📊 statistics

Inverse Probability Weighting of Count Exposures in the Presence of Missing Data: A Simulation Study

تقيم هذه الدراسة المحاكاتية خمس طرق لوزن الاحتمال العكسي لتعرضات العد في ظل ظروف البيانات المفقودة، حيث وجدت أن التقنين متعدد الحدود، وتقدير درجة الاحتمال المتسقة (CBPS)، ونموذج تعزيز التدرج المعزز (GBM)، وموازنة الطاقة، تقدم عمومًا انحيازًا منخفضًا وتغطية اسمية، بينما تسلط الضوء على الحاجة الماسة لنماذج استكمال تستوعب الأعداد المفرطة التشتت والمقطوعة من جهة اليمين.

المؤلفون الأصليون: Martin N. Danka, Jessica K. Bone, George B. Ploubidis, Richard J. Silverwood

نُشر 2026-03-26

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Martin N. Danka, Jessica K. Bone, George B. Ploubidis, Richard J. Silverwood

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

الصورة الكبيرة: محاولة العثور على السبب "الحقيقي"

تخيل أنك محقق يحاول حل لغز: هل التوتر النفسي الشديد (مثل القلق أو الشعور بالإحباط) يتسبب فعليًا في إصابة الناس بالأمراض لاحقًا في الحياة؟

لديك دفتر ملاحظات ضخم من البيانات لآلاف الأشخاص الذين ولدوا في عام 1970. يمكنك رؤية من كان يعاني من التوتر في سن 34 ومن أصيب بالمرض في سن 42. لكن هناك مشكلة: الحياة ليست تجربة خاضعة للرقابة.

الأشخاص الذين يعانون من التوتر قد يكونون أيضًا أكثر فقراً، أو يدخنون أكثر، أو مروا بطفولة أصعب. هذه العوامل الأخرى (المتغيرات المربكة) تسبب المرض أيضًا. إذا نظرت فقط إلى الأرقام الخام، فقد تعتقد أن التوتر يسبب المرض، ولكن في الواقع، قد يكون السبب هو أن "الطفولة الصعبة" تسبب كلاً من التوتر والمرض معًا. أنت بحاجة إلى طريقة لعزل التوتر عن عوامل الحياة الفوضوية الأخرى.

الأداة: ترجيح الاحتمال العكسي (IPTW)

لإصلاح هذا، يستخدم الإحصائيون حيلة تسمى ترجيح الاحتمال العكسي (IPTW).

تخيل مجموعة بياناتك كأنها حفلة مزدحمة.

بعض الأشخاص في الحفلة "متوترون" للغاية (التعرض).
والبعض الآخر "غير متوتر".
المصادفة أن الأشخاص "المتتوترين" يرتدون معظمهم قبعات حمراء (عامل مربك، مثل انخفاض الدخل)، بينما يرتدي الأشخاص "غير المتوترين" قبعات زرقاء.

إذا كنت تريد معرفة ما إذا كان التوتر يسبب المرض، فلا يمكنك مجرد النظر إلى الحشد؛ فالقبعات الحمراء تشوه النتائج.

إن IPTW يشبه ميزانًا سحريًا.
إنه يعطي "وزنًا" لكل شخص في الحفلة.

إذا كان الشخص المتوتر يرتدي قبعة حمراء (وهو أمر شائع بين المتوترين)، فإن الميزان يجعل وزنه أخف (يقلل وزنه) لأنه ممثل بشكل زائد.
إذا كان الشخص المتوتر يرتدي قبعة زرقاء (وهو أمر نادر بالنسبة لهم)، فإن الميزان يجعله أثقل (يزيد وزنه) لأنه ممثل بشكل ناقص.

الهدف هو إنشاء "كون زائف" (مجتمع افتراضي) يكون فيه توزيع القبعات الحمراء والزرقاء متماثلاً تمامًا لكل من المجموعتين المتوترة وغير المتوترة. في هذا الكون الزائف، الفرق الوحيد بين المجموعتين هو التوتر نفسه. الآن، إذا أصبحت المجموعة المتوترة أكثر عرضة للمرض، يمكنك أن تكون أكثر ثقة في أن التوتر هو الذي يسببه، وليس القبعات.

