Examining the Efficacy of Coarsened Exact Matching as an Alternative to Propensity Score Matching
تجادل هذه الورقة بأن المطابقة التامة الخشنة (CEM) ليست بديلاً متفوقاً للمطابقة باستخدام درجات الميل (PSM)، لأنها تعاني من الارتباك المتبقي بسبب طبيعتها غير الدقيقة، وتفشل في التفوق على (PSM) في تقليل عدم التوازن عند مراعاة التباين العشوائي، وتصبح غير مستقرة وغير فعالة في الإعدادات عالية الأبعاد، في حين تظل (PSM) أكثر متانة تجاه الخطأ في توصيف النموذج.
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 تحاول معرفة ما إذا كان دواء جديد فعالاً أم لا. المعيار الذهبي هو التجربة السريرية العشوائية (RCT)، حيث يتم استخدام عملة معدنية لتحديد من سيحصل على الدواء ومن سيحصل على دواء وهمي (placebo). ولأن الاختيار عشوائي، فإن المجموعتين متوازنتان تماماً: فالأشخاص الذين حصلوا على الدواء، في المتوسط، يتمتعون بنفس مستوى الصحة، والعمر، والثراء مثل أولئك الذين لم يحصلوا عليه.
ولكن في العالم الحقيقي، غالباً ما لا نستطيع استخدام العملات المعدنية (لأن ذلك مكلف للغاية أو غير أخلاقي). لذا، نلجأ إلى البيانات الرصدية (مثل السجلات المستشفياتية). هنا، قد تكون مجموعة "الدواء" أكثر مرضاً أو أكبر سناً من مجموعة "المراقبة" منذ البداية. وهذا ما يسمى بالتداخل (Confounding). ولإصلاح ذلك، يستخدم الإحصائيون تقنيات "المطابقة" لجمع الأشخاص المرضى من مجموعة الدواء مع أشخاص مشابهين لهم من مجموعة المراقبة، محاولين إعادة خلق ذلك التوازن المثالي الذي توفره عملية رمي العملة.
لفترة طويلة، كانت الأداة القياسية لهذا الغرض هي مطابقة درجات الميل (Propensity Score Matching - PSM). ومؤخراً، أصبحت أداة جديدة تسمى المطابقة الدقيقة الخشنة (Coarsened Exact Matching - CEM) تحظى بشعبية كبيرة. وزعم العديد من الباحثين أن CEM هي النسخة "الأفضل" من PSM.
هذه الورقة البحثية، التي كتبها "فيي وان" (Fei Wan)، تجادل بأن CEM ليست البطل الخارق الذي يعتقده الجميع. بل في الواقع، بالنسبة للعديد من المواقف، تعد PSM الأداة الأفضل والأكثر موثوقية.
إليك تفصيل الأسباب، باستخدام تشبيهات بسيطة:
1. "الصورة عالية الدقة" مقابل "اللقطة الضبابية"
الادعاء: يُطلق على CEM غالباً أنها "مطابقة دقيقة"، لكنها في الواقع ليست دقيقة، بل هي "مطابقة ضبابية".
- التشبيه: تخيل أنك تحاول مطابقة الأشخاص بناءً على طولهم.
- PSM تشبه التقاط صورة عالية الدقة لطول الجميع والعثور على الشخص الذي يكون الأقرب في الطول إلى هدفك. حتى لو لم يكونوا بنفس الطول تماماً، فإن الرياضيات تضمن أنه إذا نظرت إلى المجموعة بأكملها، فإن متوسط الطول سيكون متوازناً تماماً. أي اختلافات طفيفة هي مجرد ضوضاء عشوائية (مثل ضبابية طفيفة في الصورة) تلغي بعضها البعض عندما يكون لديك عدد كافٍ من الأشخاص.
- CEM تشبه وضع الجميع في "سلال": "قصير"، "متوسط"، و"طويل". ثم تقوم بمطابقة الأشخاص الموجودين في نفس السلة.
- المشكلة: داخل سلة "المتوسط"، قد تجد شخصاً طوله 167 سم وآخر طوله 178 سم. هما في نفس السلة، لكنهما مختلفان جداً. هذا يخلق خطأً منهجياً (تداخل متبقٍ) لا يختفي مهما أضفت من أشخاص إلى الدراسة. الأمر يشبه محاولة مقارنة التفاح بالبرتقال لمجرد أنهما في نفس سلة "الفاكهة".
2. "حبل المشدود" للتعقيد
الادعاء: تنهار CEM عندما يكون لديك متغيرات كثيرة (لعنة الأبعاد).
