيع المشترك لـ $(Y(0), Y(1))$ غير قابل للتعرف عليه، مما يجعل التقديرات السببية التي تعتمد على هذا التوزيع المشترك (مثل تباين آثار العلاج، أو الارتباط بين النتائج) مستحيلة التقدير كنقاط محددة.

بينما استُخدم النقل الأمثل (Optimal Transport - OT) لاستخلاص الحدود (مجموعات PI) لهذه التقديرات بناءً على التوزيعات الهامشية، فإن وجود المتغيرات المسبقة للعلاج ( $Z$ ) يوفر وسيلة لتضييق هذه الحدود. من خلال التكييف مع $Z$ ، يمكن استخدام النقل الأمثل الشرطي (Conditional Optimal Transport - COT) لإيجاد التوزيع المشترك الأمثل الذي يحافظ على الهوامش (النتيجة-المتغير) $(Y(w), Z)$ لكل $w \in \{0, 1\}$ .

التحدي الجوهري:
التقدير المباشر لقيمة COT من عينات محدودة هو غير متسق إحصائياً تحت الطوبولوجيا الضعيفة (weak topology) القياسية.

عدم الاستمرارية: دالة COT غير مستمرة بالنسبة للطوبولوجيا الضعيفة.
ندرة البيانات: في فضاءات المتغيرات المستمرة، من النادر ملاحظة نفس قيمة المتغير تماماً في كل من مجموعتي العلاج والضبط. لذا، فإن المقدر "التبديلي" الساذج (باستخدام كتل نقطية تجريبية) يفشل في التقارب لأن التوزيعات الشرطية تكون غير معرفة عند نقاط محددة، مما يؤدي إلى عدم تطابق في الدعائم (supports).
القيود الحالية: تعتمد الطرق الحالية على عمليات التخفيف (relaxations)، أو التقدير غير المباشر لمعاملات الإزعاج (مثل درجات الميل أو الكثافات الشرطية)، أو إجراءات استدلالية تفتقر إلى الضمانات النظرية.

2. المنهجية

يقترح المؤلفون مقدراً مباشراً ومتسقاً وغير معلمي (non-parametric) لقيمة COT يتجنب تقدير معاملات الإزعاج. تعتمد المنهجية على ثلاث ركائز أساسية:

أ. التحول الطوبولوجي: مسافة فايشركرستر (Adapted Wasserstein Distance)

يؤكد المؤلفون أنه بينما تكون دالة COT غير مستمرة تحت الطوبولوجيا الضعيفة، فإنها تصبح مستمرة تحت طوبولوجيا أقوى مستحثة بواسطة مسافة فايشركرستر ( $W_a$ ).

التعريف: تقيس $W_a$ المسافة بين التوزيعات المشتركة $(Y, Z)$ عن طريق مواءمة هوامش المتغيرات ( $Z$ ) بشكل أمثل مع تقليل تكلفة نقل توزيعات النتائج الشرطية ( $Y|Z$ ).
الأهمية: تفرض هذه الطوبولوجيا تقارب التوزيعات الشرطية، وهو أمر ضروري لاتساق COT.

ب. التوزيع التجريبي المتكيف (Adapted Empirical Distribution)

لبناء مقدر يتقارب تحت $W_a$ ، قدم المؤلفون توزيعاً تجريبياً متكيفاً:

التقسيم (Discretization): تقسيم فضاء المتغيرات $Z$ إلى شبكة محدودة من الخلايا (مكعبات) بطول ضلع $n^{-r}$ .
الإسقاط: إسقاط المتغيرات المرصودة على مراكز الخلايا الخاصة بها.
البناء: يقوم المقدر بتجميع النتائج داخل كل خلية، مما يخلق تقريباً منفصلاً للتوزيع الشرطي.
- من المهم ملاحظة أن المتغير $Z$ فقط هو الذي تم تقسيمه؛ بينما تظل النتيجة $Y$ مستمرة.
- يضمن هذا التقسيم تقارب التوزيعات الشرطية التجريبية إلى التوزيعات الشرطية الحقيقية في مقياس $W_a$ .

ج. خوارزمية التقدير

يتم حساب المقدر المقترح، $\hat{V}_{n_0, n_1}$ ، كما يلي:

التقسيم: رسم خرائط للمتغيرات المرصودة $Z_i$ إلى مراكز الخلايا $\phi_r(Z_i)$ .
الاقتران (Coupling): إنشاء اقتران $\hat{\pi}$ بين التوزيعات التجريبية للمتغيرات لجموعتي العلاج والضبط، بحيث يقلل هذا الاقتران المسافة بين هوامش $Z$ المنفصلة (مما يؤدي فعلياً إلى مطابقة الخلايا).
التكامل: حساب التكلفة المتوقعة عبر التوزيعات الشرطية المقترنة:
$\hat{V}_{n_0, n_1} = \int W_h(\hat{\mu}^{z_0}_{Y(0)}, \hat{\mu}^{z_1}_{Y(1)}) d\hat{\pi}(z_0, z_1)$
حيث $W_h$ هي مسافة OT القياسية بين توزيعات النتائج الشرطية داخل الخلايا المتطابقة.

