📊 statistics

Fit CATE Once: Model-Assisted Randomization Tests Without Sample Splitting

تقدم هذه الورقة إطار عمل لاختبار العشوائية بمساعدة النموذج، يقوم بتقدير متوسطات تأثيرات العلاج الشرطية (CATE) غير الموقعة من هياكل التباين المشترك للمتبقيات لتعزيز القوة الإحصائية واكتشاف المجموعات الفرعية في التجارب الطولية العشوائية دون الحاجة إلى تقسيم العينة، مع الحفاظ على التحكم الصحيح في خطأ النوع الأول.

المؤلفون الأصليون: Fangnan Zheng, Yao Zhang

نُشر 2026-05-12

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Fangnan Zheng, Yao Zhang

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

إليك شرح لورقة بحثية بعنوان "Fit CATE Once: Model-Assisted Randomization Tests Without Sample Splitting" باستخدام لغة بسيطة وتشبيهات إبداعية.

الصورة الكبيرة: مشكلة "العملة ذات الوجهين"

تخ-يل أنك عالم تحاول معرفة ما إذا كان سماد جديد يجعل النباتات تنمو بشكل أطول. لديك حديقة بها العديد من النباتات، وقد قررت عشوائياً أي منها سيحصل على السماد ومتى. هذه هي التجربة العشوائية (Randomized Experiment).

عادةً ما يستخدم العلماء أداتين رئيسيتين لتحليل هذه البيانات:

"المحاسب الصارم" (اختبارات التوزيع العشوائي - Randomization Tests): هذه الطريقة موثوقة للغاية لأنها تثق فقط في حقيقة أنك رميت عملة معدنية لتحديد من سيحصل على السماد. هي لا تهتم بالتربة أو الطقس؛ بل تنظر فقط إلى التعيين العشوائي. إنها آمنة، لكنها أحياناً قد لا تكون حساسة جداً (قد تفوت التأثيرات الدقيقة).
"المحقق المرن" (نماذج تأثير المعالجة - Treatment Effect Models): تحاول هذه الطريقة بناء نموذج معقد للتنبؤ بكيفية عمل السماد. هي تنظر إلى التربة، والطقس، ونوع النبات. إنها حساسة جداً ويمكنها إيجاد أنماط معقدة، لكنها محفوفة بالمخاطر؛ فإذا كان نموذج المحقق الخاص بك خاطئاً قليلاً، فقد تصبح استنتاجاتك غير صالحة.

المعضلة:
للحصول على أفضل ما في العالمين، ترغب عادةً في استخدام "المحقق المرن" لمساعدة "المحاسب الصارم". ولكن هناك مشكلة: إذا استخدمت النتائج الفعلية لتجربتك لبناء نموذج المحقق، فإنك تكسر قواعد "المحاسب الصارم". تصبح الرياضيات مختلة لأن النموذج "ألقى نظرة خفية" على الإجابة.

ولحل هذه المشكلة، تستخدم الطرق التقليدية "تقسيم العينة" (Sample Splitting). تخيل أن لديك 100 نبتة. تعطي 50 منها للمحقق لبناء نموذج، ثم تتخلص من هذا النصف. ثم تستخدم الـ 50 نبتة الأخرى لاختبار الفرضية. هذا يحافظ على سلامة الرياضيات، لكنك ببساطة تتخلص من نصف بياناتك، مما يجعل اختبارك أضعف وأقل قدرة على إيجاد التأثيرات الحقيقية.

حل الورقة البحثية: "Fit CATE Once"

وجد المؤلفون طريقة ذكية لجعل "المحقق المرن" يساعد "المحاسب الصارم" دون التخلص من أي بيانات و دون إلقاء نظرة خفية على الإجابة النهائية.

يسمون هذه الطريقة "Fit CATE Once". (كلمما CATE هو اختصار لـ Conditional Average Treatment Effect، ويعني ببساطة: "كيف يساعد هذا النوع المحدد من النباتات؟").

إليك كيف تعمل خدعتهم السحرية، مقسمة إلى ثلاث خطوات:

1. "الظل غير الموقّع" (المقدار - The Magnitude)

تخيل أنك تحاول تخمين وزن صندوق غامض. لا يمكنك رؤية الصندوق، لكن يمكنك هزه والاستماع إلى صوت ارتطام ما بداخله.