- التشبيه: تخيل أنك تحاول إيجاد توأم مثالي لشخص ما بناءً على 10 سمات مختلفة (الطول، الوزن، لون العين، مقاس الحذاء، البيتزا المفضلة، إلخ).
- CEM تحاول وضع الجميع في صناديق بناءً على السمات العشر معاً. ومع إضافة المزيد من السمات، تصبح الصناديق محددة للغاية لدرجة أن معظمها ينتهي به الأمر فارغاً. ستفقد الكثير من البيانات (الأشخاص الذين لا يناسبون أي صندوق) بحيث تصبح نتائجك غير مستقرة وغير موثوقة. الأمر يشبه محاولة البحث عن إبرة في كومة قش، ولكن كومة القش تتقلص باستمرار حتى لا يتبقى منها شيء.
- PSM لا تحاول المطابقة على السمات العشر مباشرة. بدلاً من ذلك، تحسب "درجة" واحدة (ملخص للسمات العشر) وتطابق الأشخاص بناءً على هذه الدرجة. هذا يتجنب مشكلة الصناديق الفارغة ويحافظ على استقرار البيانات، حتى عندما يكون لديك متغيرات كثيرة.
3. "لعبة التخمين" (الاعتماد على النموذج)
الادعاء: تُجبرك CEM على تقديم تخمينات مثالية للبيانات لاحقاً، بينما تكون PSM أكثر تسامحاً.
- التشبيه:
- CEM تشبه أحجية (بازل) تجبر فيها القطع على التلاحم عن طريق صنفرتها (تخشينها) لكي تتناسب. ولأنك قمت بصنفرتها، لم تعد القطع تتناسب تماماً. لكي تحصل على الصورة الصحيحة، يجب عليك الآن استخدام معادلة معقدة ومثالية "لإصلاح" الفجوات. إذا كانت معادلتك خاطئة ولو قليلاً، فستفسد الصورة بأكملها.
- PSM تشبه أحجية تتناسب قطعها بشكل طبيعي. حتى لو استخدمت معادلة بسيطة وغير مثالية تماماً للنظر إلى النتيجة، فستظل الصورة تبدو صحيحة إلى حد كبير لأن القطع كانت متوازنة في الأصل. PSM هي أداة "قوية" (Robust)، مما يعني أنها لا تنكسر بسهولة عند ارتكاب خطأ صغير في حساباتك.
4. مشكلة "المسطرة"
الادعاء: زعمت الدراسات السابقة أن PSM سيئة في موازنة المجموعات لأنها استخدمت مسطرة قياس خاطئة.
- التشبيه: زعم بعض الباحثين أن PSM تفشل لأنها تستخدم مسطرة تقيس المسافة بين الأشخاص فقط، وتتجاهل الاتجاه.
- يجادل المؤلف بأنه في PSM، إذا كان شخص ما أطول قليلاً والآخر أقصر قليلاً، فإن هذه الاختلافات العشوائية تلغي بعضها البعض.
- أدوات القياس القديمة (مثل مسافة ماهالانوبيس) تعاملت مع هذه التقلبات العشووية صعوداً وهبوطاً كأنها "أخطاء" تزداد سوءاً.
- يقترح المؤلف طريقة جديدة للقياس (اختلافات المتوسط المعياري) تأخذ في الاعتبار هذه التقلبات العشوائية صعوداً وهبوطاً. وعند استخدام هذه المسطرة الجديدة، تظهر PSM أفضل بكثير في موازنة المجموعات مقارنة بـ CEM.
الخلاصة
تخلص الورقة إلى أن CEM ليست حلاً سحرياً.
- إذا كان لديك عدد قليل من المتغيرات، فقد تعمل CEM بشكل جيد، لكنها لا تزال تحتوي على عيوب خفية.
- إذا كان لديك متغيرات كثيرة (وهو أمر شائع في بيانات العالم الحقيقي)، فإن CEM تتسبب في فقدان الكثير من البيانات وتدخل أخطاءً منهجية يصعب إصلاحها.
- تظل PSM هي الخيار الأكثر قوة وموثوقية لأنها تتعامل مع العشوائية بشكل أفضل، وتتطلب رياضيات أقل مثالية للحصول على نتيجة جيدة، ولا تتخلص من الكثير من البيانات.
يحذر المؤلف من أن العديد من الأطباء والباحثين كانوا يستخدمون CEM ظناً منهم أنها الحل "الدقيق"، لكنها في الواقع اختصار "غير دقيق" يمكن أن يؤدي إلى نتائج منحازة إذا لم يتم التعامل معه بحذر شديد.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.