📊 statistics

Retrospective Counterfactual Prediction by Conditioning on the Factual Outcome: A Cross-World Approach

تقترح هذه الورقة نهجاً عابراً للعوالم لتقدير النتائج الافتراضية الاسترجاعية وبناء فترات تنبؤ صالحة، وذلك من خلال الاستفادة من الحدود المعقولة للارتباط عبر العوالم بين النتائج المحتملة، مما يسد الفجوة بين تجاهل النتائج الواقعية ومعاملتها كمتنبئات مثالية.

المؤلفون الأصليون: Juraj Bodik

نُشر 2026-03-31

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Juraj Bodik

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 محقق تحاول حل لغز حول شخص يدعى أليكس. ذهب أليكس إلى المستشفى، ولم يتناول دواءً جديداً، وخرج وهو يشعر بحالة ممتازة.

الآن، يبرز السؤال الكبير: ماذا كان سيحدث لأليكس لو أنه تناول الدواء؟

هذا هو جوهر "التنبؤ بالواقع المضاد" (Counterfactual Prediction). إنه يسأل: "ماذا لو؟". ولكن هنا تكمن المشكلة: لا يمكننا أبداً معرفة الإجابة على وجه اليقين. يمكننا فقط رؤية ما حدث بالفعل ("الواقع")، وليس ما "كان سيحدث" ("الواقع المضاد").

لفترة طويلة، حاول الإحصائيون تخمين هذه الإجابة من خلال النظر فقط في تفاصيل خلفية أليكس (العمر، الوزن، التاريخ المرضي). كانوا يقولون: "حسناً، الناس الذين يشبهون أليكس عادةً ما يتحسنون مع هذا الدواء"، ويخمنون النتيجة بناءً على ذلك المتوسط.

تقترح هذه الورقة البحثية طريقة أذكى للتخمين.

تشبيه "التوأم"

فكر في النتائج المحتملة لأليكس كنسختين منه تعيشان في أكوان متوازية:

الكون (أ) (الواقع): أليكس لا يتناول الدواء. إنه يشعر بحالة ممتازة.
الكون (ب) (الواقع المضاد): أليكس يتناول الدواء. لا يمكننا رؤية هذا الكون، لكننا نريد التنبؤ به.

يجادل الكاتب، يوراي بوديك، بأن هذين الكونين ليسا عشوائيين تماماً. إنهما مرتبطان، مثل توأمين. إذا كان أحد التوأمين بصحة جيدة، فمن المرجح أن يكون الآخر بصحة جيدة أيضاً، حتى لو كانا في غرفتين مختلفتين.

تقدم الورقة مفهوماً يسمى الارتباط عبر العوالم ( $\rho$ ). فكر في هذا كـ "قرص للاتصال" أو "مقبض للتشابه" يتراوح من 0 إلى 1.

القرص عند 0 (لا يوجد اتصال): يفترض هذا أن الكونين غير مرتبطين تماماً. إذا كان أليكس يشعر بحالة ممتازة بدون الدواء، فإن ذلك لا يخبرنا بشيء عن حالته لو تناوله. هذا يشبه تخمين حالة الطقس في طوكيو بناءً على حالة الطقس في نيويورك. معظم الطرق القديمة استخدمت هذا الافتراض.
القرص عند 1 (اتصال مثالي): يفترض هذا أن الدواء لا يغير أي شيء. إذا كان أليكس يشعر بحالة ممتازة بدونه، فسيكون في نفس الحالة تماماً معه. هذا يشبه القول بأن الدواء مجرد دواء وهمي (Placebo).
القرص في المنتصف (النقطة المثالية): هذا هو الاختراق الذي قدمته الورقة. يفترض وجود اتصال ما. ربما يمتلك أليكس جهاز مناعة قوياً (عامل خفي). هذه القوة تساعده في كلا الكونين. لذا، إذا كان قد حقق نتائج جيدة بدون الدواء، فمن المرجح أنه كان سيحقق نتائج جيدة معه أيضاً.

كيف تعمل الطريقة

تنشئ الورقة أداة جديدة تسمى RCP (التنبؤ بالواقع المضاد الاسترجاعي). وإليك كيفية عملها في خطوات بسيطة:

