📈 economics

The Honest Truth About Causal Trees: Accuracy Limits for Heterogeneous Treatment Effect Estimation

تُظهر هذه الورقة أن مُقدِّرات الأشجار السببية القياسية القائمة على قواعد التقسيم الجشعة من نوع (CART) تفشل في تحقيق معدلات تقارب حدودية، ويمكن أن تكون غير متسقة بسبب الاختيار المتكرر لتقسيمات شديدة عدم التوازن تسبب تباينًا كبيرًا في التقدير، وهو قصور يستمر حتى عند استخدام تقسيم العينات ("الأمانة").

المؤلفون الأصليون: Matias D. Cattaneo, Jason M. Klusowski, Ruiqi Rae Yu

نُشر 2026-03-19

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Matias D. Cattaneo, Jason M. Klusowski, Ruiqi Rae Yu

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

الحقيقة الصادقة حول "الأشجار السببية": لماذا تضل طريقها أحياناً في الغابة

تخيل أنك محقق يحاول معرفة سبب إصابة بعض الناس بالمرض بعد تناول طعام معين، بينما لا يصاب آخرون. لديك قائمة ضخمة من المشتبه بهم (البيانات) مع خصائص مختلفة: العمر، الوزن، مكان السكن، وماذا أكلوا.

لحل هذه المعضلة، تقرر استخدام شجرة القرار (Decision Tree). فكر في هذه الشجرة كأنها مخطط انسيابي عملاق. تبدأ من الأعلى وتطرح أسئلة مثل: "هل الشخص فوق سن الخمسين؟" إذا كانت الإجابة نعم، اذهب يساراً؛ وإذا كانت لا، اذهب يميناً. تستمر في تقسيم المجموعة إلى مجموعات فرعية أصغر فأصغر حتى تجد نمطاً: "آه! كل من هم فوق الخمسين ويعيشون في المدينة يمرضون، لكن لا أحد غيرهم كذلك".

هذه الطريقة تسمى تقدير الأشجار السببية (Causal Tree Estimation). وهي تحظى بشعبية لأنها بسيطة، وسهلة الفهم، وتبدو رائعة في اكتشاف هذه الأنماط المخفية (التي تسمى "تأثيرات العلاج المتباينة").

المشكلة الكبرى:
هذه الورقة البحثية، التي كتبها ثلاثة من علماء الإحصاء من جامعة برينستون، تسقط قنبلة مدوية: هذه الأشجار في الواقع سيئة للغاية في إيجاد الحقيقة في مناطق معينة صغيرة، حتى عندما تبدو البيانات مثالية.

إليك التفاصيل باستخدام تشبيهات بسيطة.

1. المحقق "الجشع" وعادة "القطع الطرفي"

الطريقة التي تُبنى بها هذه الأشجار هي طريقة جشعة (Greedy). عند كل خطوة، يبحث الخوارزمي في جميع الأسئلة الممكنة التي يمكن طرحها، ويختار السؤال الذي يبدو مفيداً بشكل فوري.

التشبيه:
تخيل أنك تحاول فرز كومة من 1000 كرة رخامية حسب لونها. تريد العثور على كرة زرقاء نادرة وصغيرة مخبأة في الكومة.

الطريقة الذكية: تنظر بعناية إلى الكومة بأكملها وتجد طريقة لتقسيمها بالتساوي.
الطريقة الجشعة (CART): يبحث الخواركزمي عن أسهل تقسيم. يلاحظ أنه إذا قطع الكومة على بُعد بوصة واحدة فقط من الحافة تماماً، فإنه سيفصل 999 كرة عن كرة واحدة. ورغم أن هذه الكرة الواحدة قد تكون هي الكرة الزرقاء النادرة، إلا أن الخوارزمي يرى "فرقاً هائلاً" بين المجموعة الكبيرة والمجموعة الصغيرة جداً. يقوم بهذا القطع لأنه يبدو "مثالياً" رياضياً في تلك اللحظة الخاطفة.

النتيجة:
تستمر الشجرة في القيام بهذه "القطوع الطرفية". إنها تقطع شرائح صغيرة جداً من البيانات. وفي النهاية، ينتهي بك الأمر بـ "عقدة طرفية" (ورقة في الشجرة) تحتوي على شخص واحد أو اثنين فقط.