المشكلة الجديدة: عدّ الأعراض

عادةً ما تنجح حيلة "الترجيح" هذه بشكل رائع للتعرض البسيط بنظام "نعم/لا" (مثل: هل تدخن؟ نعم/لا).

لكن في هذه الدراسة، التعرض هو بيانات عدّ (Count Data).
بدلاً من مجرد "متوتر" أو "غير متوتر"، البيانات هي درجة: "كم عدد الأعراض التي لديك؟" (0، 1، 2، 3... حتى 9).

هذا يشبه محاولة موازنة ميزان حيث لا يرتدي الناس فقط "قبعة حمراء" أو "قبعة زرقاء"، بل يرتدون قبعات بها من 0 إلى 9 ريشات عليها.
الريش موزع بشكل غير متساوٍ. معظم الناس لديهم 0 أو 1 ريشة. قلة قلي جداً لديهم 8 أو 9. وبعض الناس لديهم بيانات مفقودة (لا نعرف كم عدد الريش لديهم).

سأل الباحثون: "هل لا يزال ميزاننا السحري يعمل عندما يكون التعرض عبارة عن عدّ فوضوي للأعراض، خاصة عندما تكون بعض البيانات مفقودة؟"

الطرق الخمس التي تم اختبارها

اختبر الباحثون خمس طرق مختلفة لبناء هذا "الميزان السحري" لمعرفة أيها يعمل بشكل أفضل لعدّ الأعراض:

التجميع متعدد الحدود (Multinomial Binning): تخيل تجميع الريش في صناديق (0، 1-2، 3-4، 5+). هذا يحول العدّ الفوضوي إلى فئات بسيطة. النتيجة: تعمل بشكل جيد، وسهلة الفهم.
درجة التوازن لمتغيرات المربك (CBPS): خوارزمية ذكية تحاول إجبار القبعات الحمراء والزرقاء على التوازن تمامًا، حتى لو كانت الرياضيات معقدة نوعًا ما. النتيجة: تعمل بشكل جيد جدًا، وسريعة.
الـ npCBPS (غير المعلمي): نسخة "حرّة" تحاول تحقيق التوازن دون افتراض أي قواعد رياضية محددة. النتيجة: كارثة. لقد خلقت أوزانًا "ثقيلة جدًا" لعدد قليل من الأشخاص، مما جعل النتائج غير مستقرة وغير موثوقة.
النماذج المعززة العامة (GBM): نهج يعتمد على تعلم الآلة يتعلم أنماط الريش من خلال بناء العديد من أشجار القرار الصغيرة. النتيجة: تعمل بشكل جيد، ولكنها تستغرق وقتًا طويلاً في الحساب.
موازنة الطاقة (Energy Balancing): طريقة متطورة تقيس "المسافة" بين المجموعات لضمان كونها متطابقة. النتيقة: تعمل بشكل جيد، ولكنها بطيئة للغاية ومكلفة حاسوبيًا.

تحدي البيانات المفقودة

البيانات في العالم الحقيقي فوضوية. الناس ينسون الإجابة على الأسئلة.

البيانات المفقودة عشوائيًا تمامًا (MCAR): نسي الناس الإجابة لمجرد سوء الحظ.
البيانات المفقودة عشوائيًا (MAR): نسي الناس الإجابة بسبب شيء آخر (على سبيل المثال، الأشخاص الذين يعانون من توتر عالٍ كانوا مكتئبين جدًا لدرجة تمنعهم من ملء الاستمارة).

قام الباحثون بدمج "ميزانهم السحري" مع تقنية تسمى التعويض المتعدد (Multiple Imputation) (ملء الفراغات المفقودة بتخمينات مدروسة بناءً على بيانات أخرى).

