Double/Debiased Machine Learning for Continuous Treatment Effects in Panel Data with Endogeneity

ملخص تقني: التعلم الآلي المزدوج/المصحح (Double/Debiased Machine Learning) للآثار المستمرة للعلاجات في بيانات السلاسل الزمنية الطولية (Panel Data) مع وجود مشكلة الذاتية (Endogeneity)

بيان المشكلة
يسعى الباحثون بشكل متكرر لتقدير الآثار السببية للعلاجات المستمرة والمتغيرة زمنياً في إعدادات البيانات الطولية (Panel Data). وبينما توفر النماذج شبه المعلمية (Semiparametric) وغير المعلمية (Nonparametric) المرونة اللازمة لتجنب مخاطر الخطأ في التوصيف المتأصلة في النماذج الخطية، إلا أنها تواجه ثلاثة تحديات تراكمية: الأبعاد العالية، والذاتية المنتشرة (بما في ذلك الارتباط المتزامن، وانتهاكات الخارجية المتتالية، والمتغيرات التابعة المتأخرة)، ووجود التأثيرات الثابتة ثنائية الاتجاه (للفرد والزمن).

تواجه أطر التعلم الآلي المزدوج/المصحح (DML) الحالية، مثل تلك الخاصة بـ Chernozhukov et al. (2018)، تحديات في التعامل مع نماذج السلاسل الزمنية الطولية غير المعلمية التي تتضمن تأثيرات ثابتة ثنائية الاتجاه (TWFE) ومتغيرات ذاتية (Endogenous Regressors). وتحديداً:

1. تفشل مخططات التقاطع المتقاطع (Cross-fitting) القياسية في نماذج TWFE لأن إزالة التأثيرات الثابتة الزمنية عبر طرح المتوسط (Demeaning) يؤدي إلى ارتباطات ميكانيكية عبر الوحدات، مما ينتهك فرضيات الاستقلال المطلوبة للنظرية التقاربية (Asymptotic Theory).
2. يفتقر حد التصحيح (Debiasing term) المطلوب لتعامد نيمان (Neyman orthogonality) -وهو ممثل ريس (Riesz representer)- إلى حل مغلق في الإعدادات ذات المتغيرات الذاتية، كما أن استراتيجيات التقدير الحالية لهذا الحد تقتصر على المتغيرات الخارجية (Exogenous).
3. غالباً ما تكون مقدرات TWFE التقليدية محدودة بالعلاجات الثنائية والآثار المتزامنة، وتفشل في التقاط الآثار الديناميكية أو الاستجابات المتباينة عبر الزمن.

المنهجية
يقترح المؤلفون إطار عمل للتعلم الآلي المزدوج/المصحح (DML) مصمماً لنماذج السلاسل الزمنية الطولية غير المعلمية ذات التأثيرات الثابتة ثنائية الاتجاه (Additive TWFE) والمتغيرات الذاتية. يستهدف هذا الإطار تقدير متوسط آثار المشتقات (متوسط الآثار الهامشية) للعلاجات المستمرة، بما في ذلك الآثار المتزامنة، والديناميكية (المتأخرة)، والمجمعة.

تشمل الابتكارات المنهجية الجوهرية ما يلي:

1. توصيف النموذج: ينظر المؤلفون في كل من النماذج الطولية الساكنة والديناميكية:

   • الساكن: $Y_{it} = \gamma_0(X_{i,t-q:t}, D_{i,t-q:t}, C_i) + \mu_i + \lambda_t + \varepsilon_{it}$
   • الدينامي: يتضمن نتائج متأخرة $Y_{i,t-1-p:t-1}$ كمتغيرات مستقلة.
   • يتم التعامل مع الذاتية عبر متغيرات أداة (Instrumental Variables) $I_{it}$، حيث قد تكون المتغيرات المستقلة خارجية متتالية أو ذاتية تماماً.