أدرك المؤلفون أنه حتى بدون معرفة بالضبط أي النباتات حصلت على السماد، فإن نمط الضجيج في البيانات (كيف تباين نمو النباتات بمرور الوقت) يحتوي على دليل خفي.
على وجه التحديد، ينظرون إلى التباين المشترك (Covariance) (كيف يتحرك نمو النباتات المختلفة معاً).
يمكنهم حساب حجم (Magnitude) تأثير السماد بمجرد النظر إلى هذه الأنماط. هم يعرفون مدى كبر التأثير، لكنهم لا يعرفون ما إذا كان إيجابياً (يجعل النباتات أطول) أو سلبياً (يجعلها أقصر).
التشبيه: الأمر يشبه سماع صوت محرك سيارة يزأر. أنت تعرف أن المحرك قوي (المقدار)، لكنك لا تعرف ما إذا كانت السيارة تتحرك للأمام أو للخلف بعد. هذا الجزء "مستقل عن التعيين" (assignment-free)، مما يعني أنه لا يحتاج لمعرفة أي النباتات حصلت فعلياً على السماد ليعمل.

2. "الإشارة" (الاتجاه - The Sign)

الآن بعد أن عرفوا حجم التأثير، يتعين عليهم فقط معرفة الاتجاه (إيجابي أم سلبي).

عادةً، يتطلب تحديد الاتجاه النظر إلى تعيينات المعالجة الفعلية، وهو ما يكسر القواعد.
الخدعة: أدرك المؤلفون أن تحديد الاتجاه أسهل بكثير من بناء النموذج المعقد بالكامل.
يأخذون تقدير الحجم "غير الموقّع" ويسألون ببساطة: "إذا افترضنا أن التأثير إيجابي، فهل يناسب ذلك البيانات بشكل أفضل؟ أم إذا افترضنا أنه سلبي؟"
يختارون الاتجاه الذي يناسب البيانات المرصودة بشكل أفضل.
التشبيه: لديك محرك قوي (الحجم). تحتاج فقط للتحقق من العجلات لترى ما إذا كانت السيارة تتدحرج للأمام أو للخلف. لا تحتاج لإعادة بناء المحرك بالكامل للقيام بذلك؛ تحتاج فقط لنظرة سريعة.

3. الاختبار النهائي

الآن لديهم نموذج كامل: يعرفون الحجم (من الخطوة 1) والاتجاه (من الخطوة 2).

يستخدمون هذا النموذج لمساعدة "المحاسب الصارم" في إجراء اختبار.
ولأن النموذج تم بناؤه دون استخدام تعيينات المعالجة النهائية (استخدموا فقط "أنماط الضجيج" وفحصاً بسيطاً للإشارة)، تظل الرياضيات صحيحة.
النتيجة: يحصلون على حساسية النموذج المعقد مع أمان اختبار التوزيع العشوائي، ولم يضطروا للتخلص من نصف بياناتهم.

لماذا يهم هذا (النتائج)

اختبرت الورقة هذه الفكرة باستخدام محاكاة حاسوبية وبيانات من العالم الحقيقي (حول توظيف المراهقين والحد الأدنى للأجور).

الأمان: سيطرت طريقتهم على "أخطاء النوع الأول" (الإنذارات الكاذبة) تماماً مثل الطرق الآمنة الصارمة. لم يغشوا.
القوة: كانوا أفضل بكثير في إيجاد التأثيرات الحقيقية من الطرق القديمة.
- تفوقوا على "المحاسب الصارم" (الذي لم يستخدم نموذجاً).
- تفوقوا على طريقة "تقسيم العينة" (التي تخلصت من البيانات).
المجموعات الفرعية: أظهروا أيضاً أن هذه الطريقة يمكن أن تساعد في إيجاد مجموعات محددة من الناس (مثل "المقاطعات الكبيرة" مقابل "المقاطعات الصغيرة") حيث يعمل العلاج بشكل مختلف، مما يسمح بتحليل أكثر استهدافاً.

ملخص في جملة واحدة

اخترع المؤلفون طريقة لاستخدام نموذج معقد لتعزيز قوة اختبار التوزيع العشوائي عن طريق حساب حجم التأثير أولاً من أنماط البيانات (دون النظر إلى المعالجة) ثم مجرد تخمين الاتجاه، مما يسمح لهم باستخدام جميع بياناتهم بأمان وفعالية.

