استنتاج المرفوضين بمسؤولية

استنتاج المرفوضين (reject inference) هو مجموعة التقنيات التي تستخدمها لتقدير كيف كانت ستؤدي القروض التي رفضتها، لأنك لا تلاحظ السداد إلا للطلبات التي وافقت عليها. حين يُنجَز بإتقان، يكون وسيلة لتقليل تحيّز الاختيار (selection bias) في بطاقة التسجيل (scorecard). وحين يُنجَز باستهتار، فإنه يصنع نتائج مواتية لنفس المقترضين الذين تشكّك فيهم سياستك الحالية أصلاً، ويُجمّل كل مقياس تُبلّغ عنه بعد ذلك.

المشكلة بنيوية. بيانات التدريب لديك تأخذ عيّنة من المتقدمين الذين اجتازوا نموذجاً سابقاً وطبقة سياسات وغالباً مُكتِتباً بشرياً، لا من كامل المجتمع الذي تقدّم بطلبات قط. المرفوضون غائبون بصورة ليست عشوائية. إنهم غائبون على وجه التحديد لأن أحدهم توقّع أنهم سيتعثّرون، ما يعني أن الارتباط بين خصائصك والسداد داخل مجموعة الموافَق عليهم ليس هو الارتباط في المجتمع الذي تُسجّله فعلاً في قمة القُمع.

ما الذي يطرحه استنتاج المرفوضين حقاً

حين تُلائم بطاقة تسجيل على القروض الموافَق عليها والملحوظة، فأنت تُقدّر P(تعثّر | خصائص، موافَق عليه). أما ما تنشره في مواجهته فهو P(تعثّر | خصائص) لكل من يتقدّم. الفجوة بين الاثنين هي أثر الاختيار، وحجمها يتوقف على مدى صرامة حدّ قطعك السابق ومقدار المعلومات غير الملحوظة التي استخدمها القرار السابق.

إذا استخدم القرار السابق فقط متغيّرات ما زالت لديك في مخزن الخصائص (feature store)، فإن الاختيار قائم على متغيّرات ملحوظة، ونموذج مُحدَّد جيداً يتعامل معها. المتاعب في البواقي. المُكتِتبون يرون مستندات، ويتّصلون بمراجع، ويلاحظون أشياء لا تُدرَج في أي جدول قط. أي إشارة دفعت الموافقة التاريخية لكنها غائبة عن خصائصك تظهر بوصفها اختياراً على متغيّرات غير ملحوظة، ولا تُعيد إعادةُ ترجيح بيانات الموافَق عليهم استرجاعها. وهذا هو السبب نفسه في أن نموذجاً قد يبدو معايَراً في الاختبار الرجعي (backtest) ثم ينحرف لحظة أن يقابل متقدمين كانت السياسة القديمة سترفضهم.

إذاً، استنتاج المرفوضين هو افتراض تضعه بشأن غير الملحوظ، مُلبَّس زيّ خطوة بيانات. لا بأس بذلك، ما دمت تُسمّي الافتراض وتتحقّق منه حيث يمكنك.

الأساليب، وأين يكذب عليك كلٌّ منها

التقنيات الشائعة ليست متساوية في الأمانة. إليك كيف نُرتّبها وما يفترضه كلٌّ منها في صمت.

• عيّنة تحقّق من موافقات عشوائية (random-approval holdout). توافق على شريحة صغيرة مختارة عمداً من المتقدمين تحت حدّ قطعك وتُقرِضهم بتعرّض مضبوط. أصبح لديك الآن نتائج حقيقية للمرفوضين. هذا هو الأسلوب الوحيد الذي يُنتج دليلاً لا افتراضاً. إنه يكلّف مالاً في صورة خسائر متوقعة، لذا تُحدّد حجم الشريحة في مقابل ميزانية خسائر وتُركّزها قرب حدّ القطع حيث يكون النموذج في أشدّ حالات عدم اليقين.
• شراء بيانات المرفوضين (reject purchase). تشتري أداء المكتب الائتماني (bureau) للمتقدمين المرفوضين الذين اقترضوا من جهة أخرى. تحصل على نتائج، لكن على مجموعة فرعية اختارت نفسها ووجدت الائتمان في مكان ما، وسلوكهم على منتج شخص آخر بسعر شخص آخر ليس هو سيناريوك المضاد للواقع. مفيد كفحص عقلاني، ضعيف كحقيقة أرضية (ground truth).
• هيكمان ثنائي المرحلة (Heckman two-stage). تُقدّر نموذج موافقة ونموذج سداد معاً، مُصحِّحاً الثاني للاختيار في الأول. نظيف نظرياً. عملياً يحتاج إلى قيد استبعاد (exclusion restriction)، متغيّر يُحرّك الموافقة دون السداد، والائتمان نادراً ما يقدّم واحداً يصمد أمام التدقيق. من دونه لا يُعرَّف التصحيح إلا من الصيغة الدالّية (functional form)، وهي طريقة مهذّبة للقول إنه يُخمّن.
• التجزئة (parcelling) والتوسيع الضبابي (fuzzy augmentation). تُسجّل المرفوضين بالنموذج الحالي، وتُسند حالة “جيد/سيّئ” مستنتَجة بحسب احتمالهم المتوقَّع، وتُعيد إدماجهم في التدريب بأوزان. هذا هو الأسلوب الأكثر شيوعاً والأكثر دورانية. أنت تُعلّم النموذج الجديد أن يتّفق مع النموذج القديم في نفس الحالات التي لا سبيل لديك للتحقّق منها. إنه يُثبّت المعاملات، ويمكن أن يُرسّخ تحيّزاً لسنوات.

