Regression-Based Causal Inference for Person-Specific Effects in Within-Subject Randomization Designs
تقترح هذه الورقة إطار عمل للاستدلال السببي القائم على الانحدار باستخدام المربعات الصغرى العادية مع مؤشرات علاج موزونة باحتمالية لتقدير التأثيرات الفورية وتأثيرات الإبطاء بمقدار درجة واحدة لكل شخص في التصاميم العشوائية داخل الفرد الواحد، مما يثبت متانته وقابليته للتطبيق من خلال دراسات المحاكاة والأمثلة التجريبية.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://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
في عالم الأبحاث النفسية والسلوكية، اعتمد العلماء لفترة طويلة على طريقة معيارية لإثبات فعالية العلاج: وهي التجارب العشوائية المنضبطة. في هذا الإعداد الكلاسيكي، يتم تقسيم مجموعة كبيرة من الأشخاص إلى فرق منفصلة؛ حيث يتلقى فريق واحد تدخلاً جديداً، مثل علاج محدد أو تطبيق صحي، بينما يتلقى فريق آخر علاجاً مختلفاً أو لا يتلقى شيئاً على الإطلاق. ومن خلال مقارنة متوسط النتائج لهاتين المجموعتين، يمكن للباحثين تحديد ما إذا كان العلاج قد تسبب في حدوث تغيير. ومع ذلك، فإن هذا النهج يعاني من نقطة عمياء كبيرة؛ فهو يخبرنا بما ينجح في المتوسط لمجموعة من الناس، لكنه غالباً ما يفشل في الكشف عما ينجح لشخص بعينه. فقد يساعد دواء ما شخصاً واحداً على التعافي بسرعة بينما لا يكون له أي تأثير على شخص آخر، ومع ذلك، فإن التجربة المعيارية ستكتفي ببساطة بتقرير المتوسط، مما قد يحجب هذه الاختلافات الحيوية. علاوة على ذلك، غالباً ما يكون تجنيد عدد كافٍ من الأشخاص لهذه الدراسات الكبيرة أمراً صعباً، وتكافح العديد من التجارب للعثور على عدد كافٍ من المشاركين للوصول إلى استنتاج موثوق.
ولحل هذه المشكلة، لجأ الباحثون إلى نوع مختلف من التجارب حيث يعمل الشخص نفسه كعنصر تحكم لنفسه. فبدلاً من مقارنة أشخاص مختلفين، يراقب العلماء فرداً واحداً بشكل متكرر عبر الزمن، مع التبديل عشوائياً بين الظروف التي يمر بها. ويُعرف هذا باسم "تصميم التوزيع العشوائي داخل الشخص الواحد". تخيل شخصاً يعاني من حالة مزمنة يجرب علاجاً جديداً لبضعة أيام، ثم ينتقل إلى علاج آخر، ثم يعود للأول، مع تحديد الترتيب عن طريق الصدفة. يتي صل هذا للباحثين لرؤية كيفية استجابة هذا الشخص تحديداً لكل علاج في الوقت الفعلي. ومع ذلك، كان التحدي يكمن في كيفية تحليل هذا التدفق المعقد من البيانات؛ فبسبب حدوث العلاجات في تسلسل معين، قد تتأثر نتيجة يوم ما بالعلاج الذي سبقه، أو باتجاه بطيء في سلوك الشخص بمرور الوقت. وغالباً ما تواجه الأدوات الإحصائية التقليدية صعوبة في فك الارتباط بين هذه التأثيرات الفورية وهذه التأثيرات المستمرة، مما يترك الباحثين بوصف لما حدث دون دليل سببي واضح على سبب حدوثه.
لقد طور فريق من الباحثين الآن طريقة جديدة للإجابة على هذه الأسئلة باستخدام أداة مألوفة: "تحليل الانحدار"، وهو أسلوب إحصائي شائع يُستخدم لإيجاد العلاقات بين المتغيرات. إن عملهم، الذي نُشر في مقال بحثي، يخلق جسراً بين المنطق الصارم للتصميم التجريبي والأدوات العملية التي يستخدمها علماء النفس يومياً. يقترح المؤلفان، تشيندونغ لي وون لو، إطاراً يعامل التبديل العشوائي للعلاجات ليس مجرد جدول زمني، بل كنمط رياضي معروف يمكن استخدامه لعزل السبب والنتيجة. ومن خلال ضبط البيانات بعناً لتعويض الاحتمالات المحددة لوقت تعيين العلاج، يمكنهم استخدام نموذج انحدار قياسي لحساب نوعين متميزين من التأثيرات: الأول هو التأثير الفوري، أي مقدار التغيير الذي يحدثه العلاج في سلوك الشخص فور إعطائه؛ والثاني هو التأثير المتأخر، أي مقدار استمرار تأثير علاج اليوم السابق على سلوك اليوم الحالي.