ملخص تقني: تقدير الـ CATE لمرة واحدة: اختبارات العشوائية المعتمدة على النماذج دون تقسيم العينة

1. بيان المشكلة

تنتج تجارب اللوحات العشوائية (Randomized panel experiments) تسلسلات من النتائج المناسبة لدراسة الآثار السببية الديناميكية. وبينما توفر اختبارات العشوائية صلاحية في العينات المحدودة بناءً على آلية التعيين المعروفة، إلا أنها غالبًا ما تفتقر إلى القوة (Power) عندما تكون آثار المعالجة متباينة. وعلى العكس من ذلك، فإن نماذج تأثير المعالجة المرنة (مثل نماذج متوسط تأثير المعالجة الشرطي، أو CATE) يمكنها التقاط التباين المعقد، لكنها تتطلب عادةً افتراضات نمذجة قوية أو تقسيم العينة للحفاظ على الصلاحية في الاستدلال العشوائي.

يتمثل التحدي الجوهري الذي يعالجه هذا البحث في المقايضة عند بناء اختبارات العشوائية المعتمدة على النماذج:

الصلاحية (Validity): يجب أن يكون نموذج المتغيرات المزعجة (على سبيل المثال، مُقدّر CATE) مستقلًا عن تعيينات المعالجة المحققة ( $A[N]$ ) لضمان بقاء توزيع العشوائية صالحًا. إن ملاءمة نموذج على $A[N]$ واستخدامه في الإحصائية الاختبارية يكسر التماثل المطلوب للحصول على قيم p صالحة.
القوة (Power): لتحسين القوة، يجب أن يستخدم الإحصائي الاختباري تقديرات دقيقة لتباين تأثير المعالجة.
القيود الحالية: الحلول الموجودة إما تعيد ملاءمة النموذج لكل تعيين محاكى (وهو أمر مكلف حاسوبيًا) أو تستخدم تقسيم العينة (مما يؤدي إلى التضحية بالقوة الإحصائية عبر استبعاد البيانات).

يقترح هذا البحث طريقة لتقدير الـ CATEs دون استخدام التعيينات المحققة، مما يحافظ على الصلاحية دون خسارة الكفاءة الناتجة عن تقسيم العينة.

2. المنهجية

تعتمد الطريقة المقترحة، Fit CATE Once، على هيكل التغاير للنتائج المتبقية (residualized outcomes) في بيانات اللوحات لتقدير حجم آثار المعالجة، تاركةً الإشارة فقط لتتحدد لاحقًا.

2.1. الإعداد والافتراضات

البيانات: $N$ من الوحدات المرصودة عبر $T$ من الفترات الزمنية مع متغيرات تفسيرية $X_i$ ، ونتائج $Y_{i,t}$ ، ووقت بدء المعالجة $A_i$ .
نموذج النتيجة الجمعي (Additive Outcome Model): تتبع النتيجة المرصودة الصيغة $Y_{i,t} = \mu_{0,t}(X_i) + \sum_{l=0}^{t-1} \mathbb{1}\{A_i = t-l\}\tau_l(X_i) + \epsilon_{i,t}$ .
عدم التوقع (No Anticipation): بدء المعالجة بعد الوقت $t$ لا يؤثر على $Y_{i,t}$ .
إزالة البواقي (Residualization): يتم استخراج البواقي عن طريق طرح المتوسط الشرطي $\mu_t(X_i)$ ، مما ينتج عنه البواقي $R_{i,t}$ .

2.2. تقدير الـ CATE غير الموقّع (Unsigned CATE Estimation)

الرؤية الجوهرية هي أنه تحت النموذج الجمعي، فإن العزوم من الدرجة الثانية (التغايرات) للنتائج المتبقية تشفر حجم آثار المعالجة، بشكل مستقل عن إشارات التعيين المحققة.

