رابطه معکوس واریانس نمونه‌گیری با اندازه نمونه: چرا روش انقباض بیزی تجربی مانع از تسلط مؤسسات کوچک بر جدول رده‌بندی می‌شود

وقتی یک بازیکن تازه‌کار در ورزش بیسبال دو بار پشت چوب زن می‌ایستد و در هر دو بار به توپ ضربه می‌زند، میانگین خام ضربات او عدد بی‌نقص ۱٫۰۰۰ ثبت می‌شود. اگر تحلیل‌گری ورزشی بازیکنان را بر پایه همین معیار تعدیل‌نشده رده‌بندی کند، این بازیکن تازه‌کار بی‌درنگ تمام کهنه‌کاران تالار مشاهیر را کنار زده و بهترین ضارب تاریخ بیسبال لقب می‌گیرد.[1]

همین خطای محاسباتی گریبان‌گیر حوزه درمان، آموزش و سیاست‌گذاری عمومی نیز می‌شود. بیمارستانی روستایی را در نظر بگیرید که در طول یک سال تنها دو جراحی تخصصی انجام می‌دهد و یک بیمار فوت می‌کند؛ نرخ مرگ‌ومیر این مرکز ۵۰ درصد ثبت خواهد شد. در جدول رتبه‌بندی سراسری، این درمانگاه کوچک بلافاصله به قعر جدول سقوط می‌کند و مرکزی به‌شدت خطرناک به نظر می‌رسد.[2]

این جایگاه‌های افراطی نه حاصل مهارتی استثنایی هستند و نه نشانه خطایی فاجعه‌بار، بلکه زاییده منطق ریاضی نمونه‌های کوچک‌اند. هنگامی که مخرج کسر بسیار کوچک است، رخ دادن یک رویداد تصادفی تغییری شدید در درصد نهایی ایجاد می‌کند. آمارشناسان برای رفع این اعوجاج به روشی موسوم به «انقباض بیزی تجربی» متوسل می‌شوند.

خطای شناختی نمونه‌های اندک

مسئله بنیادین «واریانس نمونه‌گیری» است؛ شاخصی که نسبت معکوسی با مقیاس و اندازه هر مؤسسه دارد. در هر مجموعه‌داده‌ای که نرخ‌های عملکرد را می‌سنجد، مراکزی با کمترین تعداد مشاهدات همواره پراکنده‌ترین و بی‌ثبات‌ترین نتایج را ثبت می‌کنند. این ناپایداری سبب می‌شود مؤسسات کوچک همواره صدر و ذیل هر رتبه‌بندی خام را تصاحب کنند.

دیوید رابینسون، آمارشناس برجسته، این سازوکار را با پایگاه داده بیسبال لمن نشان داد. در میان تمامی بازیکنان، بالاترین و پایین‌ترین میانگین‌های عملکردی در کل دوران حرفه‌ای همواره متعلق به کسانی است که تنها چند بار فرصت ضربه‌زنی داشته‌اند. استعداد واقعی بازیکنی با ۱۰ هزار بار ضربه‌زنی با دقت بالایی شفاف است، اما بازیکنی با پنج بار ضربه‌زنی عملاً محصول نویز آماری است.[1]

این پدیده پیوسته در داده‌های سلامت عمومی رخ می‌نماید. در یکی از تحلیل‌های پرارجاع مربوط به نرخ ابتلا به سرطان کلیه در آمریکا، بالاترین آمار در کل کشور به شهرستان کس تعلق گرفت: ۴۱٫۱ مورد در هر ۱۰۰ هزار نفر. با این حال، این نرخ تکان‌دهنده تنها بر پایه ۷ مورد ابتلا در جمعیتی ۱۷ هزار نفری شکل گرفته بود.[1]