انظر إلى الحقائق: نرى متغيرات أليكس (العمر، إلخ) ونتيجته الفعلية (شعوره بحالة ممتازة).
اضبط القرص ( $\rho$ ): نسأل خبيراً أو نستخدم البيانات لتخمين مدى اتصال العالمين. هل هو اتصال ضعيف (0.2)؟ أم قوي (0.8)؟
- ملاحظة: تعترف الورقة بأننا لا نستطيع معرفة الرقم الدقيق بالتأكيد. وهي تقترح اختبار نطاق من الأرقام لمعرفة ما إذا كانت استنتاجاتنا ستصمد، تماماً كما يختبر العالم فرضيات مختلفة.
التنبؤ: تأخذ الأداة "التخمين المتوسط" بناءً على خلفية أليكس وتعدله بناءً على النتيجة التي حققها بالفعل.
- إذا تم ضبط القرص على درجة عالية (اتصال قوي)، وكان أليكس قد حقق نتيجة رائعة جداً بدون الدواء، فإن الأداة تتنبأ بأنه كان سيحقق نتيجة رائعة جداً معه أيضاً.
- إذا تم ضبط القرص على درجة منخفضة، فإن الأداة تتجاهل نتيجته المحددة وتكتفي بإعطاء التخمين المتوسط.

لماذا يهم هذا الأمر؟

تخيل قاعة محكمة. يحتاج المحامي إلى إثبات أن فعلاً معيناً تسبب في ضرر.

الطريقة القديمة: "الأشخاص الذين يعانون من هذه الإصابة يتعافون عادةً في أسبوعين. وبما أن المريض استغرق 3 أسابيع، فإن المدعى عليه مسؤول." (هذا يتجاهل سرعة تعافي المريض المحددة).
الطريقة الجديدة: "هذا المريض كان لديه جهاز مناعي قوي جداً وتعافى في أسبوعين بدون مساعدة المدعى عليه. ولأن أجهزة المناعة القوية تساعد الناس عادةً على التعافي بسرعة بغض النظر عن السبب، فمن المرجيد جداً أنهم كانوا سيتعافون في أسبوعين حتى لو لم يتدخل المدعى عليه. لذلك، قد لا يكون المدعى عليه مسؤولاً."

باستخدام "قرص الاتصال"، تجعل الطريقة الجديدة التنبؤات أكثر حدة ودقة لأنها تستخدم النتيجة الفعلية التي عاشها الشخص لتنقيح التخمين حول سيناريو "ماذا لو".

الخلاصة

تعلمنا الورقة أنه عندما نحاول تخمين "ماذا كان سيحدث"، لا ينبغي لنا تجاهل "ما حدث بالفعل". على الرغم من أننا لا نستطيع رؤية الواقع البديل، إلا أن الواقعين مرتبطان. ومن خلال الاعتراف بهذا الارتباط (الارتباط عبر العوالم)، يمكننا تقديم تخمينات أفضل بكثير، وبناء شبكات أمان أفضل (فترات التنبؤ)، واتخاذ قرارات أكثر عدلاً في الطب والقانون والسياسة.

باختصار: لا تخمن بناءً على الحشود فقط؛ بل استخدم قصة الفرد الفعلية لتنقيح تخمينك حول حياته البديلة.

إليك ملخص تقني مفصل لورقة "التنبؤ بالواقع المضاد الاسترجاعي عن طريق التكييف على النتيجة الواقعية: نهج العالم المتقاطع" للباحث يوراي بوديك.

1. بيان المشكلة

تتناول الورقة تحدي التنبؤ بالواقع المضاد الاسترجاعي (Retrospective Counterfactual Prediction). في الاستدلال السببي، يتضمن هذا تقدير النتيجة المحتملة $Y(1)$ لفرد تلقى بالفعل العلاج $T=0$ (النتيجة الملحوظة $Y(0)$ )، بناءً على متغيراته المصاحبة $X=x$ .

الكمية المستهدفة: الهدف هو تقدير التوقع الشرطي $\mu(x, y) = E[Y(1) \mid X=x, Y(0)=y]$ وبناء فترات تنبؤ صالحة $C(x, y)$ بحيث يكون $P(Y(1) \in C(x, y) \mid X=x, Y(0)=y) \geq 1-\alpha$ .
التحدي الجوهري: على عكس تقدير متوسط آثار العلاج الشرطي (CATE)، الذي يعتمد فقط على المتغيرات المصاحبة $X$ ، فإن تقدير النتائج المضادة الفردية المشروطة بالنتيجة الملحوظة $Y(0)$ هو أمر غير قابل للتعريف (unidentifiable) جوهرياً من البيانات الرصدية وحدها. فالتوزيع المشترك للنتائج المحتملة $(Y(0), Y(1))$ لا يتم رصده أبداً لنفس الوحدة.
محدودية الطرق الحالية:
- نمذجة النتيجة المباشرة (Direct Outcome Modeling): تُقدر $E[Y(1) \mid X]$ مع تجاهل $Y(0)$ ، مما يؤدي لفقدان المعلومات الخاصة بالفرد.
- الاستكمال المعدل بـ CATE: يستخدم $\hat{Y}(1) = Y(0) + \hat{\tau}(X)$ . وهذا يفترض ضمناً بنية اعتماد محددة (غالباً ما تعادل $\rho=1$ أو تأثيرات ثابتة) ويتجاهل عدم اليقين في تقدير أثر العلاج.
- المطابقة (Matching): تفترض ضمناً الاستقلال بين النتائج المحتملة ( $\rho=0$ ).
- الطرق البايزية/الخصامية (Bayesian/Adversarial): غالباً ما تعتمد على افتراضات نمذجة قوية غير قابلة للاختبار أو بنيات "الصندوق الأسود" دون تحكم صريح في الاعتماد المتبادل بين العالمين.

