Causal Small Area Estimation with Survey-only Covariates

ملخص تقني: التقدير السببي للمناطق الصغيرة باستخدام متغيرات المسح فقط

بيان المشكلة
تتناول الورقة البحثية قصوراً جوهرياً في منهجيات التقدير السببي للمناطق الصغيرة (SAE) القائمة حالياً. تفترض طرق التقدير التقليدية للمناطق الصغيرة السببية (على سبيل المثال، Ranjbara et al., 2023؛ Reluga et al., 2025) عادةً أن حالة العلاج (treatment status) مرصودة لكامل المجتمع، مما يسمح باستكمال النتائج المحتملة غير المرصودة. ومع ذلك، في إعدادات المسح الواقعية، غالباً ما يتم رصد كل من متغير العلاج والمتغير التابع للوحدات المأخوذة في العينة فقط، بينما تتوفر المتغيرات المساعدة (مثل بيانات التعداد السكاني) لكامل المجتمع. هذا الهيكل للبيانات يجعل استراتيجيات الاستكمال القائمة على الاستكمال (imputation-based strategies) غير قابلة للتطبيق. علاوة على ذلك، تفتقر النهج القائمة على النماذج الموجودة غالباً إلى خاصية "المتانة المزدوجة" (doubly robust)، مما يجعلها عرضة لخطأ توصيف النموذج في المجتمعات المعقدة وغير المتجانسة. ويتمثل التحدي الجوهري في تحديد وتقدير متوسط آثار العلاج (ATEs) الخاصة بكل منطقة، عندما يكون العلاج والنتيجة مرصودين جزئياً، مع الاستفادة من متغيرات المسح فقط التي لا تتوفر في البيانات المساعدة على مستوى المجتمع.

المنهجية
يقترح المؤلفون إطار عمل جديد يدمج الاستدلال القائم على التصميم للمسح مع التقدير السببي ذو المتانة المزدوجة.

1. استراتيجية التحديد (Identification Strategy):
   تضع الورقة نتيجة تحديد جديدة لمتوسط آثار العلاج الخاص بكل منطقة ($\tau_j$) تحت أربعة افتراضات رئيسية:

• (A1) تجاهل أخذ العينات (Sampling Ignorability): أخذ العينات مستقل عن النتائج المحتملة والعلاج بشرط الديموغرافيا والمنطقة.
• (A2) عدم التوصيف (Unconfoundedness): تعيين العلاج مستقل عن النتائج المحتملة بشرط المتغيرات المرصودة داخل العينة.
• (A3) التداخل (Overlap): وجود احتمالية موجبة لجميع طبقات أخذ العينات، والمنطقة، والعلاج.
• (A4) تجاهل المنطقة (Area Ignorability): النتائج المحتملة والعلاج مستقلان عن مؤشر المنطقة بشرط المتغيرات المرصودة (كل من $X$ على مستوى المجتمع و $Z$ الخاصة بالمسح فقط).

بموجب هذه الافتراضات، يستنتج المؤلفون تفكيكاً لـ $\tau_j$ يجمع بين مُقدِّر مباشر داخل المنطقة وبين حد "التجميع الجزئي" (partial pooling) الذي يستعير القوة من المناطق الأخرى. ويتم تحقيق ذلك من خلال إعادة وزن الملاحظات من جميع المناطق لاستعادة توزيع المتغيرات المستهدفة للمنطقة.

2. المُقدِّر ذو المتانة المزدوجة (Doubly Robust Estimator):
   بناءً على صيغة التحديد، يصيغ المؤلفون مُقدِّراً ذا متانة مزدوجة (DR). يظل المُقدِّر متسقاً إذا كان:

• نماذج انحدار النتيجة ($m_0, m_1$) محددة بشكل صحيح، أو
• الدوال المزعجة (nuisance functions) لنسبة احتمال العلاج ($e$) واحتمالية تعيين المنطقة ($\pi_A$) محددة بشكل صحيح.

تتضمن دالة التقدير ثلاث آليات اختيار: تعيين العلاج، وأخذ عينات المسح، وتعيين المنطقة. وهناك مكون فريد يصحح التباينات في توزيع المناطق، مما يسمح بنقل المعلومات عبر المناطق.

3. إجراء التقدير:

• الدوال المزعجة (Nuisance Functions): تقوم الطريقة بتقدير انحدارات النتيجة، ونسب الاحتمال، واحتمالات تعيين المنطقة باستخدام نماذج عاملة معلمية (خطية، لوجستية، لوجستية متعددة الحدود).
• التحقق المتقاطع (Cross-fitting): لضمان الاستدلال التقاربي الصحيح وإزالة التحيز من الدرجة الأولى الناتج عن تقدير الدوال المزعجة، يستخدم المؤلفون التحقق المتقاطع (تقسيم العينة إلى طيات).
• تقدير التباين: تستنتج الورقة حد الكفاءة شبه المعلمي وتقترح مُقدِّرات تباين قابلة للتطبيق بناءً على تمثيل دالة التأثير. تم اقتراح نوعين من المُقدِّرات: نوع هورفيتز-ثومبسون (Horvitz–Thompson) ونوع هاجيك (Hájek) (المُطَبَّع/المُعاير).

