📊 statistics

An average-case sensitivity analysis for unmeasured confounding

यह शोध पत्र अनमापित कन्फाउंडिंग (unmeasured confounding) के लिए एक नए औसत-मामला संवेदनशीलता मॉडल (average-case sensitivity model) का प्रस्ताव करता है, जो प्रोपेंसिटी स्कोर अनुपात के दूसरे क्षण (second moment) द्वारा पैरामीटराइज्ड है, जो औसत संभावित परिणामों (average potential outcomes) के लिए सटीक क्लोज्ड-फॉर्म बाउंड्स और कुशल अनुमानक (efficient estimators) प्रदान करता है जो पारंपरिक सबसे खराब स्थिति वाले दृष्टिकोणों की तुलना में अधिक कड़े परिणाम और बेहतर अंशांकन (calibration) प्रदान करते हैं।

मूल लेखक: Yao Zhang, Qingyuan Zhao

प्रकाशित 2026-06-02

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Yao Zhang, Qingyuan Zhao

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक जासूस हैं जो यह पता लगाने की कोशिश कर रहे हैं कि क्या किसी विशिष्ट संकेत (जैसे मछली खाना) ने किसी विशिष्ट परिणाम (जैसे रक्त में उच्च पारा स्तर) का कारण डाला है। आप एक आदर्श प्रयोग नहीं चला सकते जहाँ आप कुछ लोगों को मछली खाने के लिए मजबूर करें और दूसरों को नहीं, इसलिए आपको पिछले रिकॉर्ड देखने होंगे। इसे एक अवलोकन संबंधी अध्ययन (observational study) कहा जाता है।

इस तरह के अध्ययनों की बड़ी समस्या अपरिभाषित कन्फाउंडिंग (unmeasured confounding) है। यह एक छिपे हुए चर (variable) जैसा है जिसे आपने रिकॉर्ड नहीं किया है। हो सकता है कि जो लोग मछली खा रहे थे, वे समुद्र के पास रहने की भी अधिक संभावना रखते हों, और समुद्री हवा पारा स्तर को प्रभावित करती हो। यदि आप "समुद्र के पास रहने" को मापते नहीं हैं, तो आप गलत तरीके से मछली को दोष दे सकते हैं।

इस जोखिम के प्रति ईमानदार होने के लिए, सांख्यिकीविद् संवेदनशीलता विश्लेषण (sensitivity analysis) नामक एक कार्य करते हैं। वे पूछते हैं, "इस छिपे हुए चर को हमारे निष्कर्ष को पूरी तरह से बदलने के लिए कितना मजबूत होना होगा?"

पुराना तरीका: "सबसे खराब स्थिति" (Worst-Case Scenario)

लंबे समय तक, शोधकर्ताओं ने एक विधि का उपयोग किया जिसे सीमांत संवेदनशीलता मॉडल (Marginal Sensitivity Model) कहा जाता है। इसे एक ऐसे जासूस के रूप में सोचें जो सबसे खराब संभव परिदृश्य को मान लेता है।

कल्पना कीजिए कि आप अग्नि सुरक्षा के लिए एक इमारत की जाँच कर रहे हैं। पुराना तरीका कहता है: "हमें यह मानना चाहिए कि यदि आग लगती है, तो यह सबसे खतरनाक कमरे में होगी, और यह कल्पना की जा सकने वाली सबसे बड़ी आग होगी।"

पेपर में, लेखक इसे वर्स्ट-केस मॉडल (Worst-Case Model) कहते हैं। यह एक सीमा ( $\Gamma$ ) निर्धारित करता है कि छिपा हुआ चर परिणामों को कितना विचलित कर सकता है। समस्या यह है कि यह सीमा डेटा में मौजूद एकल सबसे चरम, दुर्लभ आउटलायर (outlier) पर आधारित है।

दोष: यदि दस लाख के शहर में एक व्यक्ति की कोई बहुत अजीब आदत है, तो पुराना मॉडल मानता है कि सभी लोगों की वही आदत है। यह अत्यधिक निराशावादी है। यह अध्ययन को बहुत नाजुक दिखाता है, भले ही छिपा हुआ चर केवल कुछ लोगों के लिए मजबूत हो।

नया तरीका: "औसत मामला" (Average-Case Scenario)

लेखक (याओ झांग और किंगयुआन झाओ) एक नई विधि प्रस्तावित करते हैं जिसे एवरेज-केस सेंसिटिविटी मॉडल (Average-Case Sensitivity Model) कहा जाता है।

यह पूछने के बजाय कि, "सबसे खराब व्यक्ति कौन है?", वे पूछते हैं, "पूरे समूह में छिपे हुए चर की औसत शक्ति क्या है?"