2. مشكلة "الغرفة الفارغة"

بمجرد أن تمتلك الشجرة ورقة تحتوي على شخصين فقط، فإنها تحاول حساب "تأثير العلاج" (الإجابة) لتلك المجموعة.

التشبيه:
تخيل أنك تحاول تخمين متوسط طول الأشخاص في غرفة ما.

إذا كان لديك غرفة بها 1000 شخص، فسيكون تخمينك دقيقاً جداً.
أما إذا كان لديك غرفة بها شخص واحد تصادف أنه لاعب كرة سلة محترف، وقمت بتخمين أن كل الناس في العالم طولهم 7 أقدام، فسيكون تخمينك خاطئاً تماماً.

لأن الشجرة تنشئ هذه "الغرف" (العقد) غير المتوازنة والصغيرة جداً التي تضم عدداً قليم جداً من الناس، فإن "المتوسط" الذي تحسبه ليس سوى ضجيج (Noise). الأمر يشبه سماع همسة وسط عاصفة والاعتقاد بأنها صرخة. تُظهر الرياضيات أن هذه الأشجار يمكن أن تكون غير مستقرة للغاية في هذه المناطق الصغيرة، لدرجة أنها قد لا تقترب من الحقيقة أبداً حتى مع إضافة المزيد من البيانات. يمكن أن تظل "عالقة" في الخطأ للأبد.

3. "الأمانة" لا تعالج المشكلة

كان علماء الإحصاء يعرفون هذه المشكلة. وكان حلهم هو "الأمانة" (Honesty) (أو تقسيم العينات).

الفكرة: بناء الشجرة باستخدام 50% من البيانات، ثم اختبار إجابات الشجرة على الـ 50% الأخرى من البيانات. هذا يمنع الشجرة من "الغش" عبر حفظ الضجيج.

ما وجدته الورقة البحثية:
يقول المؤلفون: "الأمانة تساعد قليلاً، لكنها لا تصلح المحرك المعطل".
حتى لو قمت بتقسيم البيانات، فإن الخوارزمي الجشع سيظل يقطع تلك الشرائح الصغيرة والخطيرة من البيانات. ستظل الشجرة تنتهي بتلك "الغرف الفارغة" حيث تنهار الرياضيات. تظل الشجرة "الأمينة" غير متسقة في تلك المواضع المحددة.

4. سوء فهم "الغابة"

قد تفكر: "حسناً، ماذا عن الغابات العشوائية (Random Forests)؟ إنها تستخدم مئات الأشجار وتقوم بمتوسط نتائجها، أليس كذلك؟ لا بد أن ذلك آمن!"

الواقع:
تجادل الورقة بأن الضمانات الرياضية للغابات العشوائية تعتمد على افتراض خفي: وهو أن كل شجرة في الغابة تقسم البيانات بالتساوي (مثل قطع الكعكة إلى نصفين).
لكن أشجار "CART" القياسية (التي تُستخدم في معظم البرامج) لا تفعل ذلك. إنها تقوم بـ "القطوع الطرفية".

التشبيه: تخيل جوقة موسيقية يُفترض أن يغني فيها الجميع بتناغم مثالي. تقول النظرية: "إذا غنى الجميع بالتساوي، ستكون الأغنية جميلة". لكن في الواقع، المغنون يصرخون جميعاً بأعلى صوت لديهم (القطوع الطرفية). النظرية تفترض وجود جوقة مثالية، لكن الأداء الفعلي فوضوي. قد تعمل "الغابة" بشكل جيد في المتوسط، ولكن إذا سألتها عن مجموعة صغيرة ومحددة من الناس، فقد تعطيك إجابة خاطئة تماماً.

5. لماذا يهم هذا؟

إذا كنت طبيباً يستخدم شجرة لاتخاذ قرار بشأن المرضى الذين يتلقون دواءً جديداً، أو صانع قرار يقرر من يحصل على إعفاء ضريبي:

الخبر الجيد: قد تخبرك الشجرة أن التأثير العام صحيح.
الخبر السيئ: إذا نظرت إلى مجموعة فرعية محددة (مثل: "النساء فوق سن الستين اللواتي يعشن في مناطق ريفية")، فقد تكون الشجرة غير موثوقة تماماً. قد تقول إن الدواء يعمل بشكل رائع لهن، بينما في الواقع، هو لا يفعل شيئاً.

