Calibrated Inference for the Conditional Average Treatment Effect in the Few-Placebo Regime via Gaussian Processes

ملخص تقني: الاستدلال المعاير لـ CATE في نظام "العدد القليل من المجموعات الضابطة" عبر العمليات الغاوسية

بيان المشكلة
تتناول الورقة البحثية تحدي تقدير متوسط أثر العلاج الشرطي (CATE)، $\tau(x) = E[Y(1) - Y(0) | X=x]$، مع فترات عدم يقين معايرة في "نظام العدد القليل من المجموعات الضابطة" (few-placebo regime). يُعرَّف هذا النظام بوجود اختلال حاد في أحجام العينات بين أذرع العلاج ($N_0 \ll N_1$)، وهو سيناريو شائع في التجارب السريرية غير متساوية التوزيع، واختبارات A/B ذات الميزانية المحدودة، ودراسات الحالات النادرة.

بينما يُعد "متعلم X" (X-Learner) هو النموذج الميتا-تعلم القياسي للأسلحة غير المتوازنة، إلا أنه يوفر فقط تقديرًا نقطيًا. يبحث المؤلفون في الامتداد الطبيعي لجعل المرحلة الثانية من "متعلم X" بايزيًّا لتوليد فترات ثقة. ويُظهرون أن هذا النهج يفشل في توفير تغطية معايرة (أي أن الفترات تحتوي على الأثر الحقيقي بمعدل أقل من المستوى الاسمي) تحديدًا في نظام العدد القليل من المجموعات الضابطة.

تشخيص الفشل
تحدد الورقة سببًا هيكليًا لعدم تغطية فترات "متعلم X" البايزية:

1. تحيز الإزعاج من الدرجة الأولى (First-Order Nuisance Bias): يقوم "متعلم X" ببناء نتائج وهمية (على سبيل المثال، $D_1 = Y - \hat{\mu}_0(X)$) لتقدير أثر العلاج. وبما أن نماذج الإزعاج بالتعلم الآلي (مثل الأشجار المنتظمة) تضحي بالتحيز مقابل التباين، فإن التقدير $\hat{\mu}_0$ لا يكون غير متحيز شرطيًا. وبالتالي، فإن المتوسط الشرطي للنتيجة الوهمية هو $\tau(x) - b_0(x)$، حيث $b_0(x)$ هو تحيز الانتظام لنموذج الإزعاج الملائم على المجموعة الضابطة الصغيرة.
2. إزاحة اللاحقة (Posterior Displacement): ينتج الانحدار البايزي على هذه النتائج الوهمية المتحيزة تابعًا يتركز حول الهدف المتحيز ($\tau - b_0$) بدلاً من الأثر الحقيقي. وبما أن التحيز هو إزاحة في الموقع، فإن زيادة تباين اللاحقة (توسيع الفترة) لا يصحح التغطية؛ إذ تظل الفترة مزاحة عن الحقيقة.
3. فشل الدرجات المتعامدة (Failure of Orthogonal Scores): يوضح المؤلفون أن العلاج القياسي لتحيز الإزعاج — وهو الانحدار على درجة "نايمان-المتعامدة" (Neyman-orthogonal) و"المزدوجة المتانة" (doubly-robust/DR) — يفشل أيضًا في نظام العدد القليل من المجموعات الضابطة. فهذا النظام يستحث بطبيعته ضعف التداخل (احتمالية صغيرة للمجموعة الضابطة، $1-\pi \approx 0$). وتتضخم "باقي الدرجة الثانية" لدرجة DR بمعامل $1/(1-\pi)^2$، مما يجعل الباقي غير مهمل. علاوة على ذلك، فإن تطبيق وزن عكس التباين لتثبيت التباين العالي للمجموعة الضابطة يخل بآلية الإلغاء بين الأذرع التي تضمن عدم التحيز، مما يعيد المثمن فعليًا إلى شكل "متعلم X" المتحيز.

المنهجية: GP-CATE
لحل هذه المشكلات، تقترح الورقة GP-CATE، والتي تتخلى عن نموذج "التقدير النقطي زائد التباين اللاحق" لصالح نهج بايزي كامل للوظائف المزعجة نفسها.

