📊 statistics

Untangling Sample and Population Level Estimands in Bayesian Causal Inference

توضح هذه الورقة الفروق الجوهرية بين المقدرات السببية على مستوى العينة وعلى مستوى المجتمع في الاستدلال البايزي لمنع أخطاء التنفيذ الشائعة، مستعرضةً من خلال أربعة أمثلة تفصيلية بلغة "ستان" (Stan) كيفية التطبيق الصحيح للتفكير القائم على المبادئ الأولى ونظرية بايز عبر مراحل التحديد والنمذجة والحوسبة.

المؤلفون الأصليون: Arman Oganisian

نُشر 2026-03-03

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Arman Oganisian

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

إليك شرح لورقة بحثية بعنوان "فك الاشتباك بين مقدرات مستوى العينة ومستوى المجتمع في الاستدلال السببي البايزي" باستخدام لغة بسيطة وتشبيهات إبداعية.

الفكرة الكبرى: "مَن" هو الأمر المهم

تخيل أنك طبيب تحاول معرفة ما إذا كان دواء جديد فعالاً أم لا. لديك مجموعة من المرضى في عيادتك (العينة). تريد معرفة شيئين:

التفاصيل المحددة: "كيف يعمل هذا الدواء بالنسبة لهؤلاء الـ 50 شخصاً الجالسين في غرفة الانتظار الآن؟"
القاعدة العامة: "كيف يعمل هذا الدواء لجميع الناس في العالم الذين قد يعانون من هذه الحالة؟"

تجادل الورقة بأن العديد من الباحثين يخلطون بين هذين السؤالين عن طريق الخطأ. فهم يعتقدون أنهم يجيبون على سؤال "القاعدة العامة"، لكنهم في الواقع يجيبون فقط على سؤال "التفاصيل المحددة". يؤدي هذا إلى استنتاجات خاطئة وتوقعات مفرطة في الثقة.

يقول المؤلف، أرمان أوغانيسيان: "توقف عن التخمين. كن دقيقاً بشأن من تتحدث عنه."

الارتباك الجوهري: "قطعة اللغز المفقودة"

لفهم سبب صعوبة هذا الأمر، تخيل لغزاً (Puzzle).

القطعة الواقعية: أنت ترى ما حدث لمريض تناول الدواء. (لدينا هذه القطعة).
القطعة المقابلة للواقع (Counterfactual): أنت لا ترى ما كان سيحدث لنفس هذا المريض لو أنه تناول حبة السكر بدلاً من الدواء. (هذه القطعة مفقودة).

في الإحصاء، نسمي هذه القطعة المفقودة "المقابلة للواقع" (Counterfactual).

الاستدلال على مستوى العينة (نهج "مَن في الغرفة"): تريد معرفة متوسط التأثير لهؤلاء الأشخاص المحددين الموجودين لديك. للقيام بذلك، عليك أن تخمن (تعوض) قطعة اللغز المفقودة لكل شخص في غرفتك. عليك أن تتخيل: "لو أخذ الشخص (أ) الحبة، فقد تعافى. ولكن ماذا لو أخذ حبة السكر؟ هل كان سيتعافى؟ أم سيسوء حاله؟"
- الفخ: لتخمين هذا، عليك أن تفترض افتراضاً جامحاً حول كيفية ارتباط عالم "الحبة" بعالم "حبة السكر". تطلق الورقة على هذا اسم "افتراض العالم المتقاطع" (Cross-World Assumption). الأمر يشبه افتراض أنك إذا قفزت من منحدر في كونٍ ما، فستهبط في نقطة محددة في كون موازٍ. إنه أمر مستحيل الإثبات، لكن عليك افتراضه لإجراء العمليات الحسابية.
الاستدلال على مستوى المجتمع (نهج "القاعدة العامة"): تريد معرفة متوسط التأثير لجميع الناس في العالم. أنت لا تهتم بالقطعة المفقودة المحددة للشخص (أ). أنت تهتم فقط بـ الشكل المتوسط لقطع اللغز لمجتمع بأكمله.
- الفائدة: لست بحاجة لتخمين القطعة المفقودة لكل شخص. أنت فقط بحاجة لفهم القواعد العامة للمجتمع. يمكنك تجاهل الارتباط بـ "العالم المتقاطع" لأنك تقوم بعملية المتوسط (Averaging) التي تلغي أثره.