العزوم القطرية (الآثار الثابتة عبر التأخير): إذا كان تأثير المعالجة ثابتًا عبر فترات التأخير ( $\tau_l(x) \equiv \tau^*(x)$ )، فإن المدخلات القطرية لمصفوفة التغاير المتبقية $\Sigma_R(x)$ تعتمد على مقدار مربع التأثير $\tau^{*2}(x)$ وعامل تصميم معروف $v_t(x)$ . ومن خلال مقارنة العزوم القطرية عبر الزمن، يمكن طرح تباين المتغير المزعج، مما يسمح بتحديد $|\tau^*(x)|$ .
العزوم غير القطرية (الآثار المتغيرة عبر التأخير): إذا كانت الآثار تختلف حسب التأخير وكانت أخطاء البواقي غير مرتبطة تسلسليًا (الافتراض 4)، فإن التغايرات المتبقية غير القطرية تعتمد على متجه CATE $\tau(x)$ $τ (x)$ من خلال صيغ تربيعية: $c(x) = F_x(\tau) = (\tau^\top H_{t,s}(x) \tau)_{(t,s)}$ $c (x) = F_{x} (τ) = (τ^{⊤} H_{t, s} (x) τ)_{(t, s)}$ .
- وهذا يخلق مشكلة مطابقة العزوم، حيث تحدد التغايرات المتبية غير القطرية متجه $\tau(x)$ حتى إشارة عالمية واحدة.
- يقترح المؤلفون استرخاءً محدبًا (تقدير المصفوفة ذات الرتبة الواحدة $B = \tau\tau^\top$ عبر البرمجة شبه المحددة) ونهج المربعات الصغرى غير الخطية (NLS) لحل مسألة المُقدّر غير الموقّع $\hat{\tau}_\pm(x)$ .

2.3. تحديد الاتجاه (Sign Orientation)

بما أن مُقدّرات العزوم لا تستعيد سوى المقدار (أو الاتجاه حتى إشارة معينة)، يلزم إجراء خطوة نهائية لتحديد الإشارة.

تحديد الاتجاه المستقل عن التعيين: يتم اختيار الإشارة بحيث تناسب أفضل مسار للنتائج المتبقية لكل وحدة، مما يقلل من الخطأ التربيعي بين البواقي المرصودة والنموذج المتوقع بواسطة المُقدّر غير الموقّع.
تحديد الاتجاه بالتعيين الجزئي: بدلاً من ذلك، يمكن استخدام مجموعة فرعية صغيرة من التعيينات المرصودة لتعلم الإشارة فقط، مما يترك الجزء الأكبر من الوحدات لاختبار العشوائية. هذا الخيار أقل تكلفة حاسوبيًا من إعادة ملاءمة نموذج CATE كامل.

2.4. اختبار العشوائية المدعوم بـ CATE

بمجرد الحصول على مُقدّر $\hat{\tau}(X_i)$ الموقّع، يُستخدم لبناء إحصائية اختبار (مثل درجة نسبة الاحتمال أو درجة AIPW) تكون أكثر حساسية للآثار المتباينة.

الصلاحية: بما أن مُقدّر CATE مشتق من تغايرات البواقي (التي تعتمد على المتغيرات التفسيرية والنتائج ولكن ليس على $A[N]$ المحققة)، فإن شرط الاستقلال الشرطي $\hat{\eta} \perp A[N] \mid X, Y$ يتحقق.
الإجراء: يحسب الاختبار قيمة p من خلال مقارنة الإحصائية المرصودة مقابل توزيع الإحصائيات الناتجة عن تبديل متجه التعيين $A[N]$ مع تثبيت النموذج المزعج.

3. المساهمات الرئيسية

تقدير CATE المستقل عن التعيين: يثبت البحث أنه في تجارب اللوحات، يسمح هيكل التغاير للبواقي بتحديد مقادير CATE (ومتجهات CATE حتى الإشارة) دون الملاءمة على التعيينات المحققة.
الضمانات النظرية:
- التحديد (Identification): يثبت التحديد المحلي والعالمي لمتجه CATE غير الموقّع حتى إشارة عالمية واحدة تحت شروط الرتبة على جاكوبي (Jacobian) خريطة العزوم.
- الاتساق (Consistency): يثبت اتساق مُقدّرات الاسترخاء المحدب وNLS لـ CATE غير الموقّع مع اقتراب $N \to \infty$ .
اختبارات مدعومة بالنماذج وصالحة: يوضح أن استخدام هذه المُقدّرات المستقلة عن التعيين في اختبارات العشوائية يحافظ على صلاحية العينة المحدودة (التحكم في خطأ النوع الأول) مع تجنب فقدان القوة المرتبط بتقسيم العينة.
اكتشاف المجموعات الفرعية: يظهر أن تقديرات CATE المستقلة عن التعيين يمكن استخدامها لاحقًا لاكتشاف المجموعات الفرعية المتباينة وإجراء اختبارات عشوائية صالحة داخل هذه المجموعات.