उपमा (Analogy):
कल्पना कीजिए कि आप एक पुल की मजबूती का परीक्षण कर रहे हैं।

पुराना तरीका: आप मानते हैं कि एक विशाल, पौराणिक राक्षस (एक "वर्स्ट-केस" परिदृश्य) पुल पर कूदता है। यदि राक्षस के नीचे पुल टूट जाता है, तो आप कहते हैं कि पुल असुरक्षित है, भले ही वह राक्षस वास्तव में कभी अस्तित्व में ही न हो।
नया तरीका: आप वास्तव में पुल का उपयोग करने वाली सभी कारों, ट्रकों और पैदल यात्रियों के औसत वजन को मापते हैं। आप पूछते हैं, "यदि यातायात का औसत वजन 20% बढ़ जाता है, तो क्या पुल टिका रहेगा?"

यह नई विधि एक पैरामीटर का उपयोग करती है जिसे $\Sigma$ (सिग्मा) कहा जाता है। समूहों के बीच के अधिकतम अंतर को सीमित करने के बजाय, यह औसत वर्ग अंतर (average squared difference) को सीमित करती है। यह स्वीकार करती है कि हालांकि कुछ लोग छिपे हुए चर से बहुत अधिक प्रभावित हो सकते हैं, लेकिन अधिकांश शायद नहीं।

यह क्यों मायने रखता है: एक वास्तविक उदाहरण

लेखकों ने इसे मछली के सेवन और रक्त पारा स्तर के बारे में एक वास्तविक अध्ययन के साथ परखा।

पुराने (वर्स्ट-केस) तरीके का उपयोग करते हुए: उन्होंने पाया कि यदि एक अपरिभाषित कारक (जैसे एक छिपा हुआ जीवनशैली गुण) "शिक्षा स्तर" या "आय" के समान मजबूत था, तो अध्ययन का निष्कर्ष (कि मछली पारा बढ़ाती है) बदल जाएगा। "सुरक्षा मार्जिन" बहुत छोटा था।
नए (एवरेज-केस) तरीके का उपयोग करते हुए: उन्होंने पूछा, "छिपा हुआ कारक औसतन कितना मजबूत होना चाहिए ताकि परिणाम बदल जाए?"
- उन्होंने पाया कि भले ही छिपा हुआ कारक शिक्षा या आय जितना मजबूत था, लेकिन इसका औसत प्रभाव निष्कर्ष को तोड़ने के लिए पर्याप्त नहीं था।
- परिणाम: नए तरीके ने एक तंग, अधिक आशावादी सीमा (tighter, more optimistic bound) दी। इसने दिखाया कि निष्कर्ष "मछली पारा बढ़ाती है" वास्तव में काफी मजबूत है, क्योंकि यह संभावना कम है कि कोई छिपा हुआ कारक पूरे समूह के लिए इतना प्रभावी हो कि अध्ययन को बर्बाद कर सके, भले ही वह कुछ लोगों के लिए मजबूत हो।

उन्होंने यह कैसे किया (गणितीय जादू)

इसे काम करने के योग्य बनाने के लिए, लेखकों को एक जटिल गणितीय पहेली को हल करना पड़ा।

उन्होंने इस समस्या को एक पोर्टफोलियो अनुकूलन (portfolio optimization) समस्या की तरह माना (जैसे जोखिम और रिटर्न को संतुलित करने के लिए स्टॉक पोर्टफोलियो का प्रबंधन करना)।
उन्होंने एक "वन-स्टेप एस्टीमेटर" (one-step estimator) निकाला। इसे एक सुपर-कुशल कैलकुलेटर के रूप में समझें जो केवल उत्तर का अनुमान नहीं लगाता है बल्कि एक विशिष्ट सूत्र (जिसे एफिशिएंट इन्फ्लुएंस फंक्शन कहा जाता है) का उपयोग करता है ताकि उनके पास उपलब्ध डेटा के साथ सबसे सटीक उत्तर प्राप्त किया जा सके।
उन्होंने "कॉन्फिडेंस बैंड" खींचने के लिए मल्टीप्लायर बूटस्ट्रैप (Multiplier Bootstrap) नामक तकनीक का भी उपयोग किया। एक सुरक्षा जाल (safety net) बनाने की कल्पना करें जो उनके परिणामों के चारों ओर होता है। यह जाल एक ही समय में सभी संभावित परिदृश्यों को कवर करता है, यह सुनिश्चित करता है कि वे केवल एक विशिष्ट संख्या के कारण भाग्यशाली नहीं हैं।

