في عالم العلوم الاجتماعية والبحث التجريبي، تلعب النماذج الرسومية دوراً رئيسياً بفضل سهولة فهمها واستخدامها. تُصنف هذه النماذج ضمن فئة أوسع تُعرف بنماذج ماركوف (Markov Models)، والتي تعتمد بشكل أساسي على القيود المتعلقة بالاستقلال الشرطي (Conditional Independence) في تركيبتها.

يهدف البحث الحالي إلى تحسين طرق تقدير المعلمات المستهدفة في هذه النماذج بطريقة فعالة من خلال تطبيق النظرية شبه المعلمومة (Semi-parametric Theory). توفر هذه النظرية إطار عمل موثوقاً لبناء مقدرات منتظمة والتقديرات الخطية اللامتناهية باستخدام الدوال التأثيرية (Influence Functions)، والتي تُظهر خصائص استقرارية هامة.

تكتسب هذه الدوال التأثيرية أهمية كبيرة في الاستدلال الإحصائي، حيث أن تحديد مجموعة كاملة من هذه الدوال للمعلمة المستهدفة يعتبر ضرورياً لإجراء استنتاجات إحصائية فعّالة. وبالنسبة للنماذج التي تتبع هيكل الرسوم البيانية غير الدورانية (Directed Acyclic Graphs - DAGs)، تم التعرف على الفضاء العمودي، مما يمكّن من اشتقاق جميع الدوال التأثيرية بمجرد الحصول على واحدة.

على النقيض من ذلك، فقد عانت النماذج التي لا تتوافق مع نموذج DAG - مثل نماذج ماركوف العادية المرتبطة بالرسوم البيانية غير الموجهة (Undirected Graphs) أو الرسوم البيانية السلسلة (Chain Graphs) - من عدم وجود وصف واضح للفضاء العمودي، ما أعاق تحسين الاستدلال شبه المعلموم في هذه الحالات.

هذا البحث يقدم تعبيرات مغلقة للفضاء العمودي لنماذج ماركوف العامة، ويُبرز نتائجنا من خلال تحديد مجموعة الدوال التأثيرية للمعلمة المتوسطة الشرطية في عدة نماذج رسومية. تعتبر نتائج هذا البحث خطوة مهمة نحو تحسين قدراتنا على إجراء استدلالات إحصائية موثوقة في مجال النماذج الرسومية.