📊 statistics

Complier General Causal Effect in Randomized Controlled Trials with One-Sided Noncompliance

تثبت هذه الورقة إمكانية تحديد الأثر السببي العام للممتثلين (CGCE) القائم على الاحتمالية في التجارب العشوائية ذات عدم الامتثال أحادي الجانب، وتقترح مقدّرين، بما في ذلك مقدّر كفء شبه معلمي يستوعب أساليب تعلم الآلة الحديثة من خلال اشتراطه فقط تقارب معيار $L_2$ دون قيود على المعدل.

المؤلفون الأصليون: Yin Tang, Yanyuan Ma, Jiwei Zhao

نُشر 2026-04-21

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Yin Tang, Yanyuan Ma, Jiwei Zhao

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 تدير تجربة ضخمة لمعرفة ما إذا كانت حبة فيتامين جديدة وباهظة الثمن تجعل الناس يركضون بشكل أسرع بالفعل. لديك مجموعة من المتطوعين. تقوم بتوزيع نصفهم عشوائياً لتلقي الحبة (مجموعة العلاج) والنصف الآخر لتلقي حبة سكر (مجموعة الضبط).

في عالم مثالي، يتناول الجميع في مجموعة العلاج الحبة، ويتناول الجميع في مجموعة الضبط حبة السكر. لكن في العالم الحقيقي، البشر فوضويون.

المشكلة: "التمرد أحادي الجانب"

في هذا السيناريو المحدد، التمرد هو أحادي الجانب:

مجموعة الضبط: لا يمكنهم الحصول على الحبة الحقيقية. هم عالقون مع حبة السكر. (إنهم "عديمو الامتثال" أو Never-Takers).
مجموعة العلاج: لديهم الحبة، لكن بعضهم يقرر: "لا، لا أريد تناول هذه الحبة"، ثم يرمونها بعيداً. (إنهم "الممتثلون" إذا تناولوها، و"عديمو الامتثال" إذا لم يتناولوها).

الارتباك:
إذا قمت فقط بمقارنة متوسط سرعة الركض لكل من خُصصت لهم الحبة مقابل مجموعة السكر، فستحصل على نتيجة ضبابية. لماذا؟ لأن متوسط "مجموعة العلاج" ينخفض بسبب الأشخاص الذين رفضوا تناول الحبة. أنت هنا لا تقيس تأثير الحبة؛ بل تقيس تأثير عرض الحبة.

لقد حاول العلماء إصلاح هذا الأمر من قبل عبر النظر فقط إلى الأشخاص الذين تناولوا الحبة بالفعل (الممتثلين). ولكن عادةً، لم يكن بإمكانهم سوى حساب التأثير المتوسط. ماذا لو كانت الحبة تساعد العدائين البطيئين كثيراً ولكنها لا تفعل شيئاً للعدائين السريعين؟ أو ماذا لو كانت تساعد الـ 10% الأقل سرعة ولكنها تضر الـ 10% الأسرع؟ الطرق التقليدية غالباً ما تغفل هذه التفاصيل الدقيقة.

فكرة الورقة البحثية الكبرى: "الأثر السببي العام للممتثلين" (CGCE)

يقول مؤلفو هذه الورقة: "دعونا نتوقف عن التخمين. لنبني خريطة مثالية رياضياً لما يمكننا وما لا يمكننا معرفته".

لقد ابتكروا أداة مرنة تسمى الأثر السببي العام للممتثلين (CGCE). فكر في هذا ليس كرقم واحد، بل كـ سكين سويسري متعدد الاستخدامات.

إذا كنت تريد معرفة المتوسط، فسيفتح السكين ليصبح مفك براغي (وهذه هي الطريقة القديمة).
إذا كنت تريد معرفة التأثير على الوسيط (الرجل الذي يقع في المنتصف)، فسيتحول إلى فتاحة علب.
إذا كنت تريد معرفة التأثير على أفضل 10% من العدائين، فسيتحول إلى فتاحة زجاجات.

إنه يسم يسمح للباحثين بطرح أي سؤال حول الأشخاص الذين امتثلوا للقواعد بالفعل، وليس فقط المتوسط.

الحل: "مقدران" جديدان (آلتان حاسبتان)

لحساب هذا الأثر الجديد (السكين السويسري)، بنى المؤلفون آلتين حاسبتين:

1. الحاسبة "البسيطة"

هي مصباح يدوي يعمل بالتدوير اليدوي.

المزايا: سهلة الاستخدام. لا تحتاج إلى دكتوراه في الإحصاء أو حاسوب خارق. تعطيك إجابة سريعة لتأخذ تصوراً عاماً عن الموقف.
العيوب: إنها باهتة قليلاً (أقل دقة). قد تفوت بعض التفاصيل الدقيقة في البيانات.