2. المنهجية: نهج العالم المتقاطع (Cross-World Approach)

يقترح المؤلف إطار عمل يسمى التنبؤ بالواقع المضاد الاسترجاعي (RCP) يقوم صراحةً بنمذجة الاعتماد بين النتائج المحتملة باستخدام معامل الارتباط عبر العوالم $\rho(x)$ .

أ. افتراض العالم المتقاطع

تعتمد الطريقة على المعامل $\rho(x) = \text{cor}(Y(1), Y(0) \mid X=x)$ .

قابلية التعريف: تثبت اللمة (Lemma 2) أنه بدون تحديد $\rho(x)$ ، فإن الكمية $\mu(x, y)$ غير معرفة. حيث يمكن لبنى اعتماد مختلفة أن تنتج بيانات مرصودة متطابقة ولكن تنبؤات مضادة مختلفة.
دور $\rho(x)$ : يعمل كمعامل حساسية. وبينما لا يمكن تعريفه من البيانات وحدها، يمكن توجيهه بواسطة المعرفة بالمجال، أو البيانات المساعدة (مثل العلامات الجينية في مجموعة فرعية من المرضى)، أو تحليل الحساسية.
نسيج كوبولا غاوسي (Gaussian Copula): من أجل القابلية للحساب، تفترض الورقة بنية "نسيج كوبولا غاوسي" تربط بين $Y(0)$ و $Y(1)$ ، والتي يتم تحديدها بالكامل بواسطة $\rho(x)$ .

ب. بناء المقدر (Estimator Construction)

يجمع إطار العمل بين التقديرات الأساسية للمجموعات المعالجة والمجموعات الضابطة مع النتيجة الواقعية $y$ :

التقديرات الأساسية: الحصول على تقديرات نقطية $\hat{\mu}_t(x)$ وفترات تنبؤ $\tilde{C}_t(x)$ لـ $t \in \{0, 1\}$ باستخدام طرق قياسية (مثل الغابات العشوائية أو انحدار الكميات).
المقدر النقطي ( $\hat{\mu}_\rho$ ):
$\hat{\mu}_\rho(x, y) = \hat{\mu}_1(x) + \rho \cdot \lambda(x) \cdot (y - \hat{\mu}_0(x))$
حيث يقوم $\lambda(x)$ $λ (x)$ بالتعديل بناءً على العرض النسبي (التباين) لفترات التنبؤ الأساسية.
- إذا كان $\rho=0$ ، فإن التقدير يتجاهل $y$ (يعود إلى $\hat{\mu}_1(x)$ ).
- إذا كان $\rho=1$ ، يصبح التقدير $y + \hat{\tau}(x)$ (ارتباط تام).
فترات التنبؤ ( $C_\rho$ ):
يتم تقليص عرض الفترة بناءً على المعلومات المكتسبة من التكييف على $Y(0)$ . يتناسب عرض الفترة مع $\sqrt{1-\rho^2}$ .
$C_\rho(x, y) = \left[ \hat{\mu}_\rho(x, y) - \sqrt{1-\rho^2} \cdot l_{1-T}(x), \quad \hat{\mu}_\rho(x, y) + \sqrt{1-\rho^2} \cdot u_{1-T}(x) \right]$

ج. تصحيح التحيز في العينة المحدودة ( $C^{+CI}_\rho$ )

بما أن $\hat{\mu}_\rho$ هو مقدر، فإنه يُدخل خطأ في التقدير. بالنسبة لقيم $\rho$ العالية، يمكن لهذا الخطأ أن يؤدي إلى نقص في التغطية. تقدم الورقة فترة مصححة التحيز تضيف فترة ثقة مُقاسة (مشتقة عبر "البوتستراب") حول التقدير النقطي:
$C^{+CI}_\rho(x, y) = \hat{\mu}_\rho(x, y) \pm \left( c \cdot r(x,y) + \sqrt{1-\rho^2} \cdot \text{width} \right)$
يضمن عامل القياس $c = \rho^2$ انتقالاً سلسًا بين عدم وجود تصحيح ( $\rho=0$ ) والتصحيح الكامل ( $\rho=1$ ).

