Partial Identification under Causal Orders by Linear Programming

في عالم السبب والنتيجة، نجد أنفسنا غالبًا ما نطرح أسئلة "ماذا لو" التي تتجاوز مجرد الملاحظة البسيطة. فنحن لا نريد معرفة ما حدث فحسب، بل نريد معرفة ما كان سيحدث لو اتُّخذ قرار مختلف. هل أنقذ علاج معين حياة مريض، أم أنه كان سيتعافى على أي حال؟ هل أدى تغيير في السياسة إلى تحسين الاقتصاد، أم أن هذا التحسين كان أمرًا حتميًا؟ للإجابة على هذه الأسئلة بيقين، يحتاج العلماء عادةً إلى خريطة كاملة للقوى المؤثرة، مخطط تفصيلي يوضح بالضبط كيف يؤثر كل عامل في كل عامل آخر. تُسمى هذه الخريطة "رسمًا بيانيًا سببيًا". وبدونها، تظل الإجابات محجوبة في ضباب من الاحتمالات. لعقود من الزمن، كافح الباحثون لفهم سيناريوهات "ماذا لو" هذه عندما تكون الخريطة مفقودة أو غير مكتملة، مما يضطرهم غالبًا إلى الاعتماد على تخمينات تقريبية أو الاعتراف بأن السؤال لا يمكن الإجابة عليه على الإطلاق.

لقد طور باحثان، إريك روسيتو وأليساندرو أنتونوتشي، طريقة جديدة للتنقل عبر هذا الضباب. فقد أدركا أنه حتى بدون خريطة كاملة، فإن الطبيعة الجوهرية لسؤال "ماذا لو" تحتوي في طياتها على منطق داخلي خاص بها. فإذا سألت كيف يؤثر تغيير شيء ما في شيء آخر، فإن السؤال نفسه يتضمن تسلسلًا: يجب أن يحدث التغيير قبل النتيجة. ومن خلال التركيز على هذا الترتيب المتأصل، ابتكر الباحثان طريقة لحساب أضيق نطاق ممكن للإجابات عن هذه الأسئلة الافتراضية (التي تتعلق بما كان سيحدث)، دون الحاجة أبدًا إلى افتراض رسم بياني سببي محدد. إن عملهما يحول لعبة تخمين معقدة، وغالبًا ما تكون مستحيلة، إلى عملية حسابية مهيكلة تعطي حدودًا دقيقة لما هو ممكن، بناءً فقط على البيانات التي نمتلكها ومنطق السؤال نفسه.

يكمن جوهر اكتشافهما في إدراك أن كل استفسار حول السبب والنتيجة يحمل تعليمات خفية حول الزمن والتسلسل. فعندما نسأل عما إذا كان علاج ما قد تسبب في نتيجة ما، فإننا نقول ضمنيًا إن العلاج جاء أولًا. وقد أظهر الباحثان أن هذا الترتيب البسيط كافٍ لبناء إطار رياضي يمكنه اختبار كل طريقة متخيلة يمكن أن تترتب بها أمور العالم، بما يتوافق مع ذلك الترتيب. وبدلاً من محاولة تخمين الشكل الدقيق للشبكة السببية، بنيا نظامًا يستكشف كامل مشهد الاحتمالات الذي يسمح به البيانات ومنطق السؤال. وقد أثبتا أن هذا النظام يمكنه إيجاد أفضل وأسوأ السيناريوهات الممكنة لأي سؤال من هذا القبيل، مما يوفر نطاقًا يضمن احتواءه على الإجابة الحقيقية.

ولتحقيق ذلك، لجأ الفريق إلى أداة رياضية قوية تُعرف باسم "البرمجة الخطية"، وهي في الأساس طريقة لإيجاد أفضل نتيجة في نظام يحتوي على العديد من القيود. تخيل مساحة شاسعة من جميع القصص الممكنة حول كيفية عمل العالم؛ بعض القصص تتوافق مع البيانات التي جمعناها، والبعض الآخر لا يتوافق معها. يقوم منهج الباحثين بتصفية هذه المساحة، مع الاحتفاظ فقط بالقصص التي تحترم الترتيب الذي يفرضه السؤال والبيانات المرصودة. وضمن هذه المساحة المصفاة، قاموا بحساب أدنى وأعلى الاحتمالات الممكنة للحدث موضوع البحث. وقد أثبتوا أن هذه الحدود المحسوبة ليست مجرد تقديرات تقريبية، بل هي أضيق الحدود الممكنة. كما أثبتوا أن هناك نماذج واقعية وملموسة للعالم تتوافق مع جميع البيانات ومنطق السؤال، وتنتج نتائج عند هذه الحدود العليا والدنيا تمامًا. وهذا يعني أن النطاق الذي يوفرونه ليس نتاجًا لمنهجهم، بل هو انعكاس حقيقي لما هو ممكن في ظل معرفتنا الحالية.