النتائج حول البيانات المفقودة:

عندما كانت البيانات مفقودة عشوائيًا، ظلت الطرق الجيدة (Multinomial، CBPS، GBM) تعمل بشكل رائع.
عندما كانت البيانات مفقودة بسبب التوتر نفسه (MAR)، أصبحت جميع الطرق (حتى القياسية منها) منحازة قليلاً.
المفاجأة: لم يكن الانحياز بسبب أن "الميزان" كان مكسورًا. بل كان لأن لعبة التخمين (التعويض) لعدد الأعراض المفقودة كانت صعبة. إن محاولة تخمين عدد الأعراض المفقود (والتي غالبًا ما تكون منحرفة ولها طفرات غريبة) أمر صعب. وجد الباحثون أن المشكلة كانت في كيفية ملئنا للأرقام المفقودة، وليس في طريقة الترجيح نفسها.

الاختبار في العالم الحقيقي

أخذ الباحثون هذه الطرق وطبقوها على بيانات دراسة كوهورت بريطانية لعام 1970 الفعلية.

النتيجة: وجدوا أن الضيق النفسي الأعلى في سن 34 زاد بالفعل من خطر الإصابة بمرض طويل الأمد في سن 42.
الدرس: الطريقة "القياسية" للنظر في البيانات (بدون إصلاح المتغيرات المربكة) جعلت الخطر يبدو ضخمًا (ضعفًا تقريبًا). بعد استخدام "الميزان السحري" (IPTW)، ظل الخطر مهمًا، ولكنه كان أكثر اعتدالًا (حوالي 1.5 مرة أعلى).
الفائز: كانت طريقتَا CBPS و Multinomial هما النجمتان. فقد كانتا دقيقتين، سريعتين، ولم تكسرا الميزان. أما طريقة npCBPS فقد كانت فاشلة ويجب تجنبها لهذا النوع من البيانات.

الخلاصة

إذا كنت باحثًا يحاول تحديد تأثير متغير "عدّ" (مثل عدد زيارات المستشفى، أو عدد الأعراض، أو عدد السجائر) على نتيجة ما:

لا تستخدم الطريقة "غير المعلمية" (npCBPS). فهي تخلق أوزانًا غير مستقرة وتعطي إجابات سيئة.
استخدم التجميع متعدد الحدود (Multinomial Binning) أو CBPS. فهما موثوقان، وسريعان، ويتعاملان مع البيانات بشكل جيد.
كن حذرًا مع البيانات المفقودة. إذا كان عليك تخمين الأعداد المفقودة، فتأكد من أن نموذج التخمين الخاص بك جيد، وإلا ستكون نتائجك خاطئة، بغض النظر عن مدى جودة طريقة الترجيح لديك.

باختًا: "الميزان السحري" يعمل لعدّ الأعراض، ولكن عليك اختيار نوع الميزان الصحيح، ويجب أن تكون حذرًا جدًا عند ملء الفراغات المفقودة.

إليك ملخص تقني مفصل لورقة البحث بعنوان: "الترجيح بالاحتمالية العكسية للتعرضات العددية في ظل وجود بيانات مفقودة: دراسة محاكاة."

1. بيان المشكلة

يُعد الترجيح بالاحتمالية العكسية للعلاج (IPTW) طريقة قياسية لتقدير الآثار السببية في الدراسات الرصدية من خلال إنشاء مجتمع وهمي يكون فيه التعرض مستقلاً عن المتغيرات المربكة. وبينما تعد هذه الطريقة راسخة بالنسبة للتعرضات الثنائية، فإن تطبيقها على التعرضات العددية (أعداد صحيحة غير سالبة ومنفصلة مثل عدد الأعراض أو زيارات المستشفى) لا يزال غير مدروس بشكل كافٍ. فغالباً ما تظهر البيانات العددية تحديات توزيعية محددة، بما في ذلك التشتت الزائد، والوفرة الصفرية، والقطع (truncation)، مما يعقد تحديد نموذج التعرض المطلوب لتقدير الأوزان.

علاوة على ذلك، تحتوي مجموعات البيانات في العالم الحقيقي بشكل متكرر على بيانات مفقودة. وبينما يُعد الجمع بين الاحتساب المتعدد (MI) وطريقة IPTW (باستخدام نهج "داخل عملية الاحتساب") استراتيجية شائعة للتعرضات الثنائية، فإن أداء طرق الترجيح المرنة تحت آليات الفقد (البيانات المفقودة عشوائياً تماماً - MCAR، والبيانات المفقودة عشوائياً - MAR) بالنسبة للتعرضات العددية لا يزال غير واضح.