3. المساهمات الرئيسية

صياغة الاعتماد عبر العوالم: تقدم الورقة أول معالجة منهجية للتنبؤ بالواقع المضاد الاسترجاعي من خلال تحديد الاعتماد بين النتائج المحتملة صراحةً عبر $\rho(x)$ .
الضمانات النظرية: تحت افتراض بنية اعتماد عبر العوالم غاوسية محددة بشكل صحيح، تكون المقدرات المقترحة:
- متسقة (Consistent): تتقارب نحو المتوسط الشرطي الحقيقي.
- مثلى تقاربيًا (Asymptotically Optimal): تحقق فترات التنبؤ أصغر عرض ممكن لمستوى تغطية معين.
- صالحة (Valid): تحقق احتمالية التغطية $1-\alpha$ تقاربيًا.
الربط بين الأطراف القصوى: توحد الطريقة الأساليب الحالية كحالات خاصة:
- $\rho=0$ : تعادل تجاهل النتيجة الواقعية (نمذجة النتيجة المباشرة).
- $\rho=1$ : تعادل افتراض تأثيرات علاج ثابتة (الاستكمال المعدل بـ CATE).
- $0 < \rho < 1$ : تتوسط بينهما، مستفيدة من النتيجة الواقعية لتقليل التباين.
التحقق التجريبي: تُظهر التجارب المكثفة على مجموعات بيانات اصطناعية، وشبه اصطناعية (IHDP)، وواقعية (Twins) أن التكييف على $Y(0)$ يحسن الدقة (MSE أقل) وكفاءة الفترات (درجات أفضل للفترات) عندما يكون $\rho > 0$ .

4. النتائج التجريبية

مجموعات البيانات: بيانات اصطناعية (بأبعاد و $\rho$ متفاوتة)، IHDP (شبه اصطناعية)، و Twins (واقعية).
النماذج المرجعية: تمت المقارنة مع: النتيجة المباشرة (DO)، الاستكمال المعدل بـ CATE (T-learner)، المطابقة (Matching)، و GANITE.
الأداء:
- التقدير النقطي: يتفوق RCP( $\rho$ ) باستمرار على النماذج المرجعية في متوسط مربع الخطأ (MSE) عندما يكون $0 < \rho < 1$ . يتناسب التحسن مع $\rho$ ، متبعًا عامل تقليل التباين النظري $(1-\rho^2)$ .
- فترات التنبؤ: تحقق الفترات المقترحة درجات أفضل (Interval Scores) (توازن بين العرض والتغطية) مقارنة بالنماذج المرجعية.
- المتانة: تظل الطريقة فعالة حتى لو تم تحديد $\rho$ بشكل خاطئ (على سبيل المثال، استخدام $\rho_{est} \approx \rho_{true}$ )، بشرط ألا يكون الخطأ في التحديد شديدًا.
- عدم التوزيع الطبيعي: الطريقة متينة تجاه التوزيعات الهامشية غير الغاوسية، رغم أن التقارب يكون أبطأ قليلاً في العينات المحدودة ذات الذيول الثقيلة.
التوصية: استخدم الفترات غير المصححة $C_\rho$ عندما يكون $\rho \leq 0.5$ والفترات المصححة التحيز $C^{+CI}_\rho$ عندما يكون $\rho > 0.5$ .

5. الأهمية والآثار المترتبة

الفائدة العملية: في المجالات عالية المخاطر مثل الطب (على سبيل المثال، "هل كان المريض سينجو لو تلقى العلاج؟")، فإن تجاهل النتيجة الملحوظة $Y(0)$ يضيع معلومات حيوية على مستوى الفرد. توفر هذه الطريقة وسيلة مبدئية لدمج تلك المعلومات.
الشفافية: من خلال جعل افتراض الاعتماد عبر العوالم صريحًا عبر $\rho$ ، تجبر الطريقة الممارسين على مواجهة الافتراضات غير القابلة للاختبار المطلوبة للاستدلال على مستوى الفرد. إنها تنقل العبء من نمذجة "الصندوق الأسود" إلى "تحليل الحساسية" فيما يتعلق بـ $\rho$ .
الاتجاهات المستقبلية: تقترح الورقة توسيع هذا الإطار ليشمل العلاجات المستمرة، والإعدادات الديناميكية (السلاسل الزمنية)، وتطوير أدوات لتقدير أو حصر $\rho$ بشكل أفضل باستخدام البيانات المساعدة.

باخت ملخص، تتقدم هذه الورقة في مجال الاستدلال السببي من خلال الانتقال من الآثار المتوسطة إلى النتائج المضادة الفردية الدقيقة، موضحة أن التكييف على النتيجة الواقعية ليس ممكناً فحسب، بل هو مفيد للغاية، بشرط نمذجة الارتباط عبر العوالم صراحةً.