النمذجة السببية: فك شفرات السلوك البشري

النمذجة السببية (Causal Modeling)

المجالات التخصصية الأساسية: الإحصاء، الاقتصاد القياسي، علوم الحاسوب (الذكاء الاصطناعي)، الوبائيات، الفلسفة

1. التعريف الجوهري

تمثل النمذجة السببية مجموعة متقدمة من الأطر المنهجية والأدوات الرياضية والإحصائية التي تهدف إلى الكشف عن علاقات السبب والنتيجة (Cause-and-Effect) بين المتغيرات وتحديدها كمياً، متجاوزة بذلك حدود الارتباط الإحصائي البسيط. في جوهرها، تسعى النمذجة السببية إلى الإجابة عن أسئلة “ماذا لو؟” (Counterfactuals)، أي ما كان سيحدث لو أن متغيراً معيناً قد اتخذ قيمة مختلفة. هذا التمييز حاسم؛ فبينما يمكن للنماذج الإحصائية التقليدية أن تصف وتتنبأ بالارتباطات بدقة عالية، فإنها غالباً ما تفشل في تفسير لماذا تحدث هذه الارتباطات، أو في تحديد ما إذا كان التغيير في متغير واحد يؤدي بالضرورة إلى تغيير في متغير آخر.

تعتمد النمذجة السببية على افتراضات هيكلية صارمة يتم صياغتها مسبقاً بناءً على المعرفة الجوهرية (Domain Knowledge)، وهي ضرورية لفك تشابك المربكات (Confounders) التي قد تخفي أو تشوه العلاقة السببية الحقيقية. وتكمن قوتها في أنها توفر لغة رياضية ومنطقية موحدة للتعبير عن الافتراضات السببية، مما يسمح للباحثين باختبار هذه الافتراضات مقابل البيانات المرصودة. وتتطلب عملية النمذجة السببية ثلاث خطوات أساسية: التمثيل (كيفية وصف العلاقات السببية)، التعريف (هل يمكن تقدير التأثير السببي من البيانات المتاحة)، والتقدير (الاستخدام الفعلي للبيانات لحساب حجم التأثير).

إن الهدف الأسمى للنمذجة السببية ليس مجرد التنبؤ بحدوث ظاهرة ما، بل فهم الآليات الأساسية التي تحكمها، مما يتيح إمكانية التدخل والتحكم. على سبيل المثال، في مجال السياسات العامة، تسمح النمذجة السببية لصناع القرار بتقييم الأثر الحقيقي لبرنامج تدخلي معين (مثل سياسة اقتصادية أو علاج طبي) بمعزل عن العوامل الخارجية والمربكات، مما يجعلها أداة لا غنى عنها في البحث العلمي التطبيقي والأكاديمي.

2. التطور التاريخي والجذور الفكرية

تضرب جذور مفهوم السببية عميقاً في الفلسفة، بدءاً من الفلاسفة اليونان وصولاً إلى ديفيد هيوم الذي شكك في إمكانية ملاحظة السببية بشكل مباشر، وجون ستيوارت ميل الذي وضع قواعد الاستدلال السببي. ومع ذلك، لم تبدأ النمذجة السببية في التبلور كعلم قائم بذاته إلا في أوائل القرن العشرين. كانت المحاولات المبكرة تتجسد في عمل سيوول رايت (Sewall Wright) في عشرينيات القرن الماضي، الذي طور تقنية تحليل المسار (Path Analysis)، وهي شكل مبكر من النمذجة السببية الرسومية التي استخدمت الأسهم لتمثيل العلاقات السببية المباشرة وغير المباشرة، وخاصة في مجال علم الوراثة.

شهدت النمذجة السببية ثورة حقيقية في النصف الثاني من القرن العشرين، مع ظهور منهجين رئيسيين متوازيين ولكنهما متكاملان. أولهما هو إطار النتائج الكامنة (Potential Outcomes Framework)، الذي طوره بشكل أساسي دونالد روبين في السبعينيات، مستنداً إلى أعمال سابقة لجيرزي نيمان. يركز هذا الإطار، المعروف أيضاً باسم نموذج روبين السببي (RCM)، على مقارنة النتيجة التي تحققت للمفردة (النتيجة المرصودة) بالنتيجة التي كانت ستحقق لو أنها تعرضت لمعاملة مختلفة (النتيجة الكامنة غير المرصودة)، ويشكل حجر الزاوية في تصميم التجارب العشوائية والاستدلال السببي في الإحصاء الحيوي والاقتصاد القياسي.