4. النتائج التجريبية

قيم المؤلفون الطريقة من خلال تجارب اصطناعية، وشبه اصطناعية، وتجارب الاتساق:

التحكم في خطأ النوع الأول (Type I Error Control): عبر مختلف أحجام العينات وهياكل التأخير (التأخير الثابت والتأخير المتغير)، يتحكم اختبار العشوائية المدعوم بـ CATE (RT CATE) في خطأ النوع الأول عند المستوى الاسمي (0.1)، وهو ما يضاهي الاختبارات غير المعدلة (RT DM) والمعدلة بالمتغيرات باستخدام متوسطات النتائج فقط (RT cDM).
القوة (Power): يحقق RT CATE باستمرار قوة أعلى من:
- الاختبارات غير المعدلة (RT DM).
- الاختبارات المعدلة بالمتغيرات باستخدام متوسطات النتائج فقط (RT cDM).
- بدائل تقسيم العينة (RT SS)، التي تضحي بالبيانات من أجل الصلاحية.
- تظهر هذه المكاسب بوضوح أكبر عندما تكون آثار المعالجة متباينة عبر الوحدات أو عبر فترات التأخير.
الاتساق: يتقارب المُقدّر غير الموقّع نحو مقدار CATE الحقيقي (حتى الإشارة) مع زيادة حجم العينة.
البدء الدافئ (Warm-Starting): استخدام المُقدّر غير الموقّع كـ "بدء دافئ" يسمح بتقدير CATE الموقّع بدقة باستخدام عدد أقل بكثير من التعيينات المكشوفة مقارنة بتعلم متجه CATE الكامل من الصفر.
التحقق شبه الاصطناعي: باستخدام مجموعة بيانات توظيف المراهقين على مستوى المقاطعة (بناءً على Callaway و Sant'Anna، 2021)، تفوقت الطريقة على نماذج انحدار TWFE القياسية في كل من التحكم في الحجم (تجنب الرفض المفرط) والقوة.
تحليل المجموعات الفرعية: نجحت الطريقة في استعادة المجموعات الفرعية القائمة على العتبات ودعمت الاستدلال الصالح داخل تلك المجموعات المكتشفة.

5. الأهمية والادعاءات

يزعم البحث أن Fit CATE Once يحل التوتر الجوهري بين الصلاحية والقوة في اختبارات العشوائية المعتمدة على النماذج لبيانات اللوحات. من خلال استغلال هيكل عزوم الدرجة الثانية للبواقي، تستخرج الطريقة معلومات عن تأثير المعالجة تكون "مستقلة عن التعيين"، مما يسمح للباحثين باستخدام إحصائيات اختبار مرنة وعالية القوة دون المساس بإطار الاستدلال العشوائي.

يؤكد المؤلفون أن هذا النهج لا يقتصر على تصميمات اللوحات المحددة المدروسة، بل يشير إلى فئة أوسع من الاختبارات المدعومة بالنماذج حيث تعتمد البواقي على التعيينات فقط من خلال آثار المعالجة. تُقدم الطريقة كحل عملي يتجنب العبء الحسابي لإعادة ملاءمة النماذج لكل عملية تبديل، وعدم الكفاءة الإحصائية لتقسيم العينة.

القيود التي لاحظها المؤلفون:

يفترض المُقدّر غير القطري أن أخطاء البواقي غير مرتبطة تسلسليًا؛ حيث يمكن للأخطاء المرتبطة أن تخلط بين آثار المعالجة وهيكل الخطأ.
تعتمد خطوة استعادة الإشارة على نسبة الإشارة إلى الضجيج وتوقيت المعالجة؛ إذ توفر بدايات المعالجة المبكرة معلومات أكثر لاستعادة الإشارة مقارنة بالبدايات المتأخرة.
يعتمد التحديد العالمي على شروط الرتبة التي، رغم كونها مستوفاة عمومًا في التصميمات القياسية، قد تفشل في حالات محددة متدهورة.