2. المنهجية

تصميم الدراسة

أجرى المؤلفون دراسة محاكاة تلتزم بإطار عمل ADEMP، مسترشدين بمثال محفز من دراسة الكوهرت البريطانية لعام 1970 (BCS70). كان الهدف هو تقدير الأثر السببي للضيق النفسي (المقاس بعدد الأعراض في سن 34) على المرض طويل الأمد (نتيجة ثنائية في سن 42).

آليات توليد البيانات (DGMs):

حجم العينة: 2,000 مجموعة بيانات، كل منها يحتوي على 5,000 ملاحظة.
التعرضات: تم محاكاة نوعين:
1. التوزيع الطبيعي السالب المقطوع (Truncated Negative Binomial): لمحاكاة البيانات العددية ذات التشتت الزائد (المتوسط $\approx$ 1.8، التشتت $k \approx$ 1.3).
2. توزيع بواسون المقطوع (Truncated Poisson): لمحاكاة البيانات ذات التشتت المتساوي (المتوسط $\approx$ 1.9).
البيانات المفقودة: تم إدخالها في المتغيرات المربكة، والتعرض، والنتيجة عند مستويات 20%، و40%، و60% تحت كل من آليتي MCAR وMAR.

الطرق التي تم تقييمها

تمت مقارنة خمسة نهج لـ IPTW لتقدير الأوزان:

التقسيم متعدد الحدود (Multinomial Binning): تجميع التعرض العددي إلى فئات واستخدام انحدار متعدد الحدود لتقدير الأوزان.
درجات الميل لموازنة المتغيرات (CBPS): نهج معلمي (parametric) يعمل على تحسين الأوزان لموازنة المتغيرات.
درجات الميل غير المعلمية (npCBPS): تحسين الأوزان مباشرة دون تحديد توزيع التعرض.
النماذج المعززة العامة (GBM): استخدام التعلم الآلي (تعزيز التدرج) لنمذجة العلاقة بين التعرض والمتغيرات بشكل مرن.
موازنة الطاقة (Energy Balancing): تقليل مقاييس مسافة الطاقة لضمان الاستقلال بين التعرض والمتغيرات.

استراتيجية التحليل:

طُبقت الأوزان على نموذج انحدار بويسون معدل لتقدير نسبة المخاطر (RR).
تمت معالجة البيانات المفقودة عبر الاحتساب المتعدد بواسطة المعادلات المتسلسلة (MICE) باستخدام نهج "داخل عملية الاحتساب"، مع دمج النتائج عبر قواعد روبن.
تم تقييم الأداء باستخدام الانحياز، والتغطية، وحجم العينة الفعال (ESS)، وموازنة المتغيرات، والسرعة الحسابية.

3. المساهمات الرئيسية

أول تقييم منهجي لـ IPTW للبيانات العددية: تسد هذه الدراسة فجوة حرجة من خلال اختبار طرق IPTW خصيصاً للتعرضات العددية ذات الخصائص التوزيعية الواقعية (التشتت الزائد، والقطع).
التكامل مع البيانات المفقودة: تقدم أدلة تجريبية حول كيفية أداء طرق الترجيح هذه عند دمجها مع الاحتساب المتعدد (MI) تحت آليات فقد مختلفة، وهو سيناريو نادراً ما يتم اختباره للبيانات العددية.
التحليل المقارن للطرق المرنة: تقوم الدراسة بمقارنة تقنيات الترجيح الحديثة والمرنة (GBM، موازنة الطاقة، npCBPS) مع طرق التقسيم والنهج المعلمية التقليدية في سياق البيانات العددية.
إرشادات عملية: تقدم الدراسة توصيات ملموسة لاختيار الطريقة بناءً على المقايضات بين الانحياز، والدقة، والتكلفة الحسابية.