الخلاصة

المؤلفون لا يقولون "لا تستخدموا الأشجار". بل يقولون:

كن حذراً: لا تثق في الأرقام المحددة التي تعطيك إياها الشجرة للمجموعات الصغيرة.
الرياضيات معطلة: الطريقة القياسية لبناء هذه الأشجار (التقسيم الجشع) تخلق "خلايا صغيرة" تفسد الدقة في تلك المواضع المحددة.
نحتاج لقواعد جديدة: نحن بحاجة إلى قواعد رياضية جديدة أو خوارزميات مختلفة تجبر الأشجار على التقسيم بشكل أكثر توازناً، بدلاً من تركها تقطع الأطراف بجشع.

باختصار: الأشجار السببية تشبه الخريطة التي تعد مثالية للقيادة عبر قارة كاملة، ولكن إذا حاولت استخدامها للعثًور على منزل محدد في قرية صغيرة، فقد تقودك مباشرة إلى مستنقع. الخريطة "أمينة" بشأن الصورة الكبيرة، لكنها تكذب عليك بشأن التفاصيل.

إليك ملخص تقني مفصل لورقة "الحقيقة الصادقة حول الأشجار السببية: حدود الدقة لتقدير التأثيرات العلاجية غير المتجانسة" من تأليف كاتاتيو، وكلوسووسكي، وييو.

1. بيان المشكلة

تتناول الورقة القيود الإحصائية الجوهرية لـ أشجار القرار المتكررة (تحديداً خوارزميات من نوع CART) عند استخدامها لتقدير التأثيرات العلاجية غير المتجانسة (HTE) في كل من الدراسات التجريبية والرصدية.

بينما تُعتد الأشجار السببية (مثل إطار عمل أثي وإيمبنز، 2016) على نطاق واسع لقابليتها للتفسير وقدرتها على اكتشاف المجموعات الفرعية ذات التأثيرات العلاجية المختلفة، إلا أن خصائصها النظرية فيما يتعلق بـ معدلات التقارب الموحد (uniform convergence rates) لا تزال غير مفهومة بشكل جيد. يبحث المؤلفون فيما إذا كان تقسيم التقسيم الجشع (greedy recursive partitioning) القياسي يمكنه تحقيق معدلات تقارب متعددة الحدود (أي $O(n^{-\gamma})$ لبعض قيم $\gamma > 0$ ) في المعيار الموحد (supremum norm) عبر فضاء المتغيرات المستقلة، حتى في ظل الظروف المثالية حيث يكون التأثير العلاجي الحقيقي ثابتاً.

2. المنهجية والإعداد

عملية توليد البيانات (DGP)

يحلل المؤلفون إعداداً مبسطاً ولكنه نموذجي (الافتراض 1):

تجربة عشوائية: تعيين العلاج $D_i$ مستقل عن النتائج المحتملة والمتغيرات المستقلة.
تأثير علاجي ثابت: متوسط التأثير العلاجي الشرطي الحقيقي (CATE)، $\tau(x) = E[Y_i(1) - Y_i(0) | X_i = x]$ ، ثابت ( $\tau$ ) عبر كامل فضاء المتغيرات $X$ .
المتغيرات المستقلة: $X_i$ مستقلة وموزعة بشكل مستمر (على سبيل المثال، توزيع منتظم على $[0,1]^p$ ).
الأخطاء: أخطاء النتائج المحتملة هي أخطاء تحت-أسية (sub-exponential).

تم اختيار هذا الإعداد لأنه إذا فشلت طريقة ما في التقارب الموحد في أبسط حالة (التأثير الثابت)، فلا يمكن ضمان نجاحها للوظائف الأكثر تعقيداً وغير المتجانسة.