मुख्य निष्कर्ष (The Bottom Line)

पेपर का तर्क है कि संवेदनशीलता विश्लेषण करने का पुराना तरीका बहुत डरा हुआ है। यह मानता है कि एक अकेला आउटलायर पूरे समूह को परिभाषित करता है। नया एवरेज-केस तरीका अधिक यथार्थवादी है। यह पूरे समूह को एक इकाई के रूप में देखता है, जिससे निम्नलिखित परिणाम मिलते हैं:

तंग सीमाएं (Tighter bounds): हम अपने परिणामों के बारे में अधिक आश्वस्त हो सकते हैं।
बेहतर अंशांकन (Better calibration): हम छिपे हुए जोखिम की तुलना उन चीजों से कर सकते हैं जिन्हें हम माप सकते हैं (जैसे आय या शिक्षा) और देख सकते हैं कि छिपा हुआ जोखिम आमतौर पर पुराने तरीके के सुझाव की तुलना में उतना डरावना नहीं है।

संक्षेप में, यह नया तरीका शोधकर्ताओं को यह कहने में मदद करता है, "हम जानते हैं कि छिपे हुए कारक मौजूद हैं, लेकिन औसतन, वे इतने मजबूत नहीं हैं कि हमें अपनी राय बदलने पर मजबूर कर सकें।"

तकनीकी सारांश: अनमैज़र्ड कन्फाउंडिंग (Unmeasured Confounding) के लिए एक औसत-मामला संवेदनशीलता विश्लेषण (Average-Case Sensitivity Analysis)

समस्या विवरण
अवलोकनात्मक अध्ययनों (observational studies) में, कारण अनुमान (causal inference) अनकन्फाउंडेडनेस (unconfoundedness/ignorability) की धारणा पर निर्भर करता है, जो यह प्रतिपादित करती है कि उपचार का आवंटन (treatment assignment) प्रेक्षित सहचरों (observed covariates) के सापेक्ष संभावित परिणामों से स्वतंत्र है। चूंकि यह धारणा परीक्षण योग्य नहीं है, इसलिए यह आकलन करने के लिए संवेदनशीलता विश्लेषण (sensitivity analysis) की आवश्यकता होती है कि अनकन्फाउंडेडनेस के उल्लंघन से निष्कर्ष कैसे बदल सकते हैं। मौजूदा दृष्टिकोण, विशेष रूप से मार्जिनल सेंसिटिविटी मॉडल (Tan, 2006; Zhao et al., 2019), आमतौर पर एक "वर्स्ट-केस" (worst-case) पैरामीटर ( $\Gamma$ ) का उपयोग करते हैं जो प्रेक्षित और पूर्ण-डेटा प्रोपेंसिटी स्कोर के लॉजिट अंतर के $L_\infty$ -नॉर्म को सीमित करता है। गणितीय रूप से सुलभ होने के बावजूद, यह वर्स्ट-केस दृष्टिकोण अत्यधिक निराशावादी हो सकता है, क्योंकि यह सीमा सबसे चरम (और संभावित रूप से दुर्लभ) सहचरों के मूल्यों द्वारा निर्धारित होती है, जो अनमैज़र्ड कन्फाउंडिंग की औसत शक्ति को पकड़ने में विफल रहती है।

कार्यप्रणाली
लेखक एक नया औसत-मामला संवेदनशीलता मॉडल (average-case sensitivity model) प्रस्तावित करते हैं जो प्रोपेंसिटी स्कोर अनुपात के दूसरे क्षण (second moment), $\Sigma$ , द्वारा पैरामीटराइज्ड है। अधिकतम विचलन को सीमित करने के बजाय, यह मॉडल प्रोपेंसिटी स्कोर अनुपात के अपेक्षित वर्ग अनुपात को सीमित करता है:
$E \{ \nu_{1,h}(X) \} \le \Sigma,$
जहाँ $\nu_{1,h}(X) = E\{h^2(X, Y) \mid X, Z=1\}$ और $h(X, Y) = e(X)/e(X, Y)$ प्रोपेंसिटी स्कोर अनुपात है। यह सूत्रीकरण केवल यह आवश्यक बनाता है कि अनमैज़र्ड कन्फाउंडिंग की औसत शक्ति सीमित हो।