الأخطاء الأربعة الرئيسية التي يقع فيها الناس

تسلط الورقة الضوء على أربع طرق يتعثر بها الناس:

1. خطأ "المقاس الواحد للجميع" (التفسير)

تشبيه: تخيل أنك تقيس طول 10 طلاب محددين في فصل دراسي.
- تأثير العينة: "متوسط طول هؤلاء الـ 10 أطفال هو 162 سم".
- تأثير المجتمع: "متوسط طول جميع الأطفال في المدينة هو 158 سم".
الخطأ: إذا حسبت متوسط طول هؤلاء الـ 10 أطفال ثم ادعيت أنه يمثل المدينة بأكملها، فقد تكون مخطئاً. توضح الورقة أن "عدم اليقين" (مدى احتمالية خطئك) يختلف تماماً بين الـ 10 أطفال وبين المدينة بأكملها. تقدير المدينة عادة ما يكون أكثر ضبابية لأن المدينة أكبر وأكثر تنوعاً.

2. خطأ "الافتراض السحري" (نمذجة العالم المتقاطع)

تشبيه: لتخمين ما كان سيفعله الشخص (أ) لو أخذ حبة السكر، عليك أن تفترض وجود رابط سحري بين "ذاته مع الدواء" و"ذاته مع حبة السكر".
الخطد: بالنسبة لـ "التفاصيل المحددة" (العينة)، يجب عليك وضع هذا الافتراض السحري. أما بالنسبة لـ "القاعدة العامة" (المجتمع)، فأنت عادةً لا تحتاج لذلك. يقع العديد من الباحثين في الخطأ عبر محاولة حساب "القاعدة العامة" ولكنهم يستخدمون بالخطأ "الافتراض السحري" المخصص لـ "التفاصيل المحددة". هذا يجعل نتائجهم تبدو أكثر تأكيداً مما هي عليه في الواقع.

3. خطأ "النقطة العمياء" (عدم اليقين)

تشبيه: إذا خمنت القطعة المفقودة لشخص واحد، فستكون غير متأكد جداً. إذا خمنت المتوسط لمليون شخص، فإن الأخطاء ستلغي بعضها البعض، وتصبح أكثر تأكداً.
الخطأ: إذا عاملت "التفاصيل المحددة" (وهي غير مؤكدة للغاية) كما لو كانت "القاعدة العامة" (التي يجب أن تكون أكثر تأكداً)، فستصل إلى استنتاجات خاطئة. ستكون "فترة الثقة" الخاصة بك (شبكة الأمان) ضيقة جداً، وقد تعتقد أنك تعرف أكثر مما تعرف فعلياً.

4. خطأ "الطريق المختصر" (الحوسبة)

تشبيه: تخيل أنك تريد معرفة متوسط وزن جميع التفاح في مستودع.
- الطريقة الصحيحة (المجتمع): تأخذ بعض العينات، وتبني نموذجاً للمستودع، ثم تقوم بمحاكاة متوسط وزن تفاح جديد بناءً على ذلك النموذج.
- الطريقة الخاطئة (العينة/الطريق المختصر): تأخذ الـ 50 تفاحة التي لديك، وتزنها، وتقول: "هذا هو المتوسط للمستودع بأكمله".
الخطأ: تنتقد الورقة طريقة شائعة (الصيغة G البايزية - Bayesian G-Formula) حيث يقوم الباحثون بأخذ عينتهم المحددة، ويحاكيون نتائج جديدة لنفس هؤلاء الأشخاص، ثم يسمونها "متوسط المجتمع". لكنها ليست كذلك؛ إنها مجرد طريقة متطورة لوصف الأشخاص المحددين الذين تملكهم بالفعل.

كود "ستان" (Stan) و"الصندوق الأسود"

يستخدم المؤلف برنامج كمبيوتر يسمى Stan ليوضح بالضبط كيفية إجراء الرياضيات بشكل صحيح.

الطريقة القديمة: كان الباحثون يضعون القطع المفقودة (المقابلات للواقع) في "صندوق أسود" في نهاية الكود، مدعين أنها مجرد أرقام ليتم حساب متوسطها.
الطريقة الجديدة: يقول المؤلف: "إذا كنت تريد معرفة الأشخاص المحددين، يجب عليك تعريف تلك القطع المفقودة كـ متغيرات مجهولة في بداية الكود مباشرة". أما إذا كنت تريد معرفة المجتمع، فيجب عليك دمجها وحذفها رياضياً (Integrate them out) والتركيز فقط على قواعد المجتمع.

