أصعب سؤال في الإحصاء
الإحصاء مليء بالأسئلة الصعبة، لكن سؤالاً واحداً يتربع على القمة: هل يسبّب X الظاهرةَ Y؟ قياس الارتباط أمر يسير. أما إثبات العلاقة السببية فصعب بشكل لافت. مبيعات الآيس كريم ترتبط بحالات الغرق — لا لأن الآيس كريم يتسبب في الغرق، بل لأن متغيراً ثالثاً هو الطقس الحار يدفع كليهما. هذا هو جوهر مشكلة الاستدلال السببي: فصل علاقات السبب والنتيجة الحقيقية عن شبكة الارتباطات التي تنتجها البيانات الواقعية حتمًا.
غطّى الدرسان السابقان أدوات تصميم التجارب المُحكمة. لكن العالم لا يُسهّل دائماً خططنا التجريبية. لا يمكننا إسناد التدخين أو عدمه عشوائياً للناس. ولا يمكننا إسناد سياسات اقتصادية مختلفة للدول عشوائياً. ولا يمكننا دائماً انتظار تجربة عشوائية قبل اتخاذ القرار. يمنحنا الاستدلال السببي أدوات مبنية على أسس راسخة للتفكير في السبب والنتيجة حين يتعذّر التعشيش أو يكون غير أخلاقي أو بطيئاً للغاية.
الارتباط يقيس التلازم الإحصائي بين متغيرين. وهو متماثل: يرتبط X بـ Y بنفس الدرجة التي يرتبط بها Y بـ X.
السببية غير متماثلة وذات اتجاه: X يسبب Y يعني أن التدخل لتغيير X سيغيّر Y، لكن ليس العكس.
الارتباط ≠ السببية — لكن بالتصميم الصحيح يمكن الاقتراب منها.المتغيرات المُربِكة
المتغير المُربِك هو متغير يؤثر في التدخل والنتيجة كليهما، مما يخلق تلازماً زائفاً بينهما. في مثال الآيس كريم والغرق، الطقس الحار هو المتغير المربك: يتسبب في استهلاك المزيد من الآيس كريم وفي المزيد من السباحة، مما يؤدي إلى المزيد من حوادث الغرق. لو قدّرنا أثر الآيس كريم على الغرق ببساطة، لوجدنا ترابطاً إيجابياً مدفوعاً كلياً بالمتغير المربك.
المتغيرات المربكة ليست مجرد فضول نظري؛ إنها العقبة الرئيسية أمام الاستدلال السببي من البيانات الرصدية. وجدت دراسات أن حاملي القدّاحات أكثر عرضةً للإصابة بسرطان الرئة — لا لأن القدّاحة تسبب السرطان، بل لأن حاملي القدّاحات يميلون أكثر للتدخين. وبدت العلاجات الهرمونية البديلة واقيةً من أمراض القلب في دراسات رصدية مبكرة، لكن التجارب العشوائية أثبتت لاحقاً أنها قد تزيد من الخطر — إذ كان الارتباط مدفوعاً بالإربال، لأن النساء الأصح والأثرى كنّ أكثر استخداماً للعلاج الهرموني وأقل عرضةً لأمراض القلب.
ليكن T = التدخل، Y = النتيجة، C = المتغير المربك. نرصد P(Y | T)، لكننا نريد P(Y | do(T)) — احتمال Y حين نتدخل لتحديد T، لا حين نرصده فحسب. إذا أثّر C في كلٍّ من T وY، فإن P(Y | T = 1) ≠ P(Y | do(T = 1)).
مفارقة سيمبسون
مفارقة سيمبسون من أكثر النتائج الإحصائية مدعاةً للدهشة: اتجاه يبدو واضحاً في عدة مجموعات من البيانات ينعكس حين تُدمج المجموعات. إنها ليست تناقضاً منطقياً — بل هي تجلٍّ حيٌّ لكيفية قلب الإربال كلياً للعلاقات الظاهرة.