यह शोध पत्र संबद्ध संवेदनशीलता विश्लेषण को एक अनुकूलन समस्या (optimization problem) के रूप में संबोधित करता है ताकि औसत संभावित परिणामों, $E\{Y(1)\}$ और $E\{Y(0)\}$ पर तीक्ष्ण सीमाएँ (sharp bounds) प्राप्त की जा सकें।

जनसंख्या समाधान (Population Solutions): लेखक लैग्रेंजियन सूत्रीकरण (Lagrangian formulations) का उपयोग करके अनुकूलन समस्या को विश्लेषणात्मक रूप से हल करते हैं।
- वे प्रोपेंसिटी स्कोर अनुपात के "जोखिम" (second moment) और "रिटर्न" (first moment) के बीच के ट्रेड-ऑफ को न्यूनतम करने के लिए समस्या को पुनर्गठित करते हैं, जो मार्कविट्ज़ पोर्टफोलियो समस्या (Markowitz portfolio problem) के साथ एक समानता दर्शाता है।
- वे इष्टतम प्रोपेंसिटी स्कोर अनुपात फलन $h^*(X, Y)$ के लिए क्लोज्ड-फॉर्म समाधान प्राप्त करते हैं। वर्स्ट-केस मॉडल के विपरीत, जहाँ इष्टतम समाधान एक टुकड़ों में निरंतर फलन (piecewise constant function/step function) होता है, औसत-मामला समाधान परिणाम $Y$ का एक टुकड़ों में रैखिक फलन (piecewise linear function) है।
- वे स्थापित करते हैं कि ये समाधान तीक्ष्ण सीमाएँ (sharp bounds) प्रदान करते हैं, जिसका अर्थ है कि प्राप्त अंतराल के भीतर का कोई भी मान बाधाओं को संतुष्ट करने वाले एक वैध डेटा-जनरेटिंग वितरण द्वारा प्राप्त किया जा सकता है।
अनुमान और निष्कर्ष (Estimation and Inference):
- लेखक दोनों औसत-मामला और वर्स्ट-केस मॉडलों के लिए सीमाओं और संवेदनशीलता मानों के लिए एफिशिएंट इन्फ्लुएंस फंक्शन्स (EIFs) को व्युत्पन्न करते हैं।
- वे इन EIFs पर आधारित वन-स्टेप एस्टिमेटर्स (one-step estimators) का प्रस्ताव करते हैं, जो न्युसेंस पैरामीटर्स (जैसे प्रोपेंसिटी स्कोर और कंडीशनल आउटकम डेंसिटी) को संभालने के लिए क्रॉस-फिटिंग का उपयोग करते हैं। यह दृष्टिकोण $\sqrt{n}$ -कंसिस्टेंसी और एसिम्प्टोटिक नॉर्मलिटी की अनुमति देता है, भले ही न्युसेंस पैरामीटर्स धीमी दरों (जैसे $o_P(n^{-1/4})$ ) पर अनुमानित हों।
- संवेदनशीलता मापदंडों की एक श्रृंखला पर निष्कर्ष निकालने की सुविधा के लिए, वे संवेदनशीलता वक्रों (sensitivity curves) के लिए सिमल्टेनियस कॉन्फिडेंस बैंड्स बनाने हेतु मल्टीप्लायर बूटस्ट्रैप (multiplier bootstrap) लागू करते हैं।