"وصفة" النجاح

تنتهي الورقة بوصفة بسيطة لأي شخص يقوم بهذا النوع من الأبحاث:

اسأل "مَن؟": قبل كتابة سطر واحد من الكود، اسأل نفسك: "هل أحاول التعلم عن هؤلاء الأشخاص المحددين أم عن كل من يشبههم؟"
تحقق من المكونات:
- إذا كان الأمر يتعلق بـ أشخاص محددين: يجب عليك نمذجة القطع المفقودة للجميع. كن مستعداً لوضع "افتراضات العالم المتقاطع" (واعترف بأنها مجرد افتراضات).
- إذا كان الأمر يتعلق بـ الجميع: لست بحاجة لتخمين القطع المفقودة للأفراد. أنت فقط بحاجة لنمذجة توزيع المجتمع.
اتبع الرياضيات: لا تتخذ طرقاً مختصرة. إذا كنت تريد متوسط المجتمع، فلا تكتفِ بحساب متوسط الأشخاص المحددين لديك. بل قم بمحاكاة أشخاص جدد بناءً على نموذجك.

الملخص

اعتبر هذه الورقة بمثابة "ملصق تحذيري" على آلة معقدة. تقول لك: "لا تخلط بين الأجزاء المحددة التي تمسكها وبين الآلة الكاملة التي جاءت منها."

إذا كنت تريد معرفة كيف تعمل آلة ما للجميع، فلا تكتفِ بالعبث بالآلة التي في يدك. بل ابنِ نموذجاً للمصنع الذي صنعها. إذا خلطت بينهما، فقد تعمل الآلة معك، لكنها ستنفجر للجميع.

إليك ملخص تقني مفصل لورقة "فك الاشتباك بين تقديرات العينة والتقديرات السكانية في الاستدلال السببي البايزي" للباحث أرمان أوغانيسيان.

1. بيان المشكلة

تتناول الورقة مصدراً حرجاً وغالباً ما يتم تجاهله للخطأ في الاستدلال السببي البايزي، وهو الخلط بين تقديرات مستوى العينة (مثل تأثير العلاج الفردي [ITE]، ومتوسط تأثير علاج العينة [SATE]) وتقديرات مستوى المجتمع (مثل متوسط تأثير العلاج الشرطي [CATE]، ومتوسط تأثير علاج المجتمع [PATE]).

بينما تبدو هذه المفاهيم متشابهة، إلا أنها تختلف جوهرياً في:

هدف الاستدلال: تركز تقديرات مستوى العينة على الوحدات المحددة المرصودة في مجموعة البيانات ( $D_O$ )، بينما تستهدف تقديرات مستوى المجتمع متوسط التأثير عبر توزيع مجتمع فائق (super-population) سُحبت منه العينة.
افتراضات التحديد: يتطلب الاستدلال على مستوى العينة غالباً افتراضات عبر-العوالم (assumptions about the dependence between potential outcomes $Y(1)$ and $Y(0)$ لنفس الوحدة، والتي لا تُلاحظ معاً أبداً). أما الاستدلال على مستوى المجتمع، فغالباً لا يتطلب هذه الافتراضات إذا تم دمج المتغيرات المقابلة (counterfactuals) خارجياً.
التنفيذ الحسابي: تنشأ الأخطاء عندما يستخدم الباحثون عينات خلفية (posterior draws) مخصصة لتقدير واحد (مثل SATE) لإجراء استدلال حول تقدير آخر (مثل PATE)، أو عندما يفشلون في نشر عدم اليقين في توزيع المتغيرات المرافقة بشكل صحيح (على سبيل المثال، الخلط بين متوسط تأثير الخليط [MATE] وPATE).

2. المنهجية والإطار العملي

يستخدم المؤلف نموذج روبن السببي (RCM) ضمن إطار بايزي. وتتمثل المنهجية الأساسية في الاشتقاق الصارم لـ التوزيع الخلفي المشترك لجميع المجاهيل (المعلمات $\omega$ والمتغيرات المقابلة المفقودة $Y^M$ ) بناءً على البيانات المرصودة $D_O$ .

المكونات النظرية الرئيسية:

التوزيع الخلفي المشترك: $f(Y^M, \omega | D_O) \propto f(D_C; \omega)f(\omega)$ ، حيث $D_C$ هي البيانات الكاملة (المرصودة + المقابلة).
منطق الدمج (Marginalization Logic):
- مستوى العينة (ITE/SATE): يتطلب التوزيع الخلفي الهامشي للمتغيرات المقابلة $f(Y^M | D_O)$ . وهذا يستلزم استكمال المتغيرات المقابلة المفقودة من التوزيع المشترك، والذي يعتمد على معامل الاعتماد غير القابل للتحديد (non-identifiable cross-world dependence parameter) (مثل الارتباط $\rho$ ).
- مستوى المجتمع (CATE/PATE): يتطلب التوزيع الخلفي الهامشي للمعلمات الهيكلية $f(\omega | D_O)$ . حيث يتم دمج المتغيرات المقابلة المفقودة خارجياً. وبالنسبة لـ PATE، يتطلب الأمر أيضاً دمج الـ CATE عبر توزيع المتغيرات المرافقة $f(L)$ .
افتراضات عبر-العوالم (Cross-World Assumptions): تسلط الورقة الضوء على أن الاستدلال على مستوى العينة يتطلب عادةً افتراض بنية اعتماد محددة (مثل $\rho$ ) بين $Y(1)$ و $Y(0)$ . بينما تقديرات مستوى المجتمع مثل PATE غالباً لا تتطلب تحديد هذا الاعتماد إذا كان الهدف هو فقط المتوسط الهامشي، بشرط أن يكون النموذج للمتغيرات الهامشية صحيحاً.