المقدرات المدروسة

تقيم الورقة ثلاث فئات رئيسية من مقدرات الأشجار السببية بناءً على معايğıات تقسيم مختلفة ومخططات استخدام البيانات:

معايير التقسيم:
- تعظيم التباين (DIM/IPW): تقسيمات تعظم الفرق المربع في التأثيرات العلاجية المقدرة بين العقد الأبناء.
- مجموع مربعات الأخطاء (SSE): تقلل مجموع مربعات البواقي لنموذج خطي داخل العقد.
مخططات استخدام البيانات:
- عدم تقسيم العينة (NSS): تُستخدم نفس البيانات لبناء الشجرة وتقدير التأثير.
- الصدق (HON): يتم استخدام تقسيم العينة؛ حيث تبني مجموعة فرعية واحدة الشجرة، بينما تقوم مجموعة فرعية مستقلة بتقدير التأثيرات.
- التكيف مع X (X-Adaptivity): حالة نظرية وسيطة حيث يتم مشاركة المتغيرات المستقلة، ولكن يتم تحديث النتائج عند كل عمق تقسيم.

3. المساهمات الرئيسية

تقدم الورقة ثلاث مساهمات نظرية رئيسية:

الحدود الدنيا للتقارب الموحد: يثبت المؤلفون أن مقدرات الأشجار السببية التي يتم بناؤها عبر التقسيم الجشع القياسي لا يمكنها تحقيق معدلات تقارب متعددة الحدود في $n$ في المعيار الموحد. فالمقدرات تتقارب بشكل أبطأ من أي معدل $n^{-b}$ لـ $b \in (0,1)$ .
عدم فعالية "الصدق" (Honesty): بينما يُعتقد على نطاق واسع أن تقسيم العينة (الصدق) يعالج الإفراط في التخصيص (overfitting) ويحسن صحة الاستدلال، يثبت المؤلفون أنه لا يحقق أكثر من تحسينات لوغاريتمية ضئيلة في معدلات التقارب. فهو لا يحل عدم الاتساق الجوهري الناتج عن آلية بناء الشجرة.
توضيح الانتظام من نوع $\alpha$ ( $\alpha$ -Regularity): توضح الورقة أن الضمانات النظرية الموجودة لغابات سببية (التي تعتمد على انتظام $\alpha$ ، أي التقسيمات المتوازنة) تتعارض مع تقسيم CART الجشع القياسي. ففي ظل الظروف الأساسية، يختار التقسيم الجشع تقسيمات غير متوازنة للغاية باحتمالية غير متلاشية، مما ينتهك الافتراضات المطلوبة لإثباتات اتساق الغابات الموجودة.

4. النتائج والآليات الرئيسية

الآلية: تفضيل "القطع الطرفي" والخلايا الصغيرة

الآلية الجوهرية التي تقود الفشل هي الطبيعة الجشعة للتقسيم المتكرر:

التقلبات العشوائية: عندما تكون الإشارة الحقيقية مسطحة (تأثير علاجي ثابت)، فإن معيار التقسيم يُقاد بالكامل بواسطة الضوضاء (التقلبات العشوائية في البيانات).
التقسيمات غير المتوازنة: مع وجود احتمالية غير متلاشية، يحدث "التقسيم الأمثل" (الذي يعظم المعيار بسبب الضوضاء) بالقرب من حدود العقدة الأب.
العقد الطرفية الصغيرة: تخلق هذه التقسيمات الطرفية عقدًا ابناء تحتوي على عدد قليل جداً من الملاحظات (على سبيل المثال، $O(n^b)$ لقيم صغيرة لـ $b$ ).
انفجار التباين: يتم تقدير التأثيرات العلاجية في هذه العقد الصغيرة عن طريق المتوسط المحلي. ومع وجود عينات قليلة جداً، يصبح تباين المقدر كبيراً بشكل تعسفي.
الانتشار المتكرر: مع تعمق الشجرة، تنتشر هذه المناطق الصغيرة ذات التباين العالي، مما يخلق "فركتالاً" (fractal) من الخلايا الصغيرة المنتشرة في كامل فضاء المتغيرات المستقلة.