2. الحاسبة "الفعالة"

هي مؤشر ليزر عالي التقنية.

المزايا: دقيقة للغاية. تجد الإجابة "الحقيقية" بأقل قدر ممكن من الخطأ.
الخدعة السحرية: عادةً، لجعل مؤشر الليزر بهذا القدر من الدقة، تحتاج إلى معرفة الشكل الدقيق للغرفة (توزيع البيانات) تماماً. إذا أخطأت في تخمين شكل الغرفة، فإن الليزر سيخرج عن المسار.
- الطريقة القديمة: كان عليك تخمين شكل الغرفة باستخدام قواعد محددة وصارمة جداً (مثل "يجب أن تكون الجدران ناعمة"). إذا كان تخمينك بعيداً قليلاً، فإن المنظومة بأكملها ستتعطل.
- طريقة هذه الورقة: اكتشفوا "قوة خارقة خالية من المعدل" (Rate-Free Superpower). أدركوا أنه طالما أن تخمينك لشكل الغرفة "قريب بما يكفي" (رياضياً، يتقارب بطريقة معينة)، فإن مؤشر الليزر سيظل يعمل بشكل مثالي.
- لماذا هذا مهم: هذا يعني أنه يمكنك استخدام التعلم الآلي الحديث (مثل الشبكات العصبية العميقة، وهي بارعة في إيجاد الأنماط المعقدة ولكن يصعب تحليلها رياضياً) لتخمين شكل الغرفة. حتى لو لم يكن نموذج التعلم الآلي "مثالياً" بالمعنى التقليدي، فإن طريقتهم تضمن أن النتيجة النهائية ستظل هي الأكثر دقة وممكنة.

الاختبار في العالم الحقيقي: التمويل الأصغر في المغرب

لإثبات نجاح طريقتهم، اختبروا منهجيتهم على بيانات حقيقية من برنامج للتمويل الأصغر في المغرب.

الإعداد: بعض القرى عُرضت عليها قروض صغيرة (مجموعة العلاج)، وأخرى لم تُعرض عليها (مجموعة الضبط). وفي القرى التي عُرضت عليها القروض، قام بعض الناس بأخذ القروض، بينما لم يفعل آخرون.
الهدف: هل ساعدت القروض بالفعل الناس على كسب المزيد من المال من أعمالهم؟
النتيجة: عندما استخدموا "مؤشر الليزر" الخاص بهم (المقدر الفعال مع التعلم الآلي)، وجدوا أن القروض لم يكن لها تأثير ذو دلالة إحصائية على الدخل للأشخاص الذين أخذوها بالفعل.
المفاجة: دراسة سابقة استخدمت طرقاً قديمة زعمت أن القروض قد ساعدت بالفعل. يشير المؤلفون إلى أن الدراسة القديمة ربما كانت صارمة جداً في افتراضاتها. طريقتهم الجديدة الأكثر مرونة تشير إلى أن التأثير قد يكون صفراً.

الخلاصة

هذه الورقة البحثية تشبه الترقية من مسطرة إلى ماسح ضوئي ثلاثي الأبعاد بالليزر.

إنها تعترف بأن الناس لا يتبعون القواعد دائماً في التجارب.
إنها تخلق طريقة مرنة لقياس التأثير على الأشخاص الذين اتبعوا القواعد بالفعل (الممتثلين)، سواء كنت تهتم بالمتوسط، أو المنتصف، أو الأطراف.
والأهم من ذلك، أنها تفتح آفاق الذكاء الاصطناعي لهذه التجارب. إنها تقول: "يمكنك استخدام أكثر أدوات الذكاء الاصطناعي تعقيداً وحداثة لتنظيف بياناتك، ولدينا ضمان رياضي بأن إجابتك النهائية ستظل هي الأكثر دقة وممكنة".

إنها جسر يربط بين الواقع الفوضوي للسلوك البشري وبين أحدث ما توصل إليه علم الحاسوب.

إليك ملخص تقني مفصل للورقة البحثية بعنوان "الأثر السببي العام للممتثلين في التجارب العشوائية ذات المجموعات الضابطة باستخدام التحكم في عدم الامتثال أحادي الجانب" من إعداد تانغ، وما، وتشانغ.

1. بيان المشكلة

تتناول الورقة البحثية تحدي تقدير الآثار السببية في التجارب العشوائية ذات المجموعات الضابطة (RCTs) عند حدوث عدم امتثال أحادي الجانب.