المثال الكلاسيكي: مستشفى تقارن طبيبين. الطبيب A نسبة نجاحه 80%، والطبيب B نسبة نجاحه 90%. إذن ينبغي أن تذهب للطبيب B أليس كذلك؟ لكن افترض أن الطبيب A متخصص في الحالات المعقدة (90% للمعقدة، 50% للبسيطة) والطبيب B يعالج الحالات الروتينية (95% للمعقدة، 70% للبسيطة). حين تنظر لكل نوع من الحالات منفردًا، يتفوق الطبيب A على الطبيب B. لكن نسبة الطبيب A الإجمالية تبدو أسوأ لأنه يعالج حالات أكثر تعقيداً. المتغير المربك — درجة تعقيد الحالة — يقود الانعكاس.
تهم مفارقة سيمبسون لأنها تُظهر أن الإحصاءات الإجمالية قد تكون مُضلِّلة فعلاً. الانعكاس ليس خللاً إحصائياً — إنه يعكس بنية حقيقية في البيانات تفوتك حين تتجاهل المتغير المربك. التحليل الصحيح يُقسّم البيانات بحسب المتغير المربك، محسوباً التأثيرات داخل كل طبقة لا عبرها.
التجارب المُعشَّشة: المعيار الذهبي
السبب الذي يجعل التجربة العشوائية المُحكمة (RCT) تحمل لقب المعيار الذهبي في الاستدلال السببي بسيط: التعشيش يُزيل الإربال بالتصميم. حين نُعشِّش الأفراد عشوائياً بين التدخل والمُراقبة، تكون المجموعتان متطابقتين في المتوسط عبر جميع المتغيرات — المقيسة وغير المقيسة. يمكن عندئذٍ إسناد أي فرق في النتائج للتدخل وحده.
هذا هو متوسط أثر التدخل (ATE): الفرق المتوقع في النتائج بين التدخل والمُراقبة، متوسطاً عبر المجتمع.
تكمن أناقة التعشيش في إطار النتائج المحتملة الذي وضعه دونالد روبن. لكل وحدة نتيجتان محتملتان: ما سيحدث في حالة التدخل، Y(1)، وما سيحدث في حالة المُراقبة، Y(0). لا يمكننا رصد إلا إحداهما — وهذا ما يُسمى المشكلة الجوهرية للاستدلال السببي. يتيح لنا التعشيش تقدير متوسط أثر التدخل بمقارنة المجموعات، حتى لو تعذّر علينا رصد كلتا النتيجتين المحتملتين للفرد نفسه.
الدراسات الرصدية: المُطابقة ودرجات الميل
حين يتعذّر التعشيش، نلجأ للتعديل على المتغيرات المربكة باستخدام البيانات المتاحة. الفكرة الجوهرية هي مقارنة الوحدات المُعالَجة والمُراقَبة التي تبدو متشابهة على المتغيرات الخلفية ذات الصلة — لإنشاء تجربة اصطناعية من البيانات الرصدية.
المُطابقة الدقيقة تُقرن كل وحدة مُعالَجة بوحدة مُراقَبة ذات قيم متطابقة لجميع المتغيرات المربكة. تنجح هذه الطريقة حين تكون المتغيرات المربكة قليلة والعينات كبيرة، لكنها تصبح غير عملية مع تزايد عدد المتغيرات — إذ تجعل لعنة الأبعاد التطابقات الدقيقة نادرة بشكل متزايد.
درجة الميل التي قدّمها روزنباوم وروبن عام 1983 تحل هذه المشكلة بأناقة. درجة الميل هي احتمال حصول الوحدة على التدخل بالنظر إلى متغيراتها المرصودة:
الحكم الرئيسي: إذا قِسنا جميع المتغيرات المربكة (افتراض قابلية التجاهل)، فإن التكييف على درجة الميل كافٍ لإزالة الإربال. عملياً، تُقدَّر درجة الميل من البيانات باستخدام الانحدار اللوجستي أو نماذج التعلم الآلي، ثم تُستخدم بأحد ثلاثة أساليب: المطابقة بدرجة الميل (إقران وحدات ذات درجات متشابهة)، أو التطبيق الطبقي (تجميع الوحدات في فئات بالدرجة وتقدير الآثار داخل كل فئة)، أو الترجيح بعكس الاحتمال (ترجيح كل وحدة بعكس درجة ميلها).