النهج الحسابي:

تنفيذ Stan: توفر الورقة أمثلة مفصلة من كود Stan لتوضيط التنفيذ الصحيح.
البوتستراب البايزي (Bayesian Bootstrap - BB): لتجنب الافتراضات البارامترية القوية حول توزيع المتغيرات المرافقة $f(L)$ ، يدعو المؤلف إلى استخدام البوتستراب البايزي. هذا الإجراء ينشر عدم اليقين في توزيع المتغيرات المرافقة، بخلاف التوزيع التجريبي (الذي يثبت الأوزان عند $1/n$ ) ويتجنب فخ الـ "MATE".
تكامل مونت كارلو (Monte Carlo Integration): بالنسبة لتقديرات مستوى المجتمع المعقدة (مثل احتمالات النتائج المشتركة)، توضح الورقة استخدام محاكاة مونت كارلو لتقريب التكاملات عبر توزيع النتائج المحتملة المشترك، وهو أمر متميز عن مجرد الاستكمال الخلفي البسيط.

3. المساهمات الرئيسية

تقدم الورقة أربع مساهمات رئيسية:

التوضيح المفاهيمي: تحدد بوضوح الاختلافات الرياضية والمفاهيمية بين تقديرات العينة وتقديرات المجتمع، مؤكدة أن كل منهما يمثل دالة لمجاهيل مختلفة (المتغيرات المقابلة مقابل المعلمات).
تحديد الأخطاء الشائعة:
- الخلط بين MATE و PATE: تنتقد الورقة ممارسة استخدام التوزيع التجريبي (الأوزان الثابتة) لتقدير PATE. وتظهر أن هذا يؤدي إلى تقدير متوسط تأثير الخليط (MATE)، والذي يقلل من تقدير عدم اليقين لأنه يتجاهل التباين في توزيع المتغيرات المرافقة.
- الخلط عبر-العوالم: توضح أن معاملة عينات الـ ITE كأنها عينات من الـ CATE يؤدي إلى تقدير خاطئ لعدم اليقين (عدم اليقين في ITE عادة ما يكون أكبر بكثير).
- نقد Keil et al. (2018): يقدم المؤلف نقداً مفصلاً لتنفيذ "صيغة G البايزية" (Bayesian G-Formula) من قبل Keil وآخرون، مجادلاً بأن إجراءهم الحسابي (أخذ عينات من المتغيرات المرافقة من التوزيع التجريبي وحساب المتوسطات) يستهدف في الواقع كمية ذات عينة محدودة (شبيهة بـ SATE) بدلاً من PATE الذي ادعوه، ويفشل في مراعاة عدم اليقين في توزيع المتغيرات المرافقة.
النمذجة المرنة باستخدام الطرق غير المعلمية (Nonparametrics): توسع الورقة هذه المفاهيم لتشمل نماذج العمليات البايزية غير المعلمية (BNP)، وتحديداً خلطات عملية ديريكليه المقطوعة (DPM). وتوضح كيف يمكن اشتقاق CATE و PATE بشكل صحيح من DPM، مشيرة إلى أنه بينما يمكن اشتقاق CATE مباشرة من أوزان الخليط، فإن PATE يتطلب خطوة تكامل مونت كارلو إضافية عبر توزيع متغيرات الخليط.
التعامل مع سيناريوهات تعدد العلاجات وتغير الوقت: توضح الورقة أنه مع زيادة عدد العلاجات ( $K$ )، يزدل عدد معلمات الارتباط غير القابلة للتحديد عبر-العوالم بشكل متعدد الحدود ( $K(K-1)/2$ ). وهذا يجعل الاستدلال على مستوى العينة غير قابل للتنفيذ حسابياً دون افتراضات قوية غير قابلة للتفنيد، بينما يظل الاستدلال على مستوى المجتمع أكثر جدوى.