النظريات الرسمية

النظرية 1 (الدقة الموحدة): لأي $b \in (0,1)$ ، فإن احتمال أن يتجاوز الخطأ الأعلى (supremum error) القيمة $C n^{-b/2} \sqrt{\log \log n}$ (لحالة NSS) أو $C n^{-b/2}$ (لحالة HON) يظل بعيداً عن الصفر. وهذا يعني أن المقدر غير متسق في المعيار الموحد.
النظرية 2 (دقة متوسط المربعات): على النقيك من ذلك، بالنسبة للتقارب الموحد، يمكن لـ متوسط مربع الخطأ المتكامل (IMSE) أن يحقق معدلات جيدة (قريبة من $O(n^{-1})$ ). وهذا يسلط الضوء على التوتر: قد تؤدي الأشجار أداءً جيداً في المتوسط (التنبؤ) ولكنها تفشل كارثياً عند نقاط محددة (التقدير/الاستدلال).
النظرية 3 (التكيف مع X وعدم الاتساق): حتى في ظل تصميمات X-adaptive (التي تفصل النتائج عند كل تقسيم)، إذا نما عمق الشجرة $K_n$ بشكل أسرع من $\log \log n$ ، يظل المقدر غير متسق موحداً.

تصحيح Eicker [1979]

كأثر تقني جانبي، يحدد المؤلفون ويصححون خطأً في دراسة Eicker (1979) يتعلق بالتوزيع الحدّي لـ "سوبريموم" (supremum) لعملية أورنستين-أولينيك (Ornstein-Uhlenbeck)، وهو أمر حاسم لإثاث برهانهم للحدود الدنيا.

5. الأهمية والآثار المترتبة

الحدود النظرية لـ CART: تقدم الورقة "نظرية عدم إمكانية" (no-go theorem) صارمة للتقدير الموحد للتأثيرات غير المتجانسة باستخدام الأشجار الجشعة القياسية. وهي تشير إلى أن قدرة CART على التكيف، والتي تجعلها جذابة للتنبؤ، هي نقطة ضعفها فيما يتعلق بالاستدلال السببي الموحد.
صحة الاستدلال: من المرجح أن تكون فترات الثقة القياسية القائمة على التوزيع الطبيعي التقاربي (مثل $\hat{\tau} \pm z_{\alpha} \cdot SE$ ) غير صالحة في المناطق التي تكون فيها العقد الطرفية صغيرة. وبما أن العقد الصغيرة تحدث باحتمالية غير متلاشية، فإن الصلاحية العالمية للاستدلال تصبح مهددة.
دور التنظيم (Regularization): تناقش الورقة أنه بينما يمكن للتنظيم (مثل الحد الأدنى لحجم العقدة) منع الخلايا الصغيرة، فإنه يؤدي إلى انحياز التقريب إذا لم يكن التأثير ثابتاً محلياً. علاوة على ذلك، فإن التنظيم العنيف يدمر القدرة على التكيف التي صُممت الأشجار لاستغلالها.
الغابات السببية: تشير النتائج إلى أن الضمانات النظرية للغابات السببية التي تعتمد على انتظام $\alpha$ (التقسيمات المتوازنة) لا تمتد تلقائياً إلى التطبيقات التي تستخدم قواعد تقسيم CART القياسية. ولتحقيق الاتساق، قد تتطلب الغابات قيوداً صريحة تفرض تقسيمات متوازنة، مما قد يضحي بالقدرة على اكتشاف المجموعات الفرعية الصغيرة والمهمة.
التنبؤ مقابل التقدير: يبرز التباين بين النظرية 1 (الفشل الموحد) والنظرية 2 (النجاح المتوسط) فرقاً جوهرياً في تعلم الآلة: يمكن للنموذج أن يكون متنبئاً ممتازاً (خطأ متوسط منخفض) بينما يكون مقدراً سيئاً لمجموعات فرعية محددة (أقصى خطأ في الحالة الأسوأ).

الخاتمة

تقدم الورقة "الحقيقة الصادقة": الأشجار السببية القياسية معيبة جوهرياً للتقدير الموحد للتأثيرات العلاجية غير المتجانسة. فهي تعاني من معدلات تقارب بطيئة وعدم اتساق محتمل بسبب توليد تقسيمات غير متوازنة للغاية مدفوعة بالضوضاء. وبينما قد تؤدي أداءً جيداً في المتوسط، إلا أنها لا تستطيع تقديم ضمانات موحدة موثوقة لتحليل المجموعات الفرعية دون تعديلات خوارزمية كبيرة قد تضعف من قدرتها على التكيف.