الفرق في الفروق
الفرق في الفروق (DiD) تصميم شبه تجريبي قوي يستغل توقيت التدخل لتحديد الآثار السببية. الفكرة هي مقارنة التغيُّر في النتائج عبر الزمن لمجموعة مُعالَجة بالتغيُّر خلال نفس الفترة لمجموعة مُراقَبة. إذا أسهمت المجموعة المُراقَبة في تشكيل نظير حقيقي لما كان سيحدث للمجموعة المُعالَجة دون تدخل، فإن الفرق بين هذين التغيُّرين يعزل الأثر السببي.
تطبيق كلاسيكي: دراسة كارد وكروغر 1994 حول الحد الأدنى للأجور. رفعت نيوجيرسي حدّها الأدنى للأجور بينما لم تفعل ولاية بنسلفانيا المجاورة. لو أدى ارتفاع الحد الأدنى فعلاً إلى خفض التوظيف (كما تتنبأ النظرية الكلاسيكية)، كان ينبغي أن تنخفض فرص العمل في مطاعم الوجبات السريعة في نيوجيرسي قياساً ببنسلفانيا. أظهر تقدير DiD انعدام هذا الانخفاض — نتيجة غيّرت النقاش الاقتصادي حول الحد الأدنى للأجور.
الافتراض الجوهري لصحة DiD هو افتراض الاتجاهات المتوازية: غياب التدخل كان سيجعل مسار المجموعتين متوازياً. لا يمكن اختبار هذا مباشرةً، لكن الاتجاهات المتوازية ما قبل التدخل تُعزز مصداقية الافتراض.
المتغيرات الآلية
حتى أساليب درجة الميل وDiD لا تُعالج المتغيرات المربكة غير المقيسة. إذا كان هناك متغير غير مُلاحَظ يؤثر في كلٍّ من التدخل والنتيجة، فستنتج هذه الأساليب تقديرات متحيزة. يُتيح أسلوب المتغيرات الآلية (IV) مخرجاً في حالات بعينها.
الآلة هي متغير Z يستوفي ثلاثة شروط: (1) Z مرتبط بالتدخل T (الصلة)، (2) Z لا يؤثر في النتيجة Y إلا عبر تأثيره في T، لا مباشرةً (شرط الإقصاء)، (3) Z مستقل عن المتغيرات المربكة غير المقيسة (الخارجية). تُحوِّل الآلةُ تخصيصَ التدخل بطريقة "شبيهة بالعشوائية"، مما يُتيح استخدام التباين في التدخل الناتج عن Z لتقدير الأثر السببي لـ T على Y.
رقم القرعة العسكرية آلةً للخدمة العسكرية (لتقدير أثر الخدمة على الأرباح). رقم القرعة عشوائي، ويؤثر في احتمال الخدمة، ويؤثر في الأرباح فقط عبر الخدمة.
المسافة إلى الجامعة آلةً للتعليم (لتقدير أثر التعليم على الأجور). تؤثر المسافة في قرار الالتحاق بالجامعة دون أن تؤثر مباشرةً في أرباحك إلا عبر التعليم.
هطول الأمطار آلةً للصدمات الاقتصادية (في اقتصادات التنمية). يؤثر المطر في دخل الاقتصادات الزراعية دون أن يؤثر مباشرةً في الظاهرة السياسية أو الاجتماعية قيد الدراسة.
يُقسِّم مُقدِّر IV الأثر المُختزَل (أثر Z على Y) على أثر المرحلة الأولى (أثر Z على T). فعلياً، نُعيَّر أثر الآلة على النتيجة بمقدار ما تُزيح التدخل لاسترداد أثره. تنطبق تقديرات IV تحديداً على الممتثلين — الوحدات التي تُحوَّل حالة تدخلها بالآلة — لذا يكون تقدير IV تقنياً متوسط أثر تدخل محلي (LATE)، لا ATE المجتمعي.
