Quantifying Omitted Variable Bias in Nonlinear Instrumental Variable Estimators

إليك ملخص تقني مفصل للورقة البحثية بعنوان "تكميم انحياز المتغيرات المحذوفة في مقدرات المتغير الأداة غير الخطية" للباحث يو-مين ين (Yu-Min Yen).

1. بيان المشكلة

تعد مقدرات المتغير الأداة (IV) أدوات قياسية لمعالجة مشكلة الداخليّة (endogeneity) في الاستدلال السببي. ومع ذلك، فإن صلاحيتها تعتمد على افتراض أن جميع المربكات (confounders) ذات الصلة مرصودة. وعندما تُحذف متغيرات ذات صلة (انحياز المتغير المحذوف، أو OVB)، تصبح تقديرات المتغير الأداة القياسية منحازة.

بينما يعد تحليل الحساسية تجاه انحياز المتغيرات المحذوفة (OVB) أمراً راسخاً في نماذج المتغير الأداة الخطية (مثل عمل تشينلي وهازليت، 2022)، إلا أن هناك نقصاً في الأطر الصارمة للمقدرات غير الخطية. تعالج هذه الورقة هذه الفجوة من خلال تطوير إطار لتكميم OVB في:

• أثر العلاج للمتوسط المحلي (LATE): الأثر على الممتثلين (compliers).
• أثر العلاج للممتثلين الذين تلقوا العلاج فعلياً (LATT): الأثر على الممتثلين الذين تلقوا العلاج بالفعل.
• نماذج المتغير الأداة شبه الخطية (PLIVM): النماذج التي تتسم بالخطية الجزئية في المتغيرات المستقلة.

يتمثل التحدي الجوهري في أن هذه المقدرات غالباً ما تكون نسباً بين التوقعات (على سبيل المثال، $\theta = \lambda / \gamma$). ويؤثر OVB على كل من البسط (الصورة المختصرة، $\lambda$) والمقام (المرحلة الأولى، $\gamma$) بطرق معقدة وغير خطية، مما يجعل تفكيك الانحياز بشكل مباشر أمراً صعباً.

2. المنهجية

تقترح الورقة إطاراً موحداً يوسع نتائج تشيرنوفوزوف وآخرون (2024a) ليشمل الإعدادات غير الخطية. وتتكون المنهجية من أربعة مكونات رئيسية:

أ. تفكيك الانحياز والتعريف الجزئي

يعرف المؤلفون المعلم الحقيقي $\theta$ والمقدر ذو الشكل القصير $\theta_s$ (المستند فقط إلى المتغيرات المرصودة $W_s = (Z, X)$) كنسب:
$$\theta = \frac{\lambda}{\gamma}, \quad \theta_s = \frac{\lambda_s}{\gamma_s}$$
حيث $\lambda = E[\alpha(W)g_Y(W)]$ و $\gamma = E[\alpha(W)g_D(W)]$. وهنا $\alpha$ هي دالة الوزن (Riesz representer)، و $g$ تمثل التوقعات الشرطية.

يتم توصيف الانحياز من خلال تفكيك الفرق بين الشكل الطويل والشكل القصير:
$$\lambda - \lambda_s = E[(\alpha - \alpha_s)(g_Y - g_{Ys})]$$
$$\gamma - \gamma_s = E[(\alpha - \alpha_s)(g_D - g_{Ds})]$$

باستخدام متباينة كوشي-شفارز، يستنتج المؤلفون حدودات لحجم الانحياز:
$$|\lambda - \lambda_s| = |\rho_Y| C_Y C_\alpha S_Y$$
$$|\gamma - \gamma_s| = |\rho_D| C_D C_\alpha S_D$$
حيث أن:

• $\rho$: الارتباط بين تأثير المتغير المحذوف على الوزن وبين النتيجة أو العلاج.
• $S$: الانحرافات المعيارية للبواقي (يمكن تقديرها من البيانات).
• $C$: معاملات الحساسية التي تمثل "قوة" المتغير المحذوف.

يؤدي هذا إلى حدود التعريف الجزئي لـ $\lambda$ و $\gamma$ (يُرمز لها بـ $[\lambda^-, \lambda^+]$ و $[\gamma^-, \gamma^+]$).

ب. بناء حدود OVB لـ $\theta$

تستنتج الورقة النظرية 1، التي تربط حدود $\lambda$ و $\gamma$ بحدود النسبة $\theta_0$. وتعتمد مجموعة التعريف الناتجة على إشارات حدود $\gamma$:

• إذا كان $\gamma$ موجباً تماماً أو سالباً تماماً، فإن حدود $\theta$ تكون فترات مغلقة مشتقة من نسب القيم القصوى لـ $\lambda$ و $\gamma$.
• إذا كانت حدود $\gamma$ تتجاوز الصفر (أي $\gamma^- < 0 < \gamma^+$)، فإن مجموعة التعريف لـ $\theta$ قد تكون الخط الحقيقي بأكل أو اتحاد فترات منفصلة، مما يجعل التقدير غير ذي قيمة معلوماتية.

ج. معاملات الحساسية والمعايرة المرجعية

معاملات الحساسية ($C_\alpha, C_Y, C_D$) هي مقاييس خالية من الوحدات لقدرة المتغير المحذوف التنبؤية.

• $C_\alpha^2$: يقيس الزيادة في دقة التنبؤ للأداة $Z$ عند إضافة المتغيرات المحذوفة.
• $C_Y^2$ و $C_D^2$: يقيسان الانخفاض في متوسط مربع الخطأ (MSE) للتنبؤ بـ $Y$ و $D$ عند إضافة المتغيرات المحذوفة.