• النمذجة: بدلاً من ملاءمة تقديرات نقطية $\hat{\mu}_0$ و$\hat{\mu}_1$، يقوم GP-CATE بنمذجة سطح النتيجة لكل ذراع ($\mu_0$ و$\mu_1$) باستخدام عمليات غاوسية (GPs) مستقلة.
• بناء اللاحقة: تعيد العملية الغاوسية توزيعًا لاحقًا كاملًا على الدالة، يتكون من متوسط $m_w(x)$ وانحراف معياري نقطي $s_w(x)$. ويكون عدم اليقين $s_w(x)$ كبيرًا طبيعيًا حيث البيانات شحيحة (المجموعة الضابطة) وصغيرًا حيث البيانات كثيفة.
• استدلال CATE: يتم اشتقاق لاحقة CATE كفرق بين لاحقتي الذراعين:
  $$\tau(x) | D \sim \mathcal{N}(m_1(x) - m_0(x), s_1(x)^2 + s_0(x)^2)$$
  يضمن هذا البناء دخول عدم يقين المجموعة الضابطة الصغيرة مباشرة في لاحقة CATE كتباين، بدلاً من كونه تحيزًا غير مُمذلج.
• الاستراتيجية الحسابية: بينما تبلغ تكلفة العمليات الغاوسية الدقيقة $O(N^3)$، يشير المؤلفون إلى أنه في نظام العدد القليل من المجموعات الضابطة، يكون ملائمة المجموعة الضابطة ($N_0$) صغيرة، مما يجعل ملائمتها الدقيقة ضئيلة حسابيًا. أما بالنسبة لذراع العلاج الكبير ($N_1$)، فإن البديل القابل للتوسع (مثل GP ذو النقاط المستحثة/الخفيفة) يكون كافيًا لأن عدم يقين المجموعة الضابطة يهيمن على إجمالي تباين CATE.

المساهمات الرئيسية

1. التشخيص: تثبت الورقة أن عدم التغطية في "متعلم X" البايزي في البيانات غير المتوازنة ناتج عن تحيز الإزعاج من الدرجة الأولى للنتائج الوهمية غير المتعامدة، مما يزيح المتوسط اللاحق.
2. النتيجة السلبية: تُظهر أن علاج الدرجة المتعامدة/المزدوجة المتانة يفشل في هذا النظام بسبب تضخم التداخل وتعارض جوهري بين وزن الكفاءة وعدم التحيز، حتى عندما يكون احتمال التناسب معروفًا.
3. تحليل السبب الجذري: يجادل المؤلفون بأن إلحاق تباين بتقدير نقطي لـ "إزعاج يصعب تعلمه" (واحد ملائم على بيانات شحيحة) هو أمر معيب بنيويًا لأن تحيز الانتظام غير مرئي لتقديرات التباين اللاحقة.
4. المنهج والتحقق التجريبي: يُقترح GP-CATE كحل، مستبدلًا التقديرات النقطية بلاحقات بايزية. تُظهر النتائج التجريبية أن GP-CATE هو الطريقة الوحيدة المختبرة التي حققت تغطية معايرة عبر معايير خطية وغير خطية وشبه تركيبية (IHDP) في نظام العدد القليل من المجموعات الضابطة.

النتائج التجريبية
قيم المؤلفون GP-CATE مقابل Causal Forest وBART والمتعلمين الميتا القياسيين (X-Learner, DR-Learner) في ثلاثة تصميمات:

• التغطية: في نظام العدد القليل من المجموعات الضابطة ($N_0=30$)، تعاني مقدرات الفترات القياسية من نقص شديد في التغطية. انخفضت تغطية Causal Forest إلى 0.34 في معيار IHDP، وانخفضت BART إلى 0.59. في المقابل، حافظ GP-CATE على تغطية بين 0.94 و0.99 عبر جميع التصميمات وأحجام العينات.
• عرض الفترة: الفترات المعايرة التي أنتجها GP-CATE أوسع بكثير من نظيراتها في الإعدادات عالية الأبعاد مع مجموعات ضابطة قليلة. يرى المؤلفون أن هذا "ميزة وليس خطأ": الفترات الواسعة تعكس بصدق عدم اليقين المتأصل في تقدير سطح من بيانات شحيحة، بينما الفترات الأضيق من الطرق الأخرى هي غير معايرة.
• دقة النقطة: يظل GP-CATE منافسًا في دقة التقدير النقطي (المقاسة بـ $\sqrt{\epsilon PE}$)، وغالبًا ما يتفوق على أو يضاهي Causal Forest وBART، خاصة مع زيادة $N_0$.

الأهمية والادعاءات
تدعي الورقة أن نظام العدد القليل من المجموعات الضابطة يمثل حدًا هيكليًا حيث تنهار الخصائص التقاربية القياسية (التي تفترض تداخلًا ثابتًا). تكمن أهمية العمل في تحديد أن الاستدلال المعاير في هذا النظام يتطلب نموذج إزعاج بايزي كامل بدلاً من تقدير نقطي مع تصحيح للتباين.

يؤطر المؤلفون مساهمتهم بتواضع ليس كبنية مثمن جديدة (مشيرين إلى أن متعلم T البايزي باستخدام GPs مشابه لأعمال سابقة من قبل Alaa و van der Schaar، 2017)، بل كبصيرة تشخيصية: الفشل في هذا النظام يعود إلى فصل تقدير التحيز عن التباين. يُقدم GP-CATE باعتباره المثمن الذي تقتضيه عملية تحليل السبب الجذري. وتخلص الورقة إلى أن الممارسين يجب أن يفضلوا GP-CATE في الإعدادات غير المتوازنة، وقبول الفترات الأوسع كانعكاس صادق لندرة البيانات، بدلاً من الاعتماد على فترات أضيق وغير معايرة من الطرق القياسية.