أصعب سؤال في الإحصاء
الإحصاء مليان أسئلة صعبة، بس فيه سؤال واحد قاعد على القمة: هل X بيسبّب Y؟ قياس الـ correlation حاجة سهلة. أما إثبات السببية فصعب بشكل ملفت. مبيعات الآيس كريم مرتبطة بحالات الغرق — مش لأن الآيس كريم بيغرّق، لكن لأن variable تالت هو الجو الحر بيحرّك الاتنين. وده جوهر مشكلة الـ causal inference (الاستدلال السببي): إنك تفصل علاقات السبب والنتيجة الحقيقية عن شبكة الارتباطات اللي البيانات الحقيقية بتطلّعها غصب عنها.
الدرسين اللي فاتوا غطّوا أدوات تصميم التجارب المظبوطة. بس الدنيا مش دايمًا بتسهّل خططنا التجريبية. مينفعش نوزّع التدخين أو عدمه عشوائي على الناس. ومينفعش نوزّع سياسات اقتصادية مختلفة عشوائي على الدول. ومش دايمًا نقدر نستنى randomized trial قبل ما ناخد القرار. والـ causal inference بيدّينا أدوات مبنية على أساس متين نفكّر بيها في السبب والنتيجة لما الـ randomization يبقى مستحيل أو مش أخلاقي أو بطيء أوي.
الـ correlation بيقيس الارتباط الإحصائي بين two variables. وهو متماثل: X مرتبط بـ Y بنفس الدرجة اللي Y مرتبط بيها بـ X.
الـ causation مش متماثلة وليها اتجاه: X بيسبّب Y معناه إن التدخّل عشان تغيّر X هيغيّر Y، بس مش العكس.
الـ correlation ≠ الـ causation — بس بالتصميم الصح تقدر تقرب منها.الـ confounding variables
الـ confounding variable (المتغير المُربِك) هو variable بيأثر على الـ treatment والنتيجة الاتنين، وده بيعمل ارتباط وهمي بينهم. في مثال الآيس كريم والغرق، الجو الحر هو الـ confounder: بيخلّي الناس تاكل آيس كريم أكتر وتعوم أكتر، وده بيوصّل لحوادث غرق أكتر. ولو قدّرنا أثر الآيس كريم على الغرق ببساطة، هنلاقي ارتباط موجب جاي بالكامل من الـ confounder.
الـ confounders مش مجرد فضول نظري؛ دي العقبة الأساسية قدام الـ causal inference من البيانات الـ observational. دراسات لقت إن اللي بيشيلوا ولّاعات أكتر عرضة لسرطان الرئة — مش لأن الولّاعة بتعمل سرطان، لكن لأن اللي بيشيلوا ولّاعات بيميلوا يدخّنوا أكتر. والـ hormone replacement therapy بان في دراسات observational بدري إنه بيحمي من أمراض القلب، بس الـ randomized trials أثبتت بعدين إنه ممكن يزوّد الخطر — لأن الارتباط كان جاي من الـ confounding، فالستات الأصح والأغنى كانوا بيستخدموا العلاج الهرموني أكتر وأقل عرضة لأمراض القلب.
خلّي T = الـ treatment، وY = النتيجة، وC = الـ confounder. إحنا بنشوف P(Y | T)، بس عايزين P(Y | do(T)) — احتمال Y لما نتدخّل ونحدد T، مش لما نشوفه وبس. لو C بيأثر على T وY الاتنين، يبقى P(Y | T = 1) ≠ P(Y | do(T = 1)).
الـ Simpson's paradox
الـ Simpson's paradox (مفارقة سيمبسون) من أكتر النتايج الإحصائية اللي بتفاجئ: اتجاه باين بوضوح في كذا مجموعة بيانات بيتقلب لما المجموعات تتدمج. ده مش تناقض منطقي — ده مثال حي لإزاي الـ confounding ممكن يقلب العلاقات الظاهرة خالص.