اگر در آن سال تنها یک مورد کمتر تشخیص داده می‌شد، نرخ شیوع این شهرستان به ۳۵٫۲ در هر ۱۰۰ هزار نفر فرو می‌ریخت و آن را به‌کلی از رده‌های اول خارج می‌کرد. آن رتبه نگران‌کننده صرفاً سرابی ناشی از مخرج کوچک کسر بود. شهرستان‌های پرجمعیت به حکم قانون اعداد بزرگ به‌ندرت به چنین کرانه‌های غیرعادی می‌رسند.[1]

رابینسون در آثار خود یادآور می‌شود که پرتاب چندین سکه متفاوت در یک نمونه‌گیری دوجمله‌ای، واریانس بزرگ‌تری نسبت به پرتاب یک سکه به بار می‌آورد. وقتی مؤسسات را بدون محاسبه این واریانس رتبه‌بندی می‌کنیم، در حقیقت آنها را بر پایه حجم نمونه‌هایشان مرتب کرده‌ایم، نه عملکرد و شایستگی راستین آنها.[1]

معمای جدول رده‌بندی

انتشار این قبیل جداول رتبه‌بندی از سوی نهادهای دولتی و تنظیم‌گر پیامدهای سنگینی در جهان واقعی رقم می‌زند. پژوهش سال ۲۰۰۹ موسسه ملی بهداشت آمریکا درباره رتبه‌بندی جراحی‌های تخصصی لوزالمعده در بیمارستان‌ها نشان داد که مرکزی با ۱۰ عمل جراحی و دو مورد مرگ، به دلیل نرخ خام ۲۰ درصدی بلافاصله به عنوان مرکزی با عملکرد بحرانی شناخته شده بود.[2]

با توجه به تعداد اندک بیماران، این احتمال جدی وجود دارد که نرخ ۲۰ درصدی نتیجه پیشامدی تصادفی باشد نه ناشی از خطای ساختاری کادر درمان. در مقابل، یک مجتمع بیمارستانی شهری بزرگ با ۵۰۰ پرونده و نرخ مرگ‌ومیر ۸ درصد ممکن است با پنهان شدن در میانه‌های جدول، از هرگونه نظارت و بازرسی مصون بماند.[2]

این وضعیت جریمه‌ای ناعادلانه و ساختاری به دوش مراکز کوچک می‌گذارد. در برنامه‌های پرداخت مبتنی بر عملکرد که بودجه را به جایگاه در رتبه‌بندی پیوند می‌زنند، مراکز کوچک با تضادی شدید میان مقیاس عملکرد و پایداری جایگاهشان روبه‌رو می‌شوند. چند بیمار بدحال و بدشانسی آماری می‌تواند به جریمه‌های مالی سهمگین ختم شود.[2]

برای حل این بن‌بست، تحلیل‌گران باید بتوانند سیگنال اصیل عملکرد نهادی را از نویز واریانس نمونه‌گیری سوا کنند. یک شیوه خام، حذف کامل مؤسسات کوچک از فهرست‌های رتبه‌بندی است؛ روشی که البته داده‌های ارزشمند را دور می‌ریزد و جمعیت‌های روستایی را از هرگونه سنجه کیفی محروم می‌سازد.

در مقابل، ساختارهای آماری نوین از برآوردگرهای انقباض بهره می‌گیرند. این رویکرد ریاضیاتی با پذیرش اینکه نرخ مرگ‌ومیر ۲۰ درصدی در ۱۰ پرونده از قطعیت تهی است، برآورد را بر اساس دانش موجود کلی جامعه تعدیل می‌کند. این همان نقطه‌ای است که شیوه بیزی تجربی وارد میدان می‌شود.[2]

ظهور بیزی تجربی

در آمار بیزی سنتی، تحلیل‌گر باید پیش از بررسی داده‌ها توزیعی پیشین را تعیین کند. این انتخاب ذهنی در سیاست‌گذاری عمومی همواره چالش‌برانگیز است، چرا که ذی‌نفعان خواستار معیارهایی عینی و صرفاً مبتنی بر داده هستند. بیزی تجربی با آموختن توزیع پیشین مستقیماً از درون خود دادگان، این چالش را بی‌اثر می‌کند.