2. تعامد نيمان والتصحيح (Neyman Orthogonalization and Debiasing):

   • اشتق المؤلفون الشكل الصريح لحد التصحيح المطلوب لبناء شروط عزم نيمان المتعامدة. ويظهر أن هذا الحد يتكون من حاصل ضرب ممثل ريس ($\alpha_0$) والخطأ المتباين.
   • على عكس الإعدادات المقطعية (Cross-sectional) حيث يمكن تقدير $\alpha_0$ عبر الانحدار القياسي، فإن الإعدادات ذات المتغيرات الذاتية تمنع ذلك. لذا يقترح المؤلفون تقدير ممثل ريس $\alpha_0$ باستخدام طريقة العزم المعمم المعاقبة (Penalized GMM). هذا النهج "التلقائي" يقدر حد التصحيح المعقد باستخدام شروط العزم المعروفة فقط دون الحاجة إلى أشكال وظيفية صريحة.

3. مخطط تقاطع متقاطع مبتكر (Innovative Cross-Fitting Scheme):

   • لمعالجة الارتباط الناتج عن إزالة التأثيرات الثابتة الزمنية (طرح المتوسط)، قدم المؤلفون إجراء تقاطع متقاطع معدلاً.
   • يتم تقسيم العينة إلى $K$ من المجموعات (Folds). بالنسبة لمجموعة مستهدفة $F_k$، يتم التخلص من التأثيرات الثابتة الزمنية عبر طرح المتوسط باستخدام مجموعة أخرى $F_{k'}$. ومن الأهمية بمكان أن تقدير الدوال المزعجة ($\gamma_0$ و $\alpha_0$) يستخدم مجموعة ثالثة من البيانات (باستثناء $F_k \cup F_{k'}$)، بينما يستخدم التقدير النهائي لأثر العلاج المجموعة المستهدفة. هذا "استراتيجية المجموعة المخصصة" يعيد استعادة استقلال العينة المطلوب للنظرية التقاربية.

4. خوارزمية التقدير:

   • الخطوة 1: تقسيم الأفراد إلى $K$ من المجموعات.
   • الخطوة 2: لكل مجموعة، يتم تقدير الدالة الهيكلية $\gamma_0$ (باستخدام طرق ML مثل DeepIV أو Penalized GMM) وممثل ريس $\alpha_0$ (باستخدام Penalized GMM) على البيانات المكملة.
   • الخطوة 3: بناء شرط العزم المتعامد:
     $$\psi(W^*_{it}, \theta, \Delta\gamma^*, \alpha) = m(W^*_{it}, \Delta\gamma^*) - \theta + \alpha(Z_{it})[\Delta Y^*_{it} - \Delta\gamma^*(V_{it})]$$
     حيث يشير $\Delta$ إلى عملية الطرح لإزالة التأثيرات الثابتة الفردية، وتشير $^*$ إلى طرح المتوسط لإزالة التأثيرات الثابتة الزمنية.
   • الخطوة 4: حل متوسط المشتق $\theta$ باستخدام متوسط العينة لشرط العزم المتعامد.

المساهمات الرئيسية
يقدم البحث أربع مساهمات رئيسية في الأدبيات:

1. توسيع نطاق DML ليشمل TWFE مع وجود الذاتية: يعد هذا أول عمل يوسع إطار DML للنماذج الطولية غير المعلمية التي تتضمن تأثيرات ثابتة فردية وزمنية في ظل وجود متغيرات ذاتية.
2. حل مشكلة التقاطع المتقاطع في TWFE: اشتق المؤلفون الشكل المحدد لحد التصحيح لهذا الإعداد واقترحوا مخطط تقاطع متقاطع مبتكر يخصص مجموعة إضافية لطرح المتوسط، مما يحل انتهاك الاستقلال الناتج عن إزالة التأثيرات الثابتة الزمنية.
3. طريقة GMM المعاقبة لممثلات ريس: يوسع البحث مفهوم "Auto-DML" ليشمل الإعدادات ذات المتغيرات الذاتية عبر تقدير ممثل ريس باستخدام Penalized GMM. يسمح هذا بتقدير حدود التصحيح شديدة التعقيد دون حلول مغلقة، مما يستوعب كلاً من الذاتية وTWFE. كما أثبت المؤلفون تقارب معدل متوسط المربعات لهذا المقدر تحت شروط أخف من الأدبيات السابقة (مثل Caner and Kock, 2018).
4. الآثار الديناميكية والمتغايرة: يستوعب الإطار الآثار الديناميكية للعلاجات والآثار المتغايرة للمتغيرات المستمرة، متجاوزاً قيود مقدرات TWFE التقليدية التي غالباً ما تقتصر على العلاجات الثنائية والآثار المتزامنة. كما يوفر نسخة غير معلمية من مقدر Arellano-Bond للنماذج الديناميكية.

