Deconfounding Scores and Representation Learning for Causal Effect Estimation with Weak Overlap

إليك ملخص تقني مفصل لورقة البحث بعنوان: "درجات إزالة الارتباط وتمثيل البيانات لتقدير الأثر السببي في حالات التداخل الضعيف" (Deconfounding Scores and Representation Learning for Causal Effect Estimation with Weak Overlap).

1. بيان المشكلة

في الاستدلال السببي القائم على الملاحظة، يعتمد تقدير آثار العلاج (تحديداً متوسط أثر العلاج على المعالجين - ATT) على فرضيتين رئيسيتين: الاستبعاد (Ignorability/Unconfoundedness) والتداخل (Overlap/Positivity).

• التحدي: بينما تفترض فرضية الاستبعاد أن المتغيرات الملحوظة تحتوي على جميع العوامل المربكة، تتطلب فرضية التداخل أن تكون توزيعات المتغيرات المساعدة في مجموعات المعالجة والضبط متقاربة (لها دعم مشترك).
• لعنة الأبعاد: في الإعدادات عالية الأبعاد، غالباً ما تصبح فرضية التداخل غير منطقية. وحتى عندما تتحقق، فإن الاختلافات الكبيرة في توزيعات الميزات بين المجموعتين تؤدي إلى تباين عالٍ في المقدرات (مثل: أوزان الاحتمالية العكسية IPW، والمقدرات ثنائية المتانة Doubly Robust)، مما يجعلها هشة وغير موثوقة.
• القصور الحالي: تعتمد الطرق الحالية إما على استبعاد القيم المتطرفة لدرجات الاحتمالية (مما يؤدي لفقدان البيانات) أو تغيير الهدف الإحصائي إلى مجتمع ذي تداخل أفضل. يوفر تعلم التمثيل (Representation Learning) حلاً محتملاً عبر رسم خرائط للمتغيرات عالية الأبعاد إلى مساحات أقل أبعاداً، لكن النهج الحالية غالباً ما تفشل في ضمان أن التمثيل الجديد يحافظ على عدم انحياز التقدير السببي (أي أنها قد تُدخل انحيازاً مربكاً).

2. المنهجية

يقترح المؤلفون إطار عمل يرتكز على درجات إزالة الارتباط (Deconfounding Scores) ومقياس جديد يسمى تباعد التداخل (Overlap Divergence).

أ. درجات إزالة الارتباط (Deconfounding Scores)

يعرّف البحث درجة إزالة الارتباط بأنها تمثيل $\phi(X)$ يحافظ على تحديد الأثر السببي. رسمياً، تكون $\phi(X)$ درجة إزالة ارتباط إذا كان:
$$\tau = \tau_{\phi(X)}$$
حيث $\tau$ هو الـ ATT الحقيقي، و $\tau_{\phi(X)}$ هو المقدر المعدل باستخدام $\phi(X)$.

• التوصيف: يثبت المؤلفون أن التمثيل يكون درجة إزالة ارتباط إذا وفقط إذا لم يُدخل أي "انحياز مربك". ويُعبر عن هذا الانحياز كالتغاير الشرطي بين نموذج النتيجة $m_0(X)$ ونسبة الكثافة (أو درجة الاحتمالية) بشرط التمثيل:
  $$\text{Bias} \propto E_{P_0} \left[ \text{Cov}_{P_0} \left( m_0(X), \frac{dP_1}{dP_0}(X) \mid \phi(X) \right) \right] = 0$$
• المتصل (Continuum): يخلق هذا التعريف متصلاً من التمثيلات الصالحة:
  • درجات التوازن (Balancing Scores): مثل درجة الاحتمالية (Propensity Score)؛ وهي دوال لـ $X$ تجعل تعيين العلاج مستقلاً عن المتغيرات.
  • الدرجات التنبؤية (Prognostic Scores): وهي دوال لـ $X$ تتنبأ بالنتيولة المحتملة تحت حالة الضبط.
  • الحالة العامة: أي تمثيل يجعل نموذج النتيجة ودرجة الاحتمالية مستقلين شرطياً بشرط التمثيل.

ب. تباعد التداخل (Overlap Divergence)

لقياس جودة التداخل في تمثيل ما، يقدم المؤلفون تباعد التداخل، وهو عبارة عن تباعد $\chi^2$ (مضافاً إليه 1) بين توزيعات الضبط والمعالجة للتمثيل:
$$O(\phi(X)) := E_{P_0} \left[ \left( \frac{dP_1}{dP_0}(\phi(X)) \right)^2 \right] = \chi^2(P_1^{\phi(X)} || P_0^{\phi(X)}) + 1$$

• الارتباط النظري: يثبت المؤلفون أن تباعد التداخل يحدد بدقة الحد الكفء شبه البارامتري (الحد الأدنى للتباين التقاربي الممكن) للمقدرات التي تعدل باستخدام $\phi(X)$. إن تقليل $O(\phi(X))$ ضروري (وغالباً كافٍ) لتقليل تباين المقدر.

ج. استراتيجية التحسين

الهدف هو إيجاد درجة إزالة ارتباط $\phi(X)$ تقلل من $O(\phi(X))$.