المثال الكلاسيكي: مستشفى بتقارن بين دكتورين. الدكتور A نسبة نجاحه 80%، والدكتور B نسبة نجاحه 90%. يبقى تروح للدكتور B صح؟ بس افترض إن الدكتور A متخصص في الحالات الصعبة — 80% من مرضاه حالاتهم صعبة — بينما النسبة دي مش بتعدّي 20% عند الدكتور B. ونسبة النجاة 76% عند A قصاد 70% عند B في الحالات الصعبة، و96% قصاد 95% في البسيطة. لما تبص على كل نوع حالات لوحده، الدكتور A بيغلب الدكتور B. بس نسبة الدكتور A الإجمالية بتبان أوحش لأنه بيعالج حالات أصعب أكتر. والـ confounder — صعوبة الحالة — هو اللي بيعمل القلبة.
الـ Simpson's paradox مهم لأنه بيوري إن الإحصاءات الإجمالية ممكن تضلّل فعلًا. القلبة مش عيب إحصائي — دي بتعكس تركيبة حقيقية في البيانات بتفوتك لما تتجاهل الـ confounder. والتحليل الصح بيقسّم البيانات حسب الـ confounder، وبيحسب التأثيرات جوه كل طبقة مش عبرها.
الـ randomized experiments: المعيار الدهبي
السبب اللي بيخلّي الـ randomized controlled trial (RCT) واخد لقب المعيار الدهبي في الـ causal inference بسيط: الـ randomization بيشيل الـ confounding من التصميم نفسه. لما نوزّع الأفراد عشوائي بين الـ treatment والـ control، المجموعتين بيبقوا زي بعض في المتوسط في كل الـ variables — اللي اتقاست واللي متقاستش. وساعتها أي فرق في النتايج ينفع يتنسب للـ treatment لوحده.
ده الـ average treatment effect (متوسط أثر التدخل) أو ATE: الفرق المتوقع في النتايج بين الـ treatment والـ control، متوسط على الـ population.
أناقة الـ randomization موجودة في الـ potential outcomes framework اللي حطه دونالد روبن. لكل وحدة نتيجتين محتملتين: اللي هيحصل تحت الـ treatment، Y(1)، واللي هيحصل تحت الـ control، Y(0). وإحنا مش بنقدر نشوف غير واحدة منهم — ودي اسمها الـ fundamental problem of causal inference (المشكلة الجوهرية للاستدلال السببي). والـ randomization بيخلّينا نقدّر الـ average treatment effect بمقارنة المجموعات، حتى لو مستحيل نشوف النتيجتين المحتملتين لنفس الفرد.
الدراسات الـ observational: الـ matching والـ propensity scores
لما الـ randomization يبقى مستحيل، بنلجأ إننا نعدّل على الـ confounders باستخدام البيانات المتاحة. والفكرة الجوهرية إنك تقارن الوحدات اللي خدت treatment واللي في الـ control اللي شبه بعض في الـ background variables المهمة — عشان تعمل تجربة صناعية من البيانات الـ observational.
الـ exact matching (المطابقة الدقيقة) بيقرن كل وحدة treatment بوحدة control ليها نفس القيم بالظبط في كل الـ confounders. والطريقة دي بتنجح لما الـ confounders تبقى قليلة والـ samples كبيرة، بس بتبقى مش عملية مع زيادة عدد الـ variables — لأن الـ curse of dimensionality بيخلّي التطابقات الدقيقة نادرة أكتر وأكتر.
الـ propensity score (درجة الميل) اللي قدّمه روزنباوم وروبن سنة 1983 بيحل المشكلة دي بأناقة. الـ propensity score هو احتمال إن الوحدة تاخد الـ treatment بالنظر للـ variables اللي اتشافت عندها:
الحكم الأساسي: لو قسنا كل الـ confounders (افتراض الـ ignorability (قابلية التجاهل))، يبقى الـ conditioning على الـ propensity score كفاية عشان يشيل الـ confounding. وعمليًا، الـ propensity score بيتقدّر من البيانات بالـ logistic regression أو machine learning models، وبعدين بيستخدم بطريقة من 3: الـ matching بالـ propensity score (تقرن وحدات درجاتها قريبة)، أو الـ stratification (تجمّع الوحدات في فئات بالدرجة وتقدّر الآثار جوه كل فئة)، أو الـ inverse probability weighting (تدّي كل وحدة وزن بمقلوب الـ propensity score بتاعها).