المساهمات الرئيسية

• إطار عمل جديد للتحديد: توسع الورقة نطاق الاستدلال السببي ليشمل الإعدادات ذات العلاجات والنتائج المرصودة جزئياً من خلال دمج المتغيرات المتاحة للمسح فقط ($Z$) مع البيانات المساعدة على مستوى المجتمع ($X$). وهي تعمم استراتيجية التحديد لـ Kuriwaki و Yamauchi (2021) من تقدير المتوسط إلى المعلمات السببية.
• خاصية المتانة المزدوجة: يتمتع المُقدِّر المقترح بخاصية المتانة المزدوجة، مما يوفر حماية ضد خطأ توصيف النموذج في إعدادات المسح المعقدة، وهي ميزة تفتقر إليها نماذج SAE القائمة على التأثيرات المختلطة (mixed-effects).
• نظرية الكفاءة: يستنتج المؤلفون حد الكفاءة شبه المعلمي لمتوسط آثار العلاج الخاص بكل منطقة تحت ظروف أخذ عينات معقدة، ويثبتون أن المُقدِّر المقترح يحقق هذا الحد تحت شروط الانتظام.
• خوارزمية عملية: يتم توفير خوارزمية تقدير ملموسة، تستخدم التحقق المتقاطع والنماذج المعلمية القياسية، مما يجعل النهج قابلاً للتطبيق على بيانات المسح في العالم الحقيقي.

النتائج

• الدراسات المحاكية: تقارن تجارب مونت كارلو (مع $N=400,000$ و $N=800,000$) بين مُقدِّر هاجيك المقترح والمُقدِّر المباشر ومُقدِّر من نوع هورفيتز-ثومبسون.

  • الاستقرار: يُظهر المُقدِّر المباشر تبايناً عالياً وعدم استقرار في المناطق الصغيرة. ويُظهر مُقدِّر هورفيتز-ثومبسون تبايناً كبيراً في التحيز بسبب الأوزان المتطرفة. أما مُقدِّر هاجيك المقترح، فيُظهر تحيزاً أكثر استقراراً بشكل ملحوظ وخطأً في جذر متوسط المربعات (RMSE) أقل.
  • الكفاءة: يحقق مُقدِّر هاجيك مكاسب كفاءة كبيرة مقارنة بالمُقدِّر المباشر، حيث تتراوح نسبة التحسن النسبي في متوسط الخسارة (PRIAL) بين 72.9% و 86.7% في ظل التوصيف الصحيح.
  • المتانة: حتى عندما يتم انتهاك شرط المتانة المزدوجة (على سبيل المثال، عند خطأ توصيف نسب الاحتمال)، يحافظ مُقدِّر هاجيك على أداء مستقر نسبياً مقارنة بالبدائل.
  • تقدير التباين: بينما تعمل مُقدِّرات التباين بشكل جيد في بعض السيناريوهات، يشير المؤلفون إلى تحديات في تقدير التباين في العينات المحدودة، خاصة بالنسبة لمُقدِّر هاجيك حيث يؤدي التطبيع (normalization) إلى إدخال تباين إضافي.

• التطبيق التجريبي: تُطبق الطريقة على بيانات دراسة الانتخابات الأمريكية الوطنية (ANES) لعام 2024 لتقدير أثر التواصل الحملاتي على توجه الناخبين (ترامب مقابل هاريس) على مستوى الولايات.

  • فحص الافتراضات: يشير تحليل الانحدار التشخيصي إلى أن تضمين المتغيرات السياسية الخاصة بالمسح فقط ($Z$) يجعل مؤشرات المناطق غير ذات دلالة إحصائية، مما يدعم فرضية تجاهل المنطقة.
  • النتائج: يعطي المُقدِّر المقترح متوسطات آثار علاج مستقرة على مستوى الولايات مع أخطاء معيارية أصغر بكثير مقارنة بالتقديرات المباشرة (التي كانت غالباً ذات أخطاء معيارية كبيرة بشكل غير منطقي أو غير قابلة للتنفيذ). وتشير النتائج إلى تأثيرات إقناع عامة محدودة، لكنها تكشف عن تباين كبير في ولايات متأرجحة محددة.

الأهمية والادعاءات
تدعي الورقة أنها توفر "أداة مرنة وذات أساس نظري متين" للتحليل ذي الصلة بالسياسات في بيئات البيانات الحديثة حيث تكون بيانات العلاج والنتيجة شحيحة. ومن خلال سد الفجوة بين الاستدلال السببي وتقدير المناطق الصغيرة، يسمح إطار العمل للباحثين بـ:

1. استخدام المتغيرات الغنية المتاحة للمسح فقط لتعديل الاختلافات المنهجية عبر المناطق التي لا تستطيع البيانات السكانية وحدها التقاطها.
2. الحصول على تقديرات مستقرة لآثار العلاج الخاصة بكل منطقة حتى مع صغر حجم العينات لكل منطقة.
3. تجنب الافتراضات النموذجية القوية (مثل التوصيف الصحيح لنماذج النتيجة) المطلوبة في مناهج الاستكمال القائمة على التأثيرات المختلطة الموجودة حالياً.

يقر المؤلفون بتواضع بوجود قيود، مشيرين تحديداً إلى أن تقدير التباين يظل تحدياً في العينات المحدودة، وأن نمذجة احتمالات تعيين المنطقة مع وجود مناطق كثيرة قد يؤدي إلى الإفراط في التخصيص (overfitting)، مما يقترح عملاً مستقبلياً على النمذجة الموجزة وتحسين مُقدِّرات التباين.