• النتيجة غير البارامترية: يثبت المؤلفون أن أي تمثيل $\phi(X)$ يحسن التداخل مقارنة بالمتغيرات الخام $X$ (أي $O(\phi(X)) \leq O(X)$). وينتج هذا التحسن عن استبعاد المتغيرات التي تتنبأ بالعلاج ولكن لا تتنبأ بالنتيجة.
• الحل التحليلي لنموذج Gaussian/GLM: في حالة وجود متغيرات تتبع التوزيع الطبيعي (Gaussian) ونماذج خطية معممة (GLMs) للعلاج والنتيجة، يستنتج المؤلفون عائلة من درجات إزالة الارتباط ذات الحل المغلق.
  • تقع هذه الدرجات على منحنى زائد القطع (Hyperbola) في الفضاء الذي يشغله متجه الدرجة التنبؤية ($\alpha$) ومتجه درجة الاحتمالية ($\beta$).
  • النتيجة النظرية الرئيسية: ضمن هذه العائلة، تعتبر الدرجات التنبؤية (Prognostic Scores) (التي تعتمد فقط على نموذج النتيجة) هي الأمثل للتداخل. فهي تقلل تباعد التداخل، بينما تعمل درجات التوازن (درجات الاحتمالية) على زيادته. وهذا ينطبق حتى لو كان نموذج الاحتمالية خاطئ التوصيف، بشرط أن يكون نموذج النتيجة صحيحاً.

3. المساهمات الرئيسية

1. تعريف درجات إزالة الارتباط: تقديم توصيف دقيق للفئة الكاملة من التمثيلات التي تحافظ على التقدير السببي غير المنحاز، مما يعمم درجات الاحتمالية والدرجات التنبؤية.
2. مقياس تباعد التداخل: تقديم مقياس يربط صراحةً بين درجة التداخل والتباين التقاربي للمقدرات، مما يوفر تبريراً نظرياً لسبب تقليل تباعد التداخل من تحسين التقدير.
3. الأمثلية التحليلية للدرجات التنبؤية: تحت فرضيات Gaussian/GLM، تثبت الورقة أن الدرجات التنبؤية هي درجات إزالة الارتباط المثلى لتقليل تباعد التداخل، متفوقة بذلك على درجات الاحتمالية.
4. التحقق التجريبي: إجراء تجارب واسعة على بيانات محاكاة ومجموعات بيانات شبه تركيبية (IHDP, ACIC 2016, HC-MNIST) أظهرت أن استخدام درجات إزالة الارتباط (خاصة التنبؤية منها) يحسن باستمرار جذر متوسط مربع الخطأ (RMSE) مقارنة بالمتغيرات الخام.

4. النتائج التجريبية

قيم المؤلفون نهجهم باستخدام بيانات محاكاة ومجموعات بيانات شبه تركيبية (IHDP, ACIC, HC-MNIST).

• البيانات المحاكاة (Gaussian/GLM):

  • عندما تم توصيف نموذج النتيجة بشكل صحيح، حققت المقدرات التي تستخدم الدرجات التنبؤية أدنى RMSE وانحياز، متفوقة بشكل كبير على المتغيرات الخام والطرق القائمة على درجات الاحتمالية.
  • عندما تم توصيف نموذج الاحتمالية بشكل صحيح ولكن نموذج النتيجة كان خاطئ التوصيف، أدت درجات التوازن أداءً أفضل.
  • عندما كان كلا النموذجين خاطئي التوصيف، فإن درجات إزالة الارتباط (تحديداً الدرجة "متساوية الزوايا" التي تجمع بينهما) ظلت عموماً تتفوق على المتغيرات الخام.
  • تقليل التباين: كما توقعت النظرية، فإن الانتقال من درجات التوازن نحو الدرجات التنبؤية قلل باستمرار من الانحراف المعياري (التباين) للتقديرات.

• البيانات شبه التركيبية:

  • في مجموعات البيانات المستمدة من الواقع (IHDP, ACIC, HC-MNIST)، والتي لا تستوفي تماماً فرضيات Gaussian، كان هناك دائماً درجة واحدة على الأقل من درجات إزالة الارتباط تحسن الأداء مقارنة بالمتغيرات الخام.
  • كانت الدرجات التنبؤية هي الأكثر فوزاً، مما يتماشى مع الحدس النظري بأن الميزات المتنبئة بالنتيجة هي الأكثر قوة في التداخل في الأبعاد العالية.
  • الدرجة "متساوية الزوايا" (مزيج من التنبؤية والتوازن) كانت تعمل غالباً كحل وسط قوي عندما يكون اليقين في توصيف النموذج غير مؤكد.

5. الأهمية والآثار المترتبة

• الرؤية النظرية: تحل هذه الورقة حدساً طويل الأمد في الاستدلال السببي: المتغيرات التي تتنبأ بالعلاج ولكن لا تتنبأ بالنتيجة يجب استبعادها لتقليل التباين. قدم المؤلفون أول إثبات رياضي لذلك باستخدام إطار تباعد التداخل.
• الفائدة العملية: يقدم النهج المقترح بديلاً "جاهز للاستخدام" للمتغيرات في المقدرات القياسية (IPW, AIPW, TMLE). فهو يسمح للباحثين بالاستفادة من تعلم التمثيل دون التضحية بضمانات عدم الانحياز المطلوبة للاستدلال السببي.
• التعامل مع التداخل الضعيف: من خلال نقل التركيز من المتغيرات الخام عالية الأبعاد إلى درجات إزالة الارتباط أقل الأبعاد (تحديداً الدرجات التنبؤية)، يقلل هذا الأسلوب بفعالية من "لعنة الأبعاد" فيما يتعلق بالتداخل، مما يتيح تقديراً أكثر استقراراً في الدراسات الرصدية عالية الأبعاد.
• الاتجاهات المستقبلية: يقترح المؤلفون توسيع هذه النتيات لتشمل الحالات غير الطبيعية (non-Gaussian) ودمج قيد تباعد التداخل في بنيات الشبكات العصبية العميقة للاستدلال السببي، مما يجسر الفجوة بين الأمثلية النظرية والتمثيلات المرنة للشبكات العصبية.