4. النتائج والأمثلة التوضيحية

تستخدم الورقة أربعة أمثلة مفصلة (منفذة في Stan) لتوضيح هذه النقاط:

المثال 1 (نموذج بارامتري بسيط): نموذج توزيع طبيعي ثنائي المتغير يقارن بين SATE و PATE.
- النتيجة: المتوسطات الخلفية لـ SATE و PATE متشابهة، لكن عدم اليقين الخلفي (التباين) لـ PATE أكبر بكثير لأنه يتضمن عدم اليقين من توزيع المتغيرات المرافقة. استخدام عينات SATE للاستدلال على PATE يؤدي إلى فترات ثقة ضيقة للغاية.
المثال 2 (نماذج المتغيرات المرافقة المرنة): مقارنة "PATE الدقيق" (البارامتري)، و PATE الخاص بالبوتستراب البايزي، و MATE (التوزيع التجريبي).
- النتيجة: يمتلك MATE (باستخدام الأوزان التجريبية الثابتة) مركزاً مشابهاً لـ PATE الحقيقي، ولكنه يقلل بشدة من تقدير عدم اليقين. يقوم البوتستراب البايزي بنشر عدم اليقين في توزيع المتغيرات المرافقة بشكل صحيح.
المثال 3 (النماذج المرنة BNP و عبر-العوالم): استخدام DPM المقطوعة لتقدير CATE مقابل ITE.
- النتيجة: توضح أنه حتى مع النماذج المرنة، يجب عدم الخلط بين عينات ITE (التي تتطلب استكمال $Y^M$ ) وعينات CATE (التي تعتمد على متوسطات المعلمات).
المثال 4 (تقديرات المجتمع التي تتطلب عبر-العوالم): تقدير احتمال الفشل المشترك $P(Y(1)>\tau, Y(0)>\tau)$ $P (Y (1) > τ, Y (0) > τ)$ .
- النتيجة: تظهر أن بعض تقديرات المجتمع تتطلب بالفعل افتراضات عبر-العوالم. النهج الصحيح يتضمن تكامل مونت كارلو عبر التوزيع المشترك باستخدام التوزيع الخلفي للمعلمات، بدلاً من مجرد استكمال الوحدات المرصودة.
المثال 5 (تعدد العلاجات): التوسع إلى $K > 2$ $K > 2$ علاجات.
- النتيجة: يسلط الضوء على عدم القدرة الحسابية للاستدلال على مستوى العينة بسبب انفجار معلمات الارتباط غير القابلة للتحديد، مما يعزز تفضيل تقديرات مستوى المجتمع في السياقات المعقدة.

5. الأهمية والخاتمة

تعتبر هذه الورقة امتداداً تقنياً للأعمال السابقة لـ Ding & Li (2018) و Li et al. (2023)، حيث تنتقل من المراجعات المفاهيمية إلى الدقة على مستوى التنفيذ.

الأثر العملي: توفر قائمة مرجعية للممارسين لتجنب أخطاء التنفيذ الشائعة، خاصة فيما يتعلق باختيار التقدير ونشر عدم اليقين.
التوجيه المنهجي: تدعو إلى "التفكير من المبادئ الأولى":
1. تحديد التقدير الجوهري (عينة أم مجتمع).
2. تحديد المجاهيل التي يعتمد عليها.
3. اشتقاق التوزيع الخلفي الهامشي المحدد المطلوب.
4. التنفيذ بصرامة وفقاً لقاعدة بايز، مع ضمان جعل افتراضات "عبر-العوالم" صريحة وعند الضرورة فقط.
التوصية: تخلص المؤلفة إلى أنه بينما قد يكون الاستدلال على مستوى العينة ضرورياً أحياناً (مثل حالات السكان المحدودة مثل مدينة واحدة)، فإن الاستدلال على مستوى المجتمع هو المفضل عموماً لضمان القدرة على التعميم. ومع ذلك، إذا تم اختيار الاستدلال على مستوى المجتمع، يجب على الباحثين استخدام طرق (مثل البوتستراب البايزي) التي تأخذ في الاعتبار بشكل صحيح عدم اليقين في توزيع المتغيرات المرافقة وتتجنب الخلط بين SATE/MATE و PATE.

باختيد، تجادل الورقة بأن التنفيذ الصحيح لا يقتصر فقط على مرونة النموذج، بل يتعلق بتحديد أي هامش من التوزيع الخلفي المشترك يتوافق مع السؤال العلمي. الفشل في القيام بذلك يؤدي إلى استدلالات غير صالحة، حتى عند استخدام نماذج بايزية متطورة.