أما المنهج الثاني، الذي بدأ في الانتشار بقوة في تسعينيات القرن الماضي، فهو منهج النماذج السببية الرسومية (Causal Graphical Models)، الذي كان رائده جوديا بيرل. هذا المنهج يستخدم الرسوم البيانية الموجهة اللا دورية (DAGs) لتمثيل الافتراضات السببية بصرياً، مما يسهل تحديد المربكات الضرورية للتحكم فيها (مثل تطبيق d-separation) وتطوير حساب التفاضل السببي (Do-Calculus) الذي يسمح بالاستدلال على تأثير التدخلات من البيانات المتاحة. وقد أدت هذه الثورة السببية إلى دمج الفلسفة والرياضيات والإحصاء لتشكيل علم متكامل للاستدلال السببي.

3. المكونات والمناهج الرئيسية

تعتمد النمذجة السببية على مجموعة من المكونات النظرية والمنهجية التي تحدد كيفية تمثيل العلاقات السببية وكيفية استخلاص الاستدلالات منها. أهم هذه المكونات هو الافتراض السببي (Causal Assumption)، وهو التزام غير قابل للاختبار التجريبي المباشر حول كيفية تأثير المتغيرات على بعضها البعض. يجب أن يتم تبرير هذه الافتراضات بناءً على النظرية أو المعرفة السابقة، وهي التي تفرق بين النمذجة السببية والنمذجة الارتباطية.

في إطار روبين السببي، تُعد النتائج الكامنة (Potential Outcomes) هي المكون المركزي، حيث يتم تعريف التأثير السببي للفرد بأنه الفرق بين النتيجة التي سيحققها لو تعرض للعلاج والنتيجة التي سيحققها لو لم يتعرض له. وبما أننا لا نستطيع ملاحظة كلا النتيجتين في نفس الوقت (مشكلة الاستدلال السببي الأساسية)، فإن هذا الإطار يعتمد على افتراضات قوية لتمكين التقدير، مثل افتراض المعالجة العشوائية القابلة للمحاكاة (Ignorability)، الذي يفترض أن التعيين للعلاج عشوائي بعد التحكم في مجموعة معينة من المربكات المرصودة.

أما في منهج النماذج الرسومية (DAGs)، فالمكون الأساسي هو الرسم البياني الموجه اللا دوري (DAG) نفسه، الذي يمثل الخريطة السببية للعلاقة بين جميع المتغيرات. تساعد خصائص هذه الرسوم البيانية، مثل مفهوم المربك (Confounder)، والوسيط (Mediator)، والمعدّل (Moderator)، في تحديد مجموعات المتغيرات التي يجب “التحكم فيها” أو “تكييفها” للحصول على تقدير سببي غير متحيز. إن تطبيق قواعد “حساب التفاضل السببي” (Do-Calculus) يسمح بتحويل التعبير عن الأسئلة السببية (مثل P(Y|do(X=x))) إلى تعابير إحصائية يمكن تقديرها من البيانات المرصودة.

4. الأدوات والآليات الأساسية في النمذجة السببية

لتحقيق هدف الاستدلال السببي، تم تطوير مجموعة واسعة من الأدوات الإحصائية والقياسية التي تتراوح بين الأساليب التجريبية الصارمة والأساليب شبه التجريبية التي تحاول محاكاة العشوائية في البيانات الرصدية. من أبرز هذه الأدوات هي المتغيرات الآلية (Instrumental Variables – IV)، وهي تقنية تستخدم عندما يكون هناك مربك غير مرصود يؤثر على كل من التعرض والنتيجة. يتطلب هذا الأسلوب وجود متغير (الآلة) يؤثر فقط على التعرض ولا يؤثر على النتيجة إلا من خلال التعرض، مما يسمح بعزل الجزء السببي من العلاقة.

كما تُستخدم النماذج المعادلة الهيكلية (Structural Equation Modeling – SEM) على نطاق واسع في العلوم الاجتماعية، حيث تسمح باختبار النماذج السببية المعقدة التي تشمل متغيرات كامنة (غير مرصودة مباشرة) وعلاقات سببية متعددة ومتداخلة. ومع ذلك، تعتمد صلاحية SEM بشكل كبير على الدقة النظرية للنموذج الهيكلي المحدد مسبقاً.

