Possibilistic inferential models: a review

العنوان: نماذج الاستدلال الإمكانِيّ: نظرة عامة
المؤلف: ريان مارتن
التاريخ: 13 نوفمبر 2025

1. بيان المشكلة والدوافع

يتناول المقال التحدي الجوهري المتمثل في التكميم القائم على البيانات لعدم اليقين والاستدلال الاستقرائي على المعلمات المجهولة ($\Theta$) في ظل غياب معلومات سابقة حقيقية. يرى المؤلف أن النهج الاحتمالي التقليدي – ولا سيما الاستدلال البايزي باستخدام التوزيعات السابقة القياسية وحجة فيشر الـ "فيدوسية" (fiducial) – يعاني من نقص متأصل في الموثوقية.

تتمثل المشكلة الجوهرية في ظاهرة "الثقة الزائفة". فكما أثبتت نظرية الثقة الزائفة (بالتش مع آخرون، 2019)، فإن أي تكميم احتمالي لعدم اليقين يعتمد على البيانات (سواء كان بايزياً، أو فيدوسياً، أو غير ذلك) ويخصص قيم احتمالية دقيقة للفرضيات، سيؤدي حتماً في حالات المعلومات السابقة الغامضة إلى تخصيص احتمالية عالية لبعض الفرضيات الخاطئة. وهذا يؤدي إلى "استنتاجات مضللة بشكل منهجي". ويفترض المؤلف أن هذا ليس عيباً في توزيعات سابقة محددة أو بناءات فيدوسية معينة، بل هو قصور في نظرية الاحتمالات نفسها عند تطبيقها على عدم اليقين الإبستيمي (غموض التوصيف) دون معرفة سابقة.

يجادل المقال بأنه لتحقيق الموثوقية، يجب الانتقال من الاحتمالية الجمعية نحو الاحتمالية غير الدقيقة، وتحديداً نظرية الإمكان (Possibility Theory). والهدف هو بناء إطار عمل يقدم تكميماً لعدم اليقين يكون كاملاً مشروطاً وشبيهاً بالمنهج البايزي، مع الحفاظ في الوقت نفسه على موثوقية تكرارية (frequentist reliability) قابلة للإثبات (المعايرة).

2. المنهجية: نماذج الاستدلال الإمكانِيّ (IMs)

يراجع المقال ويوسع بناء نماذج الاستدلال الإمكانِيّ (IMs). وعلى عكس إطار العمل الأصلي لنماذج الاستدلال (مارتن وليو، 2015ب)، الذي كان يعتمد على عملية من ثلاث خطوات تتضمن ارتباطاً مولداً للبيانات ($Z = a(\Theta, U)$) ومجموعات عشوائية، يركز النهج المراجع على بناء أكثر مباشرة يعتمد على "الأرجحية" (likelihood)، ويتجنب الحاجة إلى تقليل الأبعاد اليدوي أو خيارات الارتباط المحددة.

الخطوات الرئيسية للبناء:

1. الترتيب (Ranking): تستخدم الطريقة دالة ترتيب لتقييم مدى توافق قيم المعلمة $\theta$ مع البيانات المرصودة $z$. في الحالة القياسية، تكون هذه هي الأرجحية النسبية:
   $$R(z, \theta) = \frac{p_\theta(z)}{\sup_{\vartheta} p_\vartheta(z)}$$
   ويشير المقال إلى أنه يمكن استخدام دوال ترتيب أخرى (مثل أرجحية الملف الشخصي/profile likelihood، أو المخاطرة التجريبية) اعتماداً على السياق.
2. التحقق (Validation): لضمان الموثوقية، يتم تحويل دالة الترتيب عبر تحويل "الاحتمال إلى الإمكان" إلى كنتور إمكانِيّ $\pi_z(\theta)$. تقوم هذه الخطوة بـ "التحقق" من الترتيب عبر معايرته مقابل توزيع العينات:
   $$\pi_z(\theta) = P_\theta \{ R(Z, \theta) \leq R(z, \theta) \}$$
   يستوفي هذا الكنتور الشرط $\sup_\theta \pi_z(\theta) = 1$، حيث تتحقق القيمة القصوى عند مقدر الإمكان الأعظم (MLE).
3. تكميم عدم اليقين: يحدد الكنتور مقياس الإمكان (الاحتمال العلوي) $\Pi_z$ ومقياس الضرورة (الاحتمال السفلي) $\bigtriangledown_z$:
   $$\Pi_z(H) = \sup_{\theta \in H} \pi_z(\theta), \quad \bigtriangledown_z(H) = 1 - \Pi_z(H^c)$$
   تقيس هذه المقاييس مدى معقولية (plausibility) وضرورة (necessity) الفرضيات $H$ عبر $\Theta$.

التعامل مع المعلمات المزعجة (Nuisance Parameters):
يصف المقال استراتيجيتين للتخلص من المعلمات المزعجة:

• التمديد (Extension): عملية عامة تستخدم مبدأ التمديد (التحسين عبر فضاء المعلمات المزعجة)، والتي تحافظ على الصلاحية ولكنها قد تكون متحفظة.
• التنميط (Profiling): نهج أكثر كفاءة يقوم بترتيب قيم المعلمات محل الاهتمام باستخدام أرجحية ملف شخصي نسبية قبل عملية التحقق. يؤدي هذا عموماً إلى كفاءة أعلى من التهميش القائم على التمديد.