د. التعامل مع انزياح المتغيرات (Covariate Shift)

بالنسبة للدراسات الرصدية حيث يعتمد تخصيص العلاج على المتغيرات (درجات ميل غير ثابتة)، وسع المؤلفون الطريقة من خلال:

إعادة الوزن (Reweighting): تطبيق أوزان عكس الميل ذاتية المعايرة (self-normalized inverse propensity weights) لمحاذاة توزيعات المتغيرات لمجموعتي العلاج والضبط مع الهامش السكاني.
الضبط المتقاطع (Cross-Fitting): استخدام إجراء ضبط متقاطع ثنائي المجلد لتقدير درجة الميل والتوزيع التجريبي المتكيف بشكل مستقل، مما يضمن الصلاحية الإحصائية.

3. المساهمات الرئيسية

الاستمرارية النظرية: إثبات أن دالة COT مستمرة تحت الطوبولوجيا المستحثة بواسطة مسافة فايشركرستر (النظرية 2)، مما يحل مشكلة عدم اتساق المقدرات التبديلية.
مقدر مباشر متسق: اقتراح مقدر غير معلمي لا يتطلب تقدير دوال الإزعاج (مثل الكثافات أو الانحدارات الشرطية) مباشرة، مما يتجنب "لعنة الأبعاد" المرتبطة بالانحدار غير المعلمي.
معدلات التقارب: اشتقاق معدلات تقارب العينة المحدودة للمقدر. يعتمد المعدل على أبعاد فضاءات المتغير ( $d_Z$ $d_{Z}$ ) والنتيجة ( $d_Y$ $d_{Y}$ ):
- المعدل: $O(N^{-\frac{1}{d_Z + 2 \vee d_Y}})$ (مع تجاهل العوامل اللوغاريتمية).
- هذا المعدل مثالي للتقدير غير المعلمي في هذا السياق.
المتانة: إثبات ضمانات المتانة ضد انزياحات توزيع المتغيرات (النظرية 5)، مما يظهر استقرار المقدر تحت الاضطرابات الصغيرة.
التوسع ليشمل البيانات الرصدية: تعميم الإطار ليشمل التصميمات غير المتوافقة مع العوامل (unconfounded designs) ذات تخصيص العلاج المعتمد على المتغيرات، مما يوفر طريقة دقيقة للتعرف الجزئي في البيئات الرصدية الواقعية.

4. النتائج

النتائج النظرية

الاتساق: يتقارب المقدر بالتأكيد (almost surely) نحو قيمة COT الحقيقية مع زيادة حجم العينة (النظرية 3).
حدود العينة المحدودة: توفر الورقة حدود خطأ صريحة (النظرية 4) توضح المقايضة بين الانحياز (الذي يتم التحكم فيه عبر حجم الخلية) والتباين.
المثالية: أظهرت مجموعات PI المستخرجة أنها أضيق الحدود الممكنة نظراً لهوامش (النتيجة-المتغير) المرصودة (النظرية 1).

النتائج التجريبية

البيانات الاصطناعية: تم اختبار الطريقة على نماذج خطية، تربيعية، ونماذج قياس (scale models) مع ضجيج غاوسي.
- الأداء: تفوق مقدر "Adapt" المقترح باستمرار على الطرق الموجودة (DualBounds باستخدام انحدار ريدج و KNN) في النماذج غير الخطية (النماذج التربيعية والمقياس) حيث فشلت الافتراضات المعلمية.
- بيرنولي مقابل الرصدي: أظهرت الطريقة متانة في كل من الإعدادات العشوائية (بيرنولي) والرصدية (المعتمدة على المتغيرات).
البيانات الحقيقية (مشروع STAR): تم تطبيقها على مجموعة بيانات شبه اصطناعية مستمدة من مشروع (Student Achievement and Retention - STAR).
- قدم المقدر حدوداً أضيق وأكثر دقة للارتباط بين النتائج المحتملة مقارنة بالطرق المرجعية.
تحليل الحساسية: أظهرت الطريقة حساسية منخفضة تجاه اختيار ثابت التقسيم $c$ وظلت مستقرة تحت انزياحات توزيع المتغيرات.

5. الأهمية والأثر

جسر الفجوة بين النظرية والتطبيق: يحل هذا العمل فجوة نظرية أساسية في الاستدلال السببي من خلال توفير مقدر متسق لـ COT، وهي أداة كانت تعتبر سابقاً صعبة التقدير بسبب عدم الاستمرارية الطوبولوجية.
استدلال خالٍ من النماذج (Model-Free): من خلال تجنب تقدير معاملات الإزعاج (الكثافات/الانحدارات)، تكون الطريقة أكثر متانة تجاه الخطأ في توصيف النموذج، وهي مشكلة شائعة في الاستدلال السببي عالي الأبعاد.
حدود أضيق: إن استخدام المتغيرات عبر COT يقلص مجموعات التعرف الجزئي بشكل كبير مقارنة بـ OT القياسي، مما يؤدي إلى استنتاجات سببية أكثر دقة (مثل فترات الثقة الأضيق لتباين أثر العلاج).
قابلية التطبيق العام: الإطار قابل للتطبيق على فئة واسعة من التقديرات السببية ويتعامل مع البيانات العشوائية والرصدية على حد سواء، مما يجعله أداة متعددة الاستخدامات لتقييم السياسات والبحث العلمي.

باختصار، توفر هذه الورقة أساساً رياضياً صارماً وخوارزمية عملية لتقدير الحدود السببية باستخدام النقل الأمثل الشرطي، متجاوزةً القيود السابقة المتعلقة بندرة البيانات وعدم الاستمرارية الطوبولوجية.