لتجنب التوصيف التعسفي، تتبنى الورقة تحليل المعايرة المرجعية (اتباعاً لـ تشينلي وهازليت، 2022). حيث يقارن الباحثون قوة المتغير المحذوف بقوة متغير مرصود $X_j$. ومن خلال ضبط مؤشر القوة النسبية $k=1$ (أي أن المتغير المحذوف بنفس أهمية أقوى متغير مرصود)، يقوم المؤلفون بمعايرة القيم القصوى الممكنة لمعاملات الحساسية.

د. التقدير والاستدلال (التعلم الآلي المزدوج - DML)

للتعامل مع المتغيرات عالية الأبعاد والأشكال الوظيفية المعقدة، تستخدم الورقة التعلم الآلي المزدوج (DML):

1. تقدير المعلمات المزعجة (Nuisance Parameters): استخدام تقنية Cross-fitting بـ $K$-fold وخوارزميات التعلم الآلي (مثل الغابات العشوائية - Random Forests) لتقدير التوقعات الشرطية ($E[Y|X], E[D|X]$, ونسب الاحتمالية).
2. التعامد (Orthogonality): استخدام شروط اللحظة المتعامدة مع نيومان (Neyman-orthogonal moment conditions) لضمان متانة المقدر تجاه أخطاء تقدير المعلمات المزعجة.
3. فترات الثقة: بناء فترات ثقة معدلة بـ OVB باستخدام طريقة انكماش ستوي (Stoye, 2009). تضمن هذه الطريقة الصلاحية الموحدة حتى عندما تكون منطقة التعريف ضيقة (أي عندما يكون OVB صغيراً)، مما يتجنب مشكلات "الفعالية الفائقة" (superefficiency) التي تواجه طرق الانعكاس القياسية.

3. المساهمات الرئيسية

1. التعميم على المتغير الأداة غير الخطي: توفر الورقة أول إطار منهجي لتحليل OVB في مقدرات المتغير الأداة غير الخطية (LATE, LATT, PLIVM)، متجاوزة القيود الخطية للأدبيات السابقة.
2. تفكيك الانحياز: استنتجت الورقة تفكيكات صريحة للانحياز لبسط ومقام مقدرات النسبة، وربطتها بمعاملات الحساسية التي لها تفسيرات واضحة (القدرة التنبؤية).
3. أدوات استدلال متينة: طورت الورقة إجراء استدلال إحصائي صارم ينتج فترات ثقة معدلة بـ OVB، مما يسمح للباحثين باختبار ما إذا كانت الاستنتاجات السببية تصمد أمام مستويات معقولة من التغطية غير الملحوظة.
4. المعايرة المرجعية العملية: دمجت الورقة نهج المعايرة المرجعية لضبط معاملات الحساسية، مما يجعل التحليل أكثر سهولة وقائمًا على الواقع التجريبي بدلاً من الافتراضات التعسفية.

4. النتائج التجريبية (بيانات JTPA)

تم تطبيق الإطار على تجربة قانون شراكة التدريب الوظيفي الأمريكي (JTPA) لتقدير أثر التدريب الوظيفي على الدخل.

• البيانات: 11,204 عاملاً بالغاً (ذكور وإناث).
• الأداة: التعيين العشوائي لعروض التدريب الوظيفي.
• النتائج:
  • متانة المرحلة الأولى: تقدير احتمالية الامتثال ($\gamma$، أو $P(T=C)$) متين للغاية تجاه المتغيرات المحذوفة لكل من الجنسين. تظل الحدود ضيقة وإيجابية حتى في ظل افتراضات حساسية قوية.
  • حساسية أثر العلاج:
    • الإناث: تظل تقديرات LATE و LATT ذات دلالة إحصائية ومتينة حتى بعد حساب OVB. فترات الثقة المعدلة لا تشمل الصفر.
    • الذكور: تقديرات LATE و LATT هشة. بينما التقديرات النقطية موجبة، فإن فترات الثقة المعدلة بـ OVB واسعة وتشمل الصفر، مما يشير إلى أن التغطية غير الملحوظة يمكن أن تفسر الآثار المرصودة.
  • التباين النوعي: يسلط التحليل الضوء على أن آثار البرنامج متينة بالنسبة للإناث ولكنها هشة بالنسبة للذكور، وهو فارق دقيق قد يتم إغفاله في تحليل التقديرات النقطية القياسي دون فحوصات الحساسية.

5. الأهمية

تقدم هذه الورقة تقدماً كبيراً في مجال الاستدلال السببي من خلال توفير "اختبار جهد" (stress test) لتقديرات المتغير الأداة غير الخطية.

• للباحثين التطبيقيين: توفر مجموعة أدوات عملية (DML + المعايرة المرجعية + فترات ثقة الانكماش) لتقييم مصداقية الادعاءات السببية في وجود متغيرات مربكة غير ملحوظة.
• لتحليل السياسات: يوضح تطبيق JTPA أن تجاهل OVB في الإعدادات غير الخطية يمكن أن يؤدي إلى استنتاجات مفرطة في الثقة، خاصة بالنسبة للفئات الفرعية التي تكون فيها الآثار أضعف (مثل الذكور في هذه الدراسة).
• الأثر النظري: من خلال صياغة العلاقة بين المتغيرات المحذوفة وممثل Riesz في الإعدادات غير الخطية، فإنها تسد الفجوة بين تحليل الحساسية والقياس الاقتصادي الحديث القائم على التعلم الآلي.