الحوسبة:
يراجع المقال استراتيجية حوسبية جديدة (مارتن، 2025ب) تتجنب التقييمات الشبكية المكلفة. فهي تبني "مجموعة اعتقاد" (مجموعة من الاحتمالات الدقيقة التي يهيمن عليها مقياس الإمكان) وتأخذ عينات من "تقريب احتمالي داخلي" (غالباً ما يكون توزيعاً منتظماً على حدود مجموعات الثقة). ثم يتم تحويل هذه العينات مرة أخرى إلى مقياس إمكان، مما يسمح بالتقييم بطريقة مونت كارلو.

3. المساهمات والنتائج الرئيسية

أ. الخصائص النظرية

• الصلاحية القوية: ثبت أن نموذج الاستدلال الإمكانِيّ هو صالح بقوة. وتحديداً، لكل $\alpha \in [0, 1]$:
  $$\sup_{\theta \in \mathcal{T}} P_\theta \{ \pi_Z(\theta) \leq \alpha \} \leq \alpha$$
  وهذا يعني أن المجموعات العليا من المستوى $\alpha$ للكنتور هي مجموعات ثقة دقيقة بنسبة $100(1-\alpha)\%$. وخلافاً للمجموعات الاعتقادية البايزية، لا تتطلب هذه المجموعات تقريبات تقاربية (asymptotic approximation) لتحقيق التغطية.
• التحكم في الثقة الزائفة: يتحكم إطار عمل IM في معدل الثقة الزائفة (FCR). لأي فرضية $H$، فإن احتمال أن يخصص الـ IM احتمالاً سفلياً عالياً لفرضية $H$ خاطئة محكوم بمستوى المعنوية $\alpha$. وهذا يحل مشكلة عدم الموثوقية المتأصلة في الطرق الاحتمالية.
• الكفاءة (مبرهنة بيرنستين-فون ميزس): تُعرض مبرهنة بيرنستين-فون ميزس إمكانِيّة جديدة (مارتن وويليامز، 2025). وهي توضح أنه تحت شروط انتظام قياسية، يتقارب كنتور الإمكان $\pi_{Z_n}$ نحو مقياس إمكان غاوسي (Gaussian) يتوافق تباينه مع حد كرامر-راو الأدنى. وبالتالي، فإن الـ IM كفء تقاربياً ويحقق أداء المقدرات الكلاسيكية دون التضحية بالصلاحية.

ب. التعميمات

• ما وراء النماذج البارامترية: تم توسيع إطار العمل ليشمل السياقات التي لا تتوفر فيها أرجحية بارامترية (مثل تعلم الآلة، وتقليل المخاطر). ومن خلال استبدال الأرجحية بدالة ترتيب عامة $\rho(z, \theta)$ (مثل المخاطرة التجريبية السالبة)، يظل بناء الـ IM صالحاً.
• التنبؤ: يوضح المقال صلة بـ التنبؤ التوافقي (Conformal Prediction). من خلال تطبيق إطار عمل IM على مشكلات التنبؤ (معاملة الملاحظة المستقبلية كمعلمة مزعجة يتم التخلص منها عبر التكييف مع التوزيع التجريبي)، يتبين أن كنتور التنبؤ الناتج يعادل مخرجات خوارزميات التنبؤ التوافقي الاستقرائية.
• المعلمات المزعجة: يوضح المقال أنه بينما يكون التنميط (profiling) أكثر كفاءة بشكل عام، إلا أنه قد يفشل في بيئات المعلمات المزعجة عالية الأبعاد (مثل مشكلات نيمان-سكوت)، مما يشير إلى ضرية الحاجة إلى الأرجحية الهامشية أو الشرطية في مثل هذه الحالات.

4. الأهمية والادعاءات

يزعم المقال أن نماذج الاستدلال الإمكانِيّ تمثل تقدماً كبيراً في الأسس الإحصائية من خلال:

1. التوحيد وسد الفجوات: يوفر إطار العمل "توحيداً" للأهداف التكرارية والبايزية، ولكن الأهم من ذلك، أنه يسد الفجوات في كليهما. فهو يقدم الاستدلال الكامل المشروط والمعتمد على البيانات الذي يرغب فيه البايزيون، بينما يضمن في الوقت ذاته التحكم في معدل الخطأ التكراري الذي يطلبه التكراريون.
2. حل أزمة "الثقة الزائفة": يوفر حلاً رياضياً صارماً لمشكلة الثقة الزائفة، مثبتاً أن التكميم الاحتمالي لعدم اليقين غير موثوق بطبيعته في غياب المعلومات السابقة، بينما التكميم الإمكانِيّ ليس كذلك.
3. إعادة تفسير المفاهيم الكلاسيكية: يجادل المقال بأن القيم الاحتمالية (p-values) وفترات الثقة يمكن تفسيرها بشكل طبيعي كمقاييس إمكان (مقاييس المعقولية)، وكمجموعات من قيم المعلمات المعقولة، على التوالي. وهذا يوفر تبريراً صارماً للتطبيق العملي لهذه الأدوات، وهو ما كان يفتقر إليه الأدب العلمي.
4. القابلية للتطبيق العملي: من خلال أدوات حوسبة جديدة والروابط مع التنبؤ التوافقي وطرق البوتستراب، يجادل المقال بأن نماذج IM ليست مجرد بناءات نظرية، بل هي قابلة للتوسع لتشمل مشكلات تعلم الآلة والنمذجة الحديثة، بما في ذلك تقليل المخاطر والتنبؤ.

يخلص المؤلف إلى أنه بينما لا يزال مجال نماذج IM في طور التطور (خاصة فيما يتعلق بالتوسع عالي الأبعاد والمعلومات السابقة غير الغامضة)، فإن إطار العمل يقدم بديلاً قوياً وموثوقاً ومرناً للنماذج القائمة، ويعالج أزمة جوهرية في الاستدلال الإحصائي.