اختبر الباحثون طريقتهم الجديدة من خلال محاكاتين حاسوبيتين واسعتي النطاق، تعملان كمختبرات افتراضية حيث يمكنهم توليد آلاف مجموعات البيانات الوهمية لرؤية كيفية أداء صيغهم تحت ظروف مختلفة. في المحاكاة الأولى، صمموا سيناريو يتضمن ثلاثة خيارات علاجية مختلفة، وهو إعداد شائع في الدراسات الصحية الحديثة. ووجدوا أن طريقتهم يمكنها استعادة التأثير الحقيقي لكل علاج بدقة عالية مع وجود خطأ ضئيل جداً، حتى عندما كانت البيانات تحتوي على اتجاهات معقدة. وقد تحسنت الدقة مع زيادة عدد نقاط الملاحظة، مما يشير إلى أن الطريقة قوية للدراسات ذات الجداول الزمنية الطويلة. وفي المحاكاة الثانية، واجهوا سيناريو أكثر صعوبة حيث كان التوزيع العشوائي مقيداً. ففي العديد من الدراسات الواقعية، لا يستطيع الباحثون السماح للشخص بتلقي نفس العلاج لعدة أيام متتالية لأن الأمر قد يصبح مملاً أو غير عملي، وهذا القيد يغير رياضيات التجربة. وأظهرت عمليات المحاكاة أنه بدون إجراء تعديل خاص لهذه القواعد، ستنتج الطريقة نتائج متحيزة، خاصة فيما يتعلق بالتأثيرات المتأخرة. ومع ذلك، عندما أضاف الباحثون تعديلاً احتمالياً إلى نموذجهم لمراعاة هذه القيود، اختفى التحيز وأصبحت التقديرات دقيقة مرة أخرى.
ولإثبات نجاح الطريقة في العالم الحقيقي، طبق الفريق منهجهم على مجموعتي بيانات موجودتين. جاءت الأولى من دراسة حول النشاط البدني تسمى "HeartSteps"، حيث تلقى أحد المشاركين اقتراحات عشوائية بالمشي أو تجنب الجلوس. وباستخدام إطارهم الجديد، حسب الباحثون أن اقتراح المشي أدى إلى زيادة فورية بنحو 129 خطوة في الثلاثين دقيقة التالية، بينما أدى اقتراح مكافحة الخمول إلى زيادة بنحو 143 خطوة. لم تكن أي من هاتين الزيادتين ذات دلالة إحصائية بمفردها، مما يعني أن البيانات لم تكن قوية بما يكفي لاستبعاد الصدفة، لكن الطريقة نجحت في إنتاج أرقام واضحة وقابلة للتفسير. أما المثال الثاني، فقد جاء من دراسة خاصة بالتربية الخاصة شملت طفلاً يعاني من اضطراب طيف التوحد، حيث كان الطفل يتناوب بين تمرين معرفي ونشاط ضابط. وكشف التحليل أن التمرين المعرفي قلل من السلوكيات الإشكالية فوراً بنسبة تقارب 19 نقطة مئوية مقارنة بالنشاط الضابط. كما فحصت الط طريقة وجود آثار متبقية من الجلسة السابقة، لكنها لم تجد دليلاً واضحاً على أن العلاج السابق قد أثر على سلوك اليوم الحالي.
تسلط الدراسة الضوء على أنه رغم قوة هذه الطريقة، إلا أن لها حدوداً، لا سيما عندما تكون سلسلة البيانات قصيرة جداً. ففي المحاكاة التي تضمنت توزيعاً عشوائياً مقيداً، وجد الباحثون أنه مع وجود أقل من 30 نقطة ملاحظة، كانت فترات الثقة (وهي النطاق الذي تقع فيه القيمة الحقيقية غالباً) ضيقة أحياناً، مما يؤدي إلى خطر أعلى لحدوث إنذارات كاذبة. وهذا يشير إلى أنه على الرغم من كون هذه الطريقة خطوة كبيرة لتحليل البيانات على مستوى الفرد، إلا أنه يجب على الباحثين توخي الحذر عند استخلاص استنتاجات قوية من الدراسات القصيرة جداً. ويؤكد المؤلفون أن نهجهم لا يفترض أن البيانات تتبع نمطاً خطياً مثالياً، بل يستخدم قواعد التوزيع العشوائي المعروفة لاستخراج الإشارة السببية من الضجيج. ومن خلال ربط تصميم التجربة مباشرة بتحليل الانحدار، قدموا وسيلة للعلماء للانتقال لما وراء المتوسطات البسيطة وفهم التأثيرات الفريدة والخاصة بكل شخص. يوفر هذا الإطار مساراً للمستقبل في الطب الشخصي والعلوم السلوكية، مما يسمح للباحثين بسؤال ليس فقط "هل هذا ينجح؟" بل "هل ينجح هذا للشخص المعني، الآن، ولأي مدة؟"
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.