تجاوز خطأ التنبؤ: تقييم دقة نماذج الأخطاء في التقديرات السببية

في عالم التقديرات السببية، يعتبر خطأ التنبؤ (Prediction Error) أداة أساسية لتقييم تقديرات النماذج غير المباشرة، ولكن هل يقدم دائمًا الصورة الكاملة؟ بحث جديد يتناول هذه المسألة المعقدة من خلال دراسة تجريبية في نموذج جزئي خطي (Partially Linear Model) باستخدام محاكاة مونت كارلو (Monte Carlo Simulations).

تمت مقارنة عدة أساليب، بما في ذلك الانحدار الخطي العادي (Ordinary Least Squares - OLS)، ونماذج الجمع التعميمية (Generalized Additive Models - GAMs)، وXGBoost، بالإضافة إلى التعلم الآلي المزدوج باستخدام XGBoost (Double Machine Learning with XGBoost - DML-XGBoost). وقد أظهرت النتائج أن XGBoost كان لديه أقل قيمة لخطأ الجذر التربيعي المتوسط (RMSE) بين الطرق المستخدمة، بينما قدمت DML-XGBoost تغطية أفضل لفواصل الثقة (Confidence Interval Coverage).

الفاجعة تكمن في أن خطأ التنبؤ لم يكن دائمًا مرتبطًا بتحيز التقدير السببي عبر الأساليب المختلفة، مما يعني أن الطريقة التي تقدم أفضل أداء في التقدير النقاطي لا تعني بالضرورة تحقيق أفضل تغطية لفواصل الثقة. كما أن المقياس الجديد المبني على مجموع الأخطاء (Joint-Error Measure) كان مرتبطًا بضعف مع التحيز السببي، ولم يقدم مقياسًا مفيدًا بشكل منفصل للأداء السببي.

تشير هذه النتائج إلى أن خطأ التنبؤ يمكن أن يكون أداة مفيدة في تقييم تقديرات النماذج غير المباشرة، ولكنه لا يجب اعتباره مقياسًا مباشرًا لجودة التقديرات السببية الناتجة.