السياق: في العديد من التجارب العشوائية (مثل تجارب الأدوية الطبية أو برامج التدريب)، قد يختار الأفراد المعينون في مجموعة العلاج عدم تلقي العلاج، بينما لا يمكن لأولئك المعينين في مجموعة الضبط الوصول إلى العلاج.
المشكلة: تحليل "النية للعلاج" (ITT) القياسي يقدر أثر التعيين، وليس أثر تلقي العلاج. علاوة على على ذلك، فإن الأثر السببي للمجتمع بأكمله غير قابل للتحديد بشكل عام لأن حالة الامتثال (سواء كان الفرد "ممتثلاً" أم "غير ممتثل أبداً") غير ملاحظة لأولئك المعينين في مجموعة الضبط.
قصور الطرق الحالية: ركزت الأدبيات السابقة على مقاييس محددة مثل "متوسط الأثر السببي للممتثلين" (CACE) أو "الأثر السببي لربيع الممتثلين" (CQCE). وتعتمد المقدرات الفعالة الموجودة غالباً على افتراضات قوية تتعلق بمعدلات تقارب مقدرات المعلمات المزعجة (على سبيل المثال، تتطلب معدلات محددة لطرق النواة أو السيف)، مما يحد من استخدام خوارزميات تعلم الآلة الحديثة والمرنة.

2. المنهجية

أ. الإطار والقدرة على التحديد

وضع المؤلفون إطاراً صارماً للتحديد القائم على الاحتمالية (Likelihood-based identifiability) لعدم الامتثال أحادي الجانب.

هيكل البيانات: حددوا البيانات الملاحظة كـ $(X, Z, T, Y)$ ، حيث $Z$ هو التعيين، و $T$ هو العلاج المتلقى، و $W$ هي حالة الامتثال غير الملاحظة ( $W=1$ للممتثلين، و $W=0$ لغير الممتثلين أبداً). في حالة عدم الامتثال أحادي الجانب، يكون $T = ZW$ .
بلکه، $T = ZW$ .
الاحتمالية غير المعلمية (Nonparametric Likelihood): من خلال بناء دالة الاحتمالية غير المعلمية، أثبتوا أن النموذج قابل للتحديد. وتحديداً، أظهروا أن التوزيع المشترك للبيانات الملاحظة يحدد بشكل فريد المكونات الأساسية: كثافة النتائج للممتثلين ( $f_1$ )، وكثافة غير الممتثلين أبداً ( $f_0$ )، واحتمالية الامتثال ( $q(x)$ ).
المقياس الجديد (CGCE): بناءً على هذا التحديد، اقترحوا الأثر السببي العام للممتثلين (CGCE)، ويرمز له بـ $\tau = \tau_1 - \tau_0$ $τ = τ_{1} - τ_{0}$ .
- يتم تعريف $\tau_k$ كحل للمعادلة $E[u(Y_k, \tau_k) | W=1] = 0$ .
- هذا إطار موحد: اختيار $u(y, \tau) = y - \tau$ يعطي CACE؛ واختيار $u(y, \tau) = \mathbb{I}(y \le \tau) - \alpha$ يعطي CQCE.

ب. استراتيجيات التقدير

طورت الورقة طريقتين للتقدير لـ CGCE:

المقدر البسيط ( $\hat{\tau}_s$ ):
- مقدر متسق بمعدل جذر- $n$ ولا يتطلب تقديراً غير معلمي أو تعلم آلة.
- يحل معادلات التقدير بناءً على الاحتمالات الهامشية والنتائج الملاحظة، مع معاملة المكونات المزعجة كصفر أو استخدام شروط عزم بسيطة.
- رغم سهولة تنفيذه، فقد ثبت أنه غير فعال.
المقدر الفعال ( $\hat{\tau}$ ):
- الاشتقاق: اشتق المؤلفون دالة التأثير الفعالة (EIF) عن طريق إسقاط دالة التأثير للمقدر البسيط على الفضاء المماسي للنموذج شبه المعلمي. ينتج عن ذلك تفكيك شفاف يتضمن مكونات مزعجة قابلة للتفسير ( $\mu_1, \mu_2, \mu_3, q$ ) مرتبطة مباشرة بهيكل البيانات.
- التنفيذ: يحل المقدر معادلة EIF التجريبية. ويستخدم تقسيم العينات (Cross-fitting) لتقدير الدوال المزعجة ( $\mu$ و $q$ ) والمعلمة المستهدفة.
- الاختراق النظري الرئيسي (شرط الخلو من معدل التقارب): يثبت المبرهنة 2 أن تحقيق الكفاءة شبه المعلمية يتطلب فقط أن تتقارب مقدرات المعلمات المزعجة في معيار $L_2$ (الاتساق). لا توجد متطلبات لمعدلات تقارب محددة (مثل $n^{-1/4}$ ).
- الآثار المترتبة: هذه الخاصية "الخالية من المعدل" تسمح باستخدام طرق تعلم آلة حديثة ومعقدة (مثل الشبكات العصبية العميقة، أو الغابات العشوائية، إلخ) التي قد لا تستوفي شروط السلاسة أو المعدلات التقليدية، دون التضحية بكفاءة التقدير السببي النهائي.