تتضح قوة هذا النهج عند النظر في الأسئلة التي استعصت على الخبراء من قبل. فقد اختبر الباحثون منهجهم على عدة مشكلات كلاسيكية من الأدبيات العلمية، بما في ذلك سيناريوهات تتضمن علاجات طبية وسياسات اجتماعية. وفي حالة شهيرة تتعلق بالقبول الجامعي، حيث ناقش الباحثون لفترة طويلة ما إذا كان النوع الاجتماعي قد أثر على معدلات القبول، قدم المنهج الجديد نطاقًا واسعًا ولكنه صادق من الاحتمالات. فالتحليلات السابقة التي افترضت هيكلًا محددًا وصارمًا لكيفية تفاعل النوع الاجتماعي مع خيارات الأقسام، أنتجت رقمًا واحدًا دقيقًا يشير إلى عدم وجود تمييز. ومع ذلك، فإن منهج الباحثين، الذي رفض وضع تلك الافتراضات الهيكلية غير المتحقق منها، أظهر أن الإجابة الحقيقية يمكن أن تكون في أي مكان ضمن فاصل زمني أوسع بكثير. لم يعني هذا النطاق الأوسع أن الإجابة مجهولة بطريقة غير مفيدة؛ بل كشف أن الرقم الدقيق من الدراسات السابقة اعتمد بشدة على افتراضات قد لا تكون صحيحة. ومن خلال إزالة تلك الافتراضات، أظهر الباحثون أن استنتاج "عدم التمييز" كان أقل يقينًا مما كان يُعتقد سابقًا.

يمتد هذا العمل أيضًا إلى الأسئلة الأكثر تعقيدًا التي تتضمن سيناريوهات "متداخلة"، حيث يكون سؤال "ماذا لو" مدفونًا داخل سؤال آخر. على سبيل المثال، السؤال عما سيحدث إذا تناول المريض عقارًا، ولكن فقط إذا تم تعيينه في مجموعة معينة في تجربة سريرية. هذه الأسئلة الطبقية يصعب الإجابة عليها دون خريطة سببية كاملة. وقد أظهر الباحثون أن منهجهم يتعامل مع هذه الطبقات المتداخلة بنفس الفعالية التي يتعامل بها مع الأسئلة البسيطة. لقد أثبتوا أنه من خلال تفكيك هذه الاستعلامات المعقدة إلى مكوناتها المنطقية، يمكن للآلية الرياضية نفسها إيجاد أضيق الحدود الممكنة. وفي اختباراتهم، وجدوا أن محاولة دمج إجابات منفصلة وأبسط لبناء إجابة معقدة غالبًا ما يؤدي إلى نطاقات أوسع وأقل فائدة. ومع ذلك، فإن نهجهم المباشر للسؤال المعقد أدى إلى نتائج أكثر دقة وإفادة بشكل ملحوظ.

لقيد الباحثون أنفسهم بضرورة الاعتراف بالمقايضة التي ينطوي عليها منهجهم. ولأنهم لا يفترضون خريطة سببية محددة، فإن النطاقات التي يحسبونها هي بطبيعة الحال أوسع من تلك المستمدة من الدراسات التي تضع افتراضات قوية حول كيفية اتصال المتغيرات. فالدراسة التي تفترض مخططًا محددًا قد تنتج إجابة دقيقة وضيقة جدًا، لكن هذه الدقة تأتي على حساب احتمال الخطأ إذا كان المخطط المفترض غير صحيح. يضحي المنهج الجديد بهذه الضيق في مقابل الموثوقية، مما يضمن عدم استبعاد الإجابة الحقيقية من النطاق. وقد أثبتوا أن هذه الموثوقية ليست نقطة ضعف بل هي نقطة قوة، خاصة في مجالات مثل الطب والعلوم الاجتماعية حيث تكون الهياكل السببية الحقيقية غير معروفة أو محل نقاش.

في نهاية المطاف، يقدم هذا البحث طريقة جديدة للتفكير في عدم اليقين. فهو يشير إلى أننا لسنا بحاجة لمعرفة كل شيء عن العالم لإحراز تقدم ملموس في فهم السبب والنتيجة. ومن خلال الاستفادة من البنية المنطقية المتأصلة في أسئلتنا، يمكننا استخراج أقصى قدر من المعلومات من بياناتنا دون تجاوز حدود الافتراضات غير المدعومة. لقد قدم الباحثون أداة تسمح للعلماء بالقول، بيقين رياضي: "الإجابة تقع في مكان ما بين س و ص"، حتى عندما لا يستطيعون تحديد مكانها بدقة. إن القدرة على تحديد حدود الممكن، دون الحاجة إلى خريطة كاملة للمنطقة، تمثل خطوة كبيرة للأمام في قدرتنا على التفكير في الماضي والمستقبل في عالم نادرًا ما تتوفر فيه المعرفة الكاملة.