روش بیزی تجربی به جای حدس زدن توزیع نرخ مرگ‌ومیر بیمارستان‌ها، میانگین کل و واریانس واقعی را در میان کل مجموعه بیمارستان‌ها محاسبه می‌کند. این روش از تجربه جمعی همه مراکز بهره می‌گیرد تا انتظاری پایه برای عملکرد هر مرکز منفرد صورت‌بندی شود.

رابینسون تشریح می‌کند که بیزی تجربی را می‌توان رویکردی هوشمندانه به تحلیلی بیزی دانست. از آنجا که توزیع پیشین از داده‌ها تخمین زده می‌شود، راهکاری اصولی و محاسباتی بدون نیاز به پیش‌فرض‌های ساختگی برای تعدیل میانگین گروه‌ها در اختیار ما می‌گذارد.[1]

پس از ترسیم توزیع کلی، الگوریتم به سراغ سنجش تک‌تک مؤسسات می‌رود. در این مرحله الگوریتمی ساده می‌پرسد: این بیمارستان یا مدرسه چه میزان شواهد قابل اتکا ارائه می‌دهد که ثابت کند با میانگین کل تفاوت دارد؟

برای مرکزی بزرگ با هزاران پرونده، این شواهد قاطع است و میانگین خام آن قابل اعتماد ارزیابی می‌شود. اما برای مرکزی کوچک با تنها ده پرونده، شواهد ضعیف است. الگوریتم در واکنش به این ضعف، برآورد متزلزل را به سمت میانگین جامعه تعدیل می‌کند و می‌کشد.

سازوکار انقباض آماری

موتور محرک این تصحیح ریاضی، ضریب انقباض نام دارد. برآورد بیزی تجربی در حقیقت میانگینی وزنی از نمره خام مؤسسه و میانگین کلی مجموعه است. وزنی که به امتیاز خام داده می‌شود مستقیماً به درجه اطمینان و قابلیت اتکای آن گره خورده است.

فرمول یادشده ضریب انقباض را از تقسیم واریانس نمونه‌گیری هر مؤسسه بر واریانس کل داده‌ها به دست می‌آورد. اگر واریانس نمونه‌گیری به دلیل مخرج کوچک بالا باشد، ضریب انقباض به عدد ۱ نزدیک می‌شود؛ یعنی برآورد به‌شدت به سوی میانگین سراسری میل می‌کند.

در نقطه مقابل، اگر حجم نمونه مؤسسه‌ای بسیار بزرگ باشد، واریانس نمونه‌گیری آن به صفر میل می‌کند. در این صورت ضریب انقباض افت کرده و نمره تعدیل‌شده تقریباً هم‌پای نمره خام ثبت می‌شود. این فرمول ریاضی تصحیح را متناسب با سطح نااطمینانی پیاده می‌کند.

با بازگشت به پژوهش موسسه ملی بهداشت، میانگین سراسری مرگ‌ومیر عمل مذکور ۵ درصد بود. در خصوص بیمارستان کوچک با نرخ خام ۲۰ درصد در ۱۰ عمل، فرمول بیزی تجربی واریانس نمونه‌گیری را بسیار بالا تشخیص داد و برآورد را با شتاب تعدیل کرد.[2]

نرخ تعدیل‌شده مرگ‌ومیر آن بیمارستان کوچک به حدود ۶ درصد فروکش کرد. محاسبات نشان داد که دو مورد فوت بیشتر ناشی از خطای تصادفی و نویز نمونه‌گیری بوده و کیفیت عملکردی واقعی آن مرکز به میانگین کشوری بسیار نزدیک‌تر است.[2]

جداسازی پیام از نویز

این سازوکار انقباض نظم جداول رتبه‌بندی را از نو برقرار می‌سازد. در بیسبال، بازیکنی که در دو نوبت ضربه میانگین خام ۱٫۰۰۰ دارد به سمت میانگین لیگ یعنی حدود ۰٫۲۶۰ کشیده می‌شود. او جایگاه صدارت را از دست می‌دهد تا جا برای باتجربه‌هایی با میانگین ۰٫۳۳۰ در هزاران بازی باز شود.[1]