نستخدم التجزئة حين لا يكون شيء أفضل في المتناول، ونتعامل مع مخرجاتها كأداة تنظيم (regularizer) لا كحقيقة. الخيار الافتراضي الذي ندفع نحوه هو عيّنة تحقّق من موافقات عشوائية بحجم مُقاس على ميزانية خسائر، لأنه التصميم الوحيد الذي يُناقَض فيه النموذج بالواقع بدلاً من أن يُناقَض بسلفه.

أن تُبقي نفسك أميناً في التحقّق

نمط الفشل ليس في خطوة الاستنتاج. بل في الإبلاغ عن مقاييس التحقّق كأن النتائج المستنتَجة كانت ملحوظة. إذا حُسِبَت قيمة AUC أو KS أو المعايرة (calibration) على مجتمع محشوّ بتسميات أسندها النموذج، فإن تلك الأرقام تصف اتّفاق النموذج مع افتراضاته هو.

ما نتمسّك به:

• احسب كل الأداء الرئيسي على مجتمع الموافَق عليهم والملحوظ فقط. أبلِغ عن معدل الموافقة إلى جانبه، كي يعرف القارئ أي حصة من القُمع يُغطّيها المقياس فعلاً.
• تتبّع نتائج أي شريحة موافقات عشوائية على حدة، وقارن معدل التعثّر الذي يتوقّعه النموذج على تلك الشريحة بالمعدل المتحقّق. هذا هو الفحص الذي يمسك اختيار المتغيّرات غير الملحوظة، لأن هؤلاء المتقدمين دخلوا بلا نقض (veto) من السياسة القديمة.
• حافظ على صحة النقطة الزمنية (point-in-time correctness) عبر التمرين كله. استنتاج المرفوضين يُضاعف المساحة المعرّضة للنظر إلى الأمام (lookahead): من السهل استنتاج حالة مرفوض باستخدام بيانات مكتب ائتماني بختم زمني لاحق للقرار الأصلي، ما يُسرّب معلومات مستقبلية إلى تسمية تاريخية. كل نتيجة مستنتَجة تحتاج إلى نفس انضباط “بحسب تاريخه” (as-of) الذي تحتاجه نتيجة حقيقية، مع سلالة (lineage) تعود إلى اللقطة (snapshot) التي بُنيت منها.
• أنشئ إصداراً لافتراضات الاستنتاج في مسار التدقيق (audit trail) للنموذج. حين تذهب بطاقة التسجيل إلى التحقّق ضمن مراجعة بأسلوب SR 11-7، أو حين يُطعَن في القرار، سيحتاج أحدهم إلى إعادة بناء ليس الخصائص فحسب، بل أيّ المرفوضين استُنتِجوا، وبأيّ أسلوب، وتحت أيّ وزن.

استنتاج المرفوضين لا يُزيل تحيّز الاختيار. إنه يستبدل بافتراض ضمني غير مرئي افتراضاً صريحاً قابلاً للفحص، وهذه المقايضة لا تستحق العناء إلا إذا أبقيت الافتراض مرئياً. في اللحظة التي تكفّ فيها التسميات المستنتَجة عن أن تُوسَم بأنها مستنتَجة، تكون قد بنيت نموذجاً يقيس ثقته بنفسه ويسمّيها دقّة.