بالإضافة إلى ذلك، ظهرت تقنيات متقدمة في التعامل مع البيانات الرصدية مثل مطابقة درجات الميل (Propensity Score Matching – PSM)، والتي تحاول موازنة المجموعات المعالجة وغير المعالجة فيما يتعلق بالمربكات المرصودة، مما يحاكي تصميم التجربة العشوائية. وكذلك طريقة فرق الفروق (Difference-in-Differences – DiD)، وهي أداة قوية في الاقتصاد القياسي لتقييم تأثير السياسات من خلال مقارنة التغيرات الزمنية في مجموعة تعرضت لتدخل ما مع مجموعة ضابطة لم تتعرض له، مع افتراض مسار زمني موازٍ في غياب التدخل.

5. تطبيقات النمذجة السببية

تعد النمذجة السببية حاسمة في أي مجال يتطلب اتخاذ قرارات قائمة على التدخل، بدلاً من مجرد التنبؤ. في الطب والوبائيات، تُستخدم النمذجة السببية لتقييم فعالية الأدوية الجديدة (باستخدام التجارب العشوائية كمعيار ذهبي) وتحديد عوامل الخطر للأمراض، وكذلك تقييم الأثر السببي للتدخلات الصحية العامة (مثل برامج التطعيم أو حظر التدخين) على النتائج الصحية طويلة الأجل.

في الاقتصاد القياسي والسياسات العامة، توفر النمذجة السببية الأساس لتقييم البرامج الحكومية، مثل تحديد الأثر السببي لزيادة الحد الأدنى للأجور على مستويات التوظيف، أو تأثير برامج التعليم على الدخل المستقبلي. وقد أدى التركيز على الاستدلال السببي في الاقتصاد إلى تطوير أدوات منهجية أدت إلى منح العديد من جوائز نوبل في هذا المجال، مثل عمل أنجوس ديتون وجوشوا أنجريست وغيرهم.

أما في علوم الحاسوب والذكاء الاصطناعي، فقد أصبحت النمذجة السببية عنصراً أساسياً في تطوير أنظمة ذكاء اصطناعي أكثر قوة وشفافية. فهي تمكن الآلات من فهم “لماذا” تحدث التنبؤات (الذكاء الاصطناعي القابل للتفسير – XAI)، وتسمح ببناء أنظمة يمكنها التفكير في النتائج المعاكسة (Counterfactual Reasoning)، وهو أمر حيوي في اتخاذ القرارات الأخلاقية والتعامل مع سيناريوهات لم يتم تدريبها عليها مباشرة. هذا التحول من التعلم الارتباطي إلى التعلم السببي يُنظر إليه على أنه الخطوة التالية نحو تحقيق الذكاء الاصطناعي العام.

6. الانتقادات والمناقشات الفلسفية

على الرغم من التطورات الهائلة، لا تزال النمذجة السببية تواجه تحديات منهجية وفلسفية كبيرة. أحد الانتقادات الرئيسية يدور حول المربكات غير المرصودة (Unobserved Confounders). تفشل معظم تقنيات النمذجة السببية في تقديم تقدير غير متحيز للتأثير السببي إذا كان هناك عامل يؤثر على كل من التعرض والنتيجة ولكنه غير مرصود أو غير قابل للقياس، مما يجعل الافتراضات (مثل افتراض التجاهل في RCM) غير قابلة للتحقق تجريبياً.

كما أن هناك نقاشاً فلسفياً مستمراً حول طبيعة السببية نفسها. فبينما يتبنى منهج النماذج الرسومية (بيرل) رؤية أكثر تركيبية للسببية كآلية هيكلية، يركز منهج النتائج الكامنة (روبين) على السببية كأثر للتدخل، مما يؤدي إلى خلافات حول أفضل طريقة لتعريف وتحديد العلاقات السببية المعقدة، خاصة تلك التي تنطوي على آليات تغذية راجعة أو تأثيرات زمنية متغيرة.

أخيراً، يوجه بعض النقاد تحدياً لاستخدام النمذجة السببية في البيانات الرصدية حيث تكون الافتراضات الهيكلية (مثل افتراضات المتغير الآلي) قوية جداً وتعتمد على معرفة نظرية قد تكون خاطئة. ففي غياب تجربة عشوائية محكمة، يبقى التقدير السببي عرضة للتحيز الناتج عن سوء تحديد النموذج، مما يتطلب من الباحثين أن يكونوا شفافين للغاية بشأن افتراضاتهم وحدود صلاحية استنتاجاتهم.

7. قراءات إضافية

• Pearl, J. (2009). Causality: Models, Reasoning, and Inference. Cambridge University Press.
• Imbens, G. W., & Rubin, D. B. (2015). Causal Inference for Statistics, Social, and Biomedical Sciences: An Introduction. Cambridge University Press.
• Bollen, K. A. (1989). Structural Equations with Latent Variables. Wiley.