النتائج

• النظرية التقاربية: أثبت المؤلفون أن مقدرات DML المقترحة للآثار المتزامنة، والديناميكية، والمجمعة هي متسقة مع الجذر التربيعي لـ $N$ ($\sqrt{N}$-consistent) وتتبع توزيعاً طبيعياً تقاربياً. كما تم توفير مقدر تباين متسق، مما يسمح بالاستدلال الإحصائي الصحيح.
• المحاكاة: أظهرت دراسات مونت كارلو أن المقدر المقترح (DPGMM) يزيل بفعالية انحياز التنظيم (Regularization bias) وانحياز الإفراط في التخصيص (Overfitting bias). مقارنة بالمقدرات غير المصححة (Plug-in) أو المقدرات التي تتجاهل الذاتية (Lasso) أو التي تخطئ في توصيف المرحلة الأولى (GMM)، أظهر مقدر DPGPM:
  • انخفاضاً ملحوظاً في الانحياز ومتوسط مربعات الخطأ (MSE).
  • تقديراً دقيقاً للتباين، مما يؤدي إلى فترات ثقة ذات معدلات تغطية تجريبية قريبة من المستوى الاسمي (مثلاً 95%).
  • متانة تجاه خطأ توصيف النموذج وتجاهل الذاتية.
• التطبيق التجريبي: تم تطبيق الإطار على مجموعة بيانات ECLS-K لفحص تأثير الوضع الاجتماعي والاقتصادي (SES) للأسرة، وحجم الأسرة، وأسعار الوجبات السريعة على مؤشر كتلة الجسم (BMI) لدى الأطفال.
  • كشفت النتائج عن ديناميكيات غنية: يتغير أثر الوضع الاجتماعي والاقتصادي للأسرة على مؤشر كتلة الجسم من حيث الإشارة مع تقدم عمر الأطفال (سالب في الفترات المبكرة، وموجب في الفترات اللاحقة)، مما يساعد في التوفيق بين النتائج المتضاربة في الأدبيات السابقة التي قدرت فقط الآثار المجمعة زمنياً.
  • يظهر نموذج السلسلة الزمنية الطولية الديناميكية أن بعض الآثار مفسرة جزئياً بالنتائج السابقة، مما يؤكد أهمية مراعاة الديناميكيات.

الأهمية والادعاءات
يزعم البحث أنه يحل مجموعة من التحديات التي تميزه عن الأعمال الحالية، موفراً أداة قوية للاستدلال السببي في بيئات البيانات الطولية المعقدة. ومن خلال الجمع بين مرونة التعلم الآلي وتقنيات التصحيح الصارمة المصممة للتعامل مع الذاتية والتأثيرات الثابتة ثنائية الاتجاه، يتيح هذا الإطار للباحثين تقدير متوسط آثار المشتقات مع استدلال صحيح في سياقات كانت تعتبر سابقاً مستعصية على DML. ويشير المؤلفون بتواضع إلى أنه بينما تفترض نظريتهم ثبات $T$ و $N \to \infty$، فإن العمل المستقبلي يمكن أن يتناول التقارب المشترك واستراتيجيات تحديد الهوية البديلة (مثل الاتجاهات المتوازية) في حال عدم توفر الأدوات.