प्रमुख परिणाम

तुलनात्मक रूप से सटीक सीमाएँ (Tighter Bounds): "गेटेड कन्फाउंडिंग" संरचना वाले एक संख्यात्मक उदाहरण के माध्यम से, लेखक प्रदर्शित करते हैं कि औसत-मामला मॉडल वर्स्ट-केस मॉडल की तुलना में औसत उपचार प्रभाव (ATE) पर काफी अधिक सटीक सीमाएँ प्रदान करता है। वर्स्ट-केस पैरामीटर $\Gamma$ को चरम आउटलेयर्स (outliers) द्वारा संचालित दिखाया गया है, जबकि औसत-मामला पैरामीटर $\Sigma$ जनसंख्या के बहुमत के लिए कन्फाउंडिंग की शक्ति को बेहतर ढंग से दर्शाता है।
दक्षता (Efficiency): सिमुलेशन अध्ययन पुष्टि करते हैं कि EIFs पर आधारित प्रस्तावित वन-स्टेप एस्टिमेटर्स, डायरेक्ट प्लग-इन एस्टिमेटर्स की तुलना में तेजी से अभिसरित (converge) होते हैं और कम रूट-मीन-स्क्वेर्ड एरर (RMSE) रखते हैं, विशेष रूप से जब न्युसेंस पैरामीटर्स का अनुमान नॉनपैरामीट्रिक विधियों के माध्यम से लगाया जाता है।
वास्तविक-डेटा अनुप्रयोग: मछली के सेवन का रक्त मरकरी स्तर पर प्रभाव का अनुमान लगाने वाले एक अध्ययन (NHANES 2013-2014) में, लेखक प्रेक्षित सहचरों (शिक्षा, आय, आयु) के विरुद्ध संवेदनशीलता मापदंडों को कैलिब्रेट करते हैं। औसत-मामला मॉडल यह सुझाव देता है कि निष्कर्ष (कि मछली का सेवन मरकरी बढ़ाता है) उन प्रेक्षित सहचरों के परिमाण के प्रति मजबूत है जो अनमैज़र्ड कन्फाउंडिंग के समान हैं, जबकि वर्स्ट-केस मॉडल बताता है कि निष्कर्ष नाजुक है। औसत-मामला सीमाएँ स्पष्ट रूप से अधिक आशावादी और सटीक हैं।

महत्व और दावे
यह शोध पत्र वर्स्ट-केस से औसत-मामला बाधाओं की ओर स्थानांतरित होकर एक अधिक यथार्थवादी और कम निराशावादी संवेदनशीलता विश्लेषण ढांचा प्रदान करने का दावा करता है। मुख्य योगदान शामिल हैं:

विश्लेषणात्मक सुलभता (Analytical Tractability): अनुकूलन को सुलभ बनाने के लिए बाधाओं को शिथिल करने वाले पिछले मार्जिनल सेंसेंसीटी मॉडल्स के सामान्यीकरण के विपरीत, यह शोध पत्र औसत-मामला समस्या के लिए क्लोज्ड-फॉर्म, शार्प समाधान प्रदान करता है।
एकीकृत दृष्टिकोण (Unified View): व्युत्पन्न समाधान वर्स्ट-केस और औसत-मामला मॉडलों के प्रति एक एकीकृत दृष्टिकोण प्रदान करते हैं, जो टुकड़ों में निरंतर (piecewise constant) बनाम टुकड़ों में रैखिक (piecewise linear) इष्टतम वेट्स के संरचनात्मक अंतर को उजागर करते हैं।
व्यावहारिक उपयोगिता (Practical Utility): सिमल्टेनियस कॉन्फिडेंस बैंड्स का निर्माण सक्षम करके और प्रेक्षित सहचरों का उपयोग करके संवेदनशीलता मापदंडों को कैलिब्रेट करने की विधि प्रदान करके, यह दृष्टिकोण गणितीय कठोरता से समझौता किए बिना अवलोकनात्मक अध्ययन के परिणामों की अधिक सूक्ष्म और आशावादी व्याख्या की सुविधा प्रदान करता है।

लेखक का तर्क है कि हालांकि औसत-मामला मॉडल अधिक आशावादी है, फिर भी यह एक वैध संवेदनशीलता विश्लेषण उपकरण बना हुआ है जो अनमैज़र्ड कन्फाउंडिंग की "औसत" सीमा को पकड़ता है, जो अक्सर सैद्धांतिक वर्स्ट-केस परिदृश्य की तुलना में नीति और वैज्ञानिक निष्कर्ष के लिए अधिक प्रासंगिक होता है।

पुराना तरीका: "सबसे खराब स्थिति" (Worst-Case Scenario)

नया तरीका: "औसत मामला" (Average-Case Scenario)

यह क्यों मायने रखता है: एक वास्तविक उदाहरण

उन्होंने यह कैसे किया (गणितीय जादू)

मुख्य निष्कर्ष (The Bottom Line)

इसी तरह के और पेपर