الـ difference-in-differences
الـ difference-in-differences (DiD) (الفرق في الفروق) تصميم quasi-experimental قوي بيستغل توقيت التدخّل عشان يحدد الآثار السببية. الفكرة إنك تقارن التغيّر في النتايج على مدار الزمن لمجموعة treatment بالتغيّر في نفس الفترة لمجموعة control. ولو مجموعة الـ control بتمثّل counterfactual حقيقي للي كان هيحصل لمجموعة الـ treatment من غير التدخّل، يبقى الفرق بين التغيّرين دول بيعزل الأثر السببي.
تطبيق كلاسيكي: دراسة Card وKrueger سنة 1994 عن الحد الأدنى للأجور. نيوجيرسي رفعت الحد الأدنى للأجور بينما ولاية بنسلفانيا اللي جنبها معملتش كده. لو رفع الحد الأدنى فعلًا قلّل التوظيف (زي ما النظرية الكلاسيكية بتتوقع)، كان المفروض الشغل في مطاعم الأكل السريع في نيوجيرسي يقل بالنسبة لبنسلفانيا. وتقدير الـ DiD وضّح إن النزول ده محصلش — نتيجة غيّرت النقاش الاقتصادي حوالين الحد الأدنى للأجور.
الافتراض الجوهري لصحة الـ DiD هو الـ parallel trends assumption (افتراض الاتجاهات المتوازية): لو مكانش فيه تدخّل، المجموعتين كانوا هيمشوا بالتوازي. وده مينفعش يتختبر على طول، بس الاتجاهات المتوازية قبل التدخّل بتقوّي مصداقية الافتراض.
الـ instrumental variables
حتى طرق الـ propensity score والـ DiD مش بتعالج الـ confounders اللي متقاستش. لو فيه variable مش باين بيأثر على الـ treatment والنتيجة الاتنين، الطرق دي هتطلّع تقديرات فيها bias. وطريقة الـ instrumental variables (IV) (المتغيرات الآلية) بتدّي مخرج في حالات معيّنة.
الـ instrument (الآلة) هو variable Z بيحقق 3 شروط: (1) Z مرتبط بالـ treatment T (الـ relevance)، و(2) Z مش بيأثر على النتيجة Y إلا عن طريق تأثيره على T، مش على طول (الـ exclusion restriction)، و(3) Z مستقل عن الـ confounders اللي متقاستش (الـ exogeneity). الـ instrument بيزق توزيع الـ treatment بطريقة "شبه عشوائية"، وده بيخلّيك تستخدم التغيّر في الـ treatment اللي جاي من Z عشان تقدّر الأثر السببي لـ T على Y.
رقم قرعة التجنيد كـ instrument للخدمة العسكرية (عشان تقدّر أثر الخدمة على الدخل). رقم القرعة عشوائي، وبيأثر على احتمال الخدمة، ومش بيأثر على الدخل غير عن طريق الخدمة.
المسافة للجامعة كـ instrument للتعليم (عشان تقدّر أثر التعليم على الأجور). المسافة بتأثر على قرار دخول الجامعة من غير ما تأثر على طول على دخلك غير عن طريق التعليم.
سقوط المطر كـ instrument للصدمات الاقتصادية (في اقتصاديات التنمية). المطر بيأثر على دخل الاقتصادات الزراعية من غير ما يأثر على طول على الظاهرة السياسية أو الاجتماعية اللي بندرسها.
الـ IV estimator بيقسم الـ reduced-form effect (أثر Z على Y) على الـ first-stage effect (أثر Z على T). يعني عمليًا، بنظبط أثر الـ instrument على النتيجة على قد ما بيزق الـ treatment عشان نرجّع أثره. وتقديرات الـ IV بتنطبق بالذات على الـ compliers (الممتثلين) — الوحدات اللي حالة الـ treatment بتاعتها بتتغيّر بالـ instrument — فتقدير الـ IV تقنيًا هو local average treatment effect (LATE)، مش الـ ATE بتاع الـ population.