4. النتائج الرئيسية

الأداء في ظل البيانات الكاملة

الأفضل أداءً: حققت كل من التقسيم متعدد الحدود، وCBPS، وGBM، وموازنة الطاقة انحيازاً منخفضاً (أقل من 3%) وتغطية قريبة من الاسمية (95%) لكل من توزيعات "النيجاتيف باينوميال" وبواسون.
الأداء الضعيف: فشلت طريقة npCBPS بشكل كبير، حيث أنتجت انحيازاً سالباً كبيراً (من -15% إلى -26%) وتغطية ضعيفة. وعُزي ذلك إلى توليد أوزان متطرفة وانخفاض حجم العينة الفعال (ESS).
التقليم (Winsorisation): كان لتقليم الأوزان عند المئوي 99 أثر طفيف؛ حيث زاد الانحياز قليلاً للنماذج المتفوقة، لكنه حسن بشكل كبير أداء npCBPS (رغم بقائها أدنى من الطرق الأخرى).

الأداء في ظل البيانات المفقودة

MCAR: حافظت جميع الطرق المتفوقة (Multinomial, CBPS, GBM, Energy) على انحياز منخفض حتى مع وجود 40% من البيانات المفقودة.
MAR: زاد الانحياز مع زيادة البيانات المفقودة لـ جميع الطرق (بما في ذلك تعديل الانحدار القياسي).
- نتيجة حاسمة: لم يكن الانحياز المتزايد تحت آلية MAR خاصاً بـ IPTW فحسب، بل لوحظ أيضاً في تعديل الانحدار.
- تحليل الحساسية: عندما ظل التعرض مرصوداً بالكامل (البيانات المفقودة كانت فقط في المتغيرات/النتيجة)، اختفى الانحياز. يشير هذا إلى أن الانحياز تحت آلية MAR ينبع من عدم قدرة نموذج الاحتساب (Imputation Model) على التعامل مع البيانات المقطوعة جهة اليمين وذات التشتت الزائد (تحديداً قيود "مطابقة المتوسط التنبؤي" للقيم الذيلية النادرة)، وليس بسبب فشل في إطار عمل IPTW نفسه.

الكفاءة الحسابية

الأسرع: CBPS (حوالي 0.05 ثانية).
الأبطأ: موازنة الطاقة (أبطأ بحوالي 1,285 مرة من التقسيم متعدد الحدود).
المقايضة: توفر نماذج GBM وموازنة الطاقة المرونة ولكن بتكلفة حسابية عالية.

5. الأهمية والاستنتاجات

التوصية للممارسة العملية: يجب على الباحثين الذين يحللون التعرضات العددية استخدام التقسيم متعدد الحدود، أو CBPS، أو GBM، أو موازنة الطاقة. توفر هذه الطرق تقديرات سببية قوية مع توازن ودقة جيدين.
تجنب npCBPS: لا يُنصح باستخدام نهج CBPS غير المعلمي (npCBPS) للتعرضات العددية بسبب ميله لتوليد أوزان متطرفة وتقديرات غير مستقرة في هذا السياق.
التعامل مع البيانات المفقودة: يمكن دمج IPTW بنجاح مع الاحتساب المتعدد (MI) للبيانات العددية تحت آلية MCAR. أما تحت آلية MAR، فإن المصدر الرئيسي للانحياز هو نموذج الاحتساب، وليس طريقة الترجيح. تسلط الدراسة الضوء على الحاجة إلى نماذج احتساب أفضل قادرة على التعامل مع البيانات العددية المقطوعة جهة اليمين وذات التشتت الزائد (على سبيل المثال، النماذج التي تولد قيماً من توزيع بدلاً من الاعتماد على مطابقة المانحين).
التطبيق في الواقع: في مثال دراسة BCS70 المحفز، أعطت جميع طرق الترجيح القوية نسب مخاطر متسقة (حوالي 1.50–1.53) لأثر الضيق النفسي على المرض طويل الأمد، مما يؤكد نتائج المحاكاة.

باختالاف، تصادق الورقة على صلاحية عدة طرق لـ IPTW للبيانات العددية، بينما تحذر من استخدام npCBPS وتؤكد على الدور الحاسم لنماذج الاحتساب المناسبة عند التعامل مع البيانات العددية المفقودة.