هرمية الأدلة
ليست كل الأدلة متساوية في المصداقية للادعاءات السببية. طوّر علماء الأوبئة والاقتصاد هرميات غير رسمية تُصنّف قوة تصاميم الدراسات المختلفة للاستدلال السببي.
في القمة تقع التجربة العشوائية المُحكمة: يُزيل التعشيش الإربال بالتصميم، مما يُتيح ادعاءات سببية راسخة. وتحتها مباشرةً شبه التجارب التي تستغل التباين الطبيعي أو المدفوع بالسياسات — الفرق في الفروق، والانقطاع في الانحدار، والمتغيرات الآلية — التي يمكنها محاكاة التباين التجريبي دون تعشيش.
في مراتب أدنى تقع أساليب درجة الميل والمطابقة، التي تستلزم افتراض قابلية التجاهل (انعدام المتغيرات المربكة غير المقيسة). وفي القاع تقع الارتباطات الرصدية غير المُعدَّلة، التي يسهل الإربال فيها ولا ينبغي تفسيرها سببياً دون تبرير قوي إضافي.
الدرس الرئيسي ليس أن البيانات الرصدية عديمة الفائدة للاستدلال السببي — فهي لا غنى عنها حين تتعذّر التجارب. لكن مصداقية الادعاء السببي تعتمد على جودة التصميم ومعقولية الافتراضات المطلوبة. الشفافية حول تلك الافتراضات وتحليلات الحساسية التي تختبرها هي سمة التفكير السببي الدقيق.
1. حدّد السؤال السببي بدقة — ما التدخل، وما النتيجة، وما المجتمع المستهدف؟
2. حدّد المتغيرات المربكة — ارسم مخططاً سببياً (DAG) للتفكير فيما ينبغي التعديل بشأنه.
3. اختر التصميم المناسب — RCT إن أمكن؛ شبه تجربة إن وُجد تباين طبيعي؛ أساليب درجة الميل خلافاً لذلك.
4. اذكر الافتراضات صراحةً — قابلية التجاهل؟ الاتجاهات المتوازية؟ صلاحية الآلة؟ لا يمكن التحقق منها من البيانات وحدها.
5. اختبر المتانة — تحليلات الحساسية تُظهر مقدار التحيز الخفي الذي ستحتاجه لقلب نتيجتك.
- الارتباط يقيس التلازم؛ السببية تستلزم أن التدخل في X سيغيّر Y. تخلق المتغيرات المربكة تلازمات زائفة بالتأثير في كلٍّ من التدخل والنتيجة.
- تُظهر مفارقة سيمبسون كيف يمكن لاتجاه كلي أن ينعكس داخل المجموعات الفرعية حين يُتجاهَل متغير مربك — قسِّم دائماً بحسب المتغيرات ذات الصلة قبل استخلاص نتائج سببية.
- تُزيل التجارب العشوائية المُحكمة الإربال بالتصميم. يُضفرم إطار النتائج المحتملة رسمية التفسير: يجعل التعشيش المجموعتين المُعالَجة والمُراقَبة متكافئتين في المتوسط على جميع المتغيرات، مقيسةً وغير مقيسة.
- يمكن لأساليب درجة الميل — المطابقة والتطبيق الطبقي والترجيح بعكس الاحتمال — التعديل على المتغيرات المربكة المُلاحَظة في الدراسات الرصدية. تستلزم افتراض قابلية التجاهل: انعدام المتغيرات المربكة غير المقيسة بعد التكييف على المتغيرات المُلاحَظة.
- يقارن الفرق في الفروق الاتجاهات عبر الزمن بين المجموعتين المُعالَجة والمُراقَبة، مُزيلاً الإربال الثابت زمنياً. صلاحيته مرهونة بافتراض الاتجاهات المتوازية.
- تستخدم المتغيرات الآلية مصدراً خارجياً للتباين في التدخل لتقدير الآثار السببية حتى في وجود متغيرات مربكة غير مقيسة. يجب أن تكون الآلة ذات صلة، وتستوفي شرط الإقصاء، ومستقلة عن المتغيرات المربكة غير المقيسة.