در سیاست‌گذاری عمومی اثرات این رویکرد ژرف‌تر است. تحلیلی در سال ۲۰۱۸ بر کشف کالاهای قاچاق توسط پلیس نشان داد که رده‌بندی حوزه‌ها بر پایه درصد خام کشفیات، مناطقی را که کمترین میزان بازرسی را داشتند برجسته می‌کرد. به‌کارگیری بیزی تجربی رتبه‌ها را پایدار کرد و مناطقی را نمایان ساخت که بازرسی مستمر و ثمربخش داشتند.

این شیوه از سوی دیگر مراکزی را که عملکرد ظاهری بی‌عیب اما با حجم کم دارند مهار می‌کند. اگر بیمارستانی کوچک سه جراحی موفقیت‌آمیز بدون فوت انجام دهد و نرخ صفر درصد ثبت کند، بیزی تجربی این نتیجه را به سوی میانگین سراسری ۵ درصد تعدیل می‌کند.[2]

این انقباض صعودی مانع از آن می‌شود که مراکز کم‌کار با اتکا به یک موج خوش‌شانسی موقت به رتبه‌های برتر برسند. این فرایند آنها را ملزم می‌دارد که برتری خود را در طول زمان اثبات کنند تا رتبه‌های برتر به مراکزی با کیفیت مداوم و قابل تکرار اختصاص یابد.[2]

قضیه جیمز استین به عنوان یکی از اصول پایه‌ای این حوزه به زبان ریاضی نشان می‌دهد که این برآوردهای منقبض‌شده میانگین خطای مربعات کمتری نسبت به میانگین‌های گروهی خام دارند. این برآوردها با بهره‌گیری از توان آماری کل داده‌ها دقیق‌تر می‌شوند.

اثرات میدانی در سیاست‌گذاری

با آشکار شدن کاستی‌های رتبه‌بندی‌های خام، نهادهای تنظیم‌گر بزرگ به سمت این مدل‌های سلسله‌مراتبی رفته‌اند. مجمع ملی کیفیت در استانداردهای مورد اجماع خود برای پایش کیفیت درمان صراحتاً بهره‌گیری از معیارهای تعدیل‌شده با اتکا به پایایی آماری را تصویب کرده است.[2]

آژانس تحقیقات و کیفیت مراقبت‌های بهداشتی آمریکا اکنون از روش انقباض بیزی تجربی در شاخص‌های ایمنی بیمار سود می‌برد. با متناسب‌سازی نسبت‌های مشاهده‌شده به مورد انتظار، ارزیابی‌های ترکیبی کیفیت بیمارستان‌ها واقعیت خطاهای سیستماتیک را نشان می‌دهند نه نویز آماری تصادفی را.[3]

این تحول الگوی تصمیم‌گیری مصرف‌کنندگان و شرکت‌های بیمه را تغییر می‌دهد. مریضی که به فهرستی تعدیل‌شده نگاه می‌کند، چشم‌اندازی معتبر از عملکرد آتی پیش رو دارد. رتبه‌بندی‌ها بیمارستان‌های بزرگی را نشان می‌دهند که مهارتشان به اثبات رسیده و مراکزی کوچکی را که واقعاً فراتر از بخت و اقبال عمل کرده‌اند.[2]

به‌کارگیری این مدل‌ها شیوه سنجش کیفیت سازمانی را بازتعریف کرده است. تا زمانی که درمانگاهی ۱۰ تخته در کنار مجتمعی با ۱۰۰۰ تخت در یک صفحه گسترده قرار گیرند، فرمول‌های خام به نفع افراط‌ها رأی خواهند داد. بیزی تجربی با اعمال وزن برای عدم قطعیت، جایگاه برتر را منحصراً به کسانی می‌دهد که شایستگی‌اش را دارند.