تسلسل الأدلة
مش كل الأدلة ليها نفس المصداقية للادعاءات السببية. علماء الأوبئة والاقتصاد طوّروا تسلسلات مش رسمية بترتّب قوة تصميمات الدراسات المختلفة للـ causal inference.
في القمة الـ randomized controlled trial: الـ randomization بيشيل الـ confounding من التصميم، وده بيسمح بادعاءات سببية قوية. وتحتها على طول الـ quasi-experiments اللي بتستغل التغيّر الطبيعي أو اللي جاي من السياسات — الـ difference-in-differences، والـ regression discontinuity، والـ instrumental variables — اللي تقدر تحاكي التغيّر التجريبي من غير randomization.
وفي مراتب أوطى طرق الـ propensity score والـ matching، اللي محتاجة افتراض الـ ignorability (مفيش confounders متقاستش). وفي القاع الارتباطات الـ observational من غير تعديل، اللي الـ confounding فيها سهل ومينفعش تتفسّر سببيًا من غير مبرّر قوي زيادة.
الدرس الأساسي مش إن البيانات الـ observational مالهاش لازمة للـ causal inference — دي مالهاش بديل لما التجارب تبقى مستحيلة. بس مصداقية الادعاء السببي معتمدة على جودة التصميم ومعقولية الافتراضات المطلوبة. والشفافية في الافتراضات دي والـ sensitivity analyses اللي بتختبرها هي علامة التفكير السببي المظبوط.
1. حدّد السؤال السببي بدقة — الـ treatment إيه، والنتيجة إيه، والـ population المستهدف مين؟
2. حدّد الـ confounders — ارسم causal diagram (DAG) عشان تفكّر هتعدّل على إيه.
3. اختار التصميم المناسب — RCT لو ينفع؛ quasi-experiment لو فيه تغيّر طبيعي؛ وطرق الـ propensity score غير كده.
4. قول الافتراضات صراحة — الـ ignorability؟ الـ parallel trends؟ صلاحية الـ instrument؟ مينفعش تتأكد منها من البيانات لوحدها.
5. اختبر المتانة — الـ sensitivity analyses بتوري قد إيه bias مستخبّي هتحتاجه عشان تقلب نتيجتك.
- الـ correlation بيقيس الارتباط؛ والـ causation معناها إن التدخّل في X هيغيّر Y. والـ confounders بتعمل ارتباطات وهمية بإنها تأثر على الـ treatment والنتيجة الاتنين.
- الـ Simpson's paradox بيوري إزاي اتجاه كلي ممكن يتقلب جوه المجموعات الفرعية لما confounder يتتجاهل — قسّم دايمًا حسب الـ variables المهمة قبل ما تطلع باستنتاجات سببية.
- الـ randomized controlled trials بتشيل الـ confounding من التصميم. والـ potential outcomes framework بيدّي التفسير شكل رسمي: الـ randomization بيخلّي مجموعتين الـ treatment والـ control متكافئين في المتوسط في كل الـ variables، اللي اتقاست واللي متقاستش.
- طرق الـ propensity score — الـ matching والـ stratification والـ inverse probability weighting — تقدر تعدّل على الـ confounders اللي اتشافت في الدراسات الـ observational. ومحتاجة افتراض الـ ignorability: مفيش confounders متقاستش بعد الـ conditioning على الـ variables اللي اتشافت.
- الـ difference-in-differences بيقارن الاتجاهات على مدار الزمن بين مجموعتين الـ treatment والـ control، وبيشيل الـ confounding الثابت مع الزمن. وصلاحيته معتمدة على افتراض الـ parallel trends.
- الـ instrumental variables بتستخدم مصدر برّاني للتغيّر في الـ treatment عشان تقدّر الآثار السببية حتى لو فيه confounders متقاستش. والـ instrument لازم يبقى relevant، ويحقق الـ exclusion restriction، ويبقى مستقل عن الـ confounders اللي متقاستش.