3. المساهمات الرئيسية

تحليل منهجي للقدرة على التحديد: تقدم الورقة أول معالجة منهجية للتحديد القائم على الاحتمالية في التجارب العشوéticas ذات عدم الامتثال أحادي الجانب، مع توضيح دقيق للآثار السببية القابلة للتحديد وتلك غير القابلة للتحديد.
المقياس الموحد (CGCE): قدمت إطار عمل CGCE، وهو إطار عام يستوعب CACE و CQCE، مما يسمح باستدلال سببي مرن يتجاوز مجرد تأثيرات المتوسط أو الربيع.
الكفاءة الخالية من المعدل: أهم مساهمة نظرية هي إثبات أن الكفاءة شبه المعلمية يمكن تحقيقها مع مقدرات المعلمات المزعجة التي تحقق فقط الاتساق في معيار $L_2$ . هذا يزيل "عنق الزجاجة" المرتبط بـ "معدل الضرب" الشائع في الأدبيات شبه المعلمية، مما يتيح التكامل القوي لتعلم الآلة الحديث.
اشتقاق شفاف لـ EIF: على عكس النهج التي تستخدم المتغيرات الأداة المثلى، اشتق المؤلفون EIF عن طريق إسقاط دالة التأثير للمقدر البسيط، مما أدى إلى تفكيك ذي تفسيرات إحصائية واضحة مرتبطة بهيكل البيانات.

4. النتائج

الدراسات المحاكاتية

الإعداد: أُجريت عمليات المحاكاة مع أبعاد متغيرات متباينة ( $d=1, 4, 9$ ) وعمليات توليد بيانات مختلفة (خطية وغير خطية).
الأداء:
- التحيز: أظهرت جميع المقدرات (البسيط، الفعال-النواة، الفعال-الشبكة العصبية) تحيزاً ضئيلاً، مما يؤكد الاتساق.
- التباين: كان للمقدر البسيط تباين أعلى بكثير (غير فعال). حقق المقدر الفعال الحد الأقصى للكفاءة شبه المعلمية.
- تكامل تعلم الآلة: في الإعدادات عالية الأبعاد ( $d=9$ )، تفوق المقدر الفعال المدمج مع الشبكات العصبية العميقة (Eff-NN) على النسخة القائمة على النواة، مما أظهر تبايناً أقل وتغطية أفضل. كانت نتائج Eff-NN متطابقة تقريباً مع المقدر "الأوراكل" (الذي يستخدم الدوال المزعجة الحقيقية).
- الاستدلال: حققت فترات الثقة 95% التي تم إنشاؤها باستخدام المقدر الفعال معدلات تغطية تجريبية قريبة من المعدل الاسمي 95%.

تطبيق على بيانات حقيقية

مجموعة البيانات: تجربة تمويل أصغر في المغرب ( $n=4,934$ أسرة) لتحليل أثر الائتمان على ناتج التوظيف الذاتي.
النتائج:
- قدم مقدر Efficient-NN تقديراً نقطياً قدره $\hat{\tau} = 1.113$ مع فترة ثقة 95% تبلغ $[-0.071, 2.296]$ .
- قدم المقدر البسيط $\hat{\tau} = 1.425$ مع فترة ثقة 95% تبلغ $[-0.02-, 2.878]$ .
- تضمنت كلتا الفترتين الصفر، مما يشير إلى عدم وجود أثر سببي ذو دلالة إحصائية للتمويل الأصغر على ناتج التوظيف الذاتي في هذه العينة الفرعية المحددة.
- اختلفت النتائج عن دراسة معلمية سابقة (Sawada, 2019)، مما يسلط الضوء على أهمية النهج غير المعلمي والمرن المتبع هنا.

5. الأهمية

تجسر هذه الورقة الفجوة بين نظرية الاستدلال السببي الصارمة وتعلم الآلة الحديث. من خلال إثبات أن الكفاءة شبه المعلمية لا تعتمد على معدلات تقارب مقدرات المعلمات المزعجة، أزال المؤلفون عائقاً رئيسياً أمام استخدام خوارزميات تعلم الآلة المرنة في الاستدلال السببي. وهذا يسمح للباحثين بنمذجة العلاقات المعقدة وعالية الأبعاد في الامتثال والنتائج دون المساس بالصلاحية الإحصائية لتقديرات الأثر السببي. كما يعمل إطار CGCE المقترح على توسيع نطاق الأسئلة السببية التي يمكن الإجابة عليها في التجارب العشوائية ذات عدم الامتثال.