तकनीकी सारांश: द्विघातीय रूपों (Quadratic Forms) का उपयोग करके रीरैंडमाइजेशन के लिए एक एकीकृत ढांचा

समस्या विवरण

प्रायोगिक डिजाइनों में, उपचार (treatment) और नियंत्रण (control) समूहों के बीच सहचर संतुलन (covariate balance) सुनिश्चित करना मानक त्रुटियों को कम करने और सांख्यिकीय शक्ति (statistical power) बढ़ाने के लिए महत्वपूर्ण है। जबकि ब्लॉकिंग (blocking) श्रेणीबद्ध चरों (categorical variables) के लिए प्रभावी है, यह उच्च-आयामी निरंतर सहचरों (high-dimensional continuous covariates) के लिए संघर्ष करती है। रीरैंडमाइजेशन (Rerandomization) इस समस्या को तब हल करता है जब एक पूर्व-निर्धारित स्तर का सहचर संतुलन प्राप्त होने तक उपचार असाइनमेंट को रैंडमाइज किया जाता है।

ऐतिहासिक रूप से, अधिकांश रीरैंडमाइजेशन विधियाँ महालानोबिस दूरी (Mahalanobis distance) (मॉर्गन और रुबिन, 2012) पर निर्भर करती हैं, जो वेटिंग मैट्रिक्स के रूप में व्युत्क्रम सहप्रसरण मैट्रिक्स ($\Sigma^{-1}$) का उपयोग करती है। हालांकि, उच्च-आयामी सेटिंग्स में, महालानोबिस रीरैंडमाइजेशन सभी सहचरों के लिए विचरण न्यूनीकरण (variance reduction) का समान प्रतिशत लागू करता है। जैसे-जैसे आयाम ($d$) बढ़ता है, विचरण न्यूनीकरण पद 1 के करीब पहुँच जाता है, जिससे यह विधि अप्रभावी हो जाती है। जबकि रिज रीरैंडमाइजेशन (ब्रैनसन और शाओ, 2021) और PCA रीरैंडमाइजेशन (झांग एट अल., 2024) जैसे विस्तार विशिष्ट आइगेनवेक्टर्स (eigenvectors) को प्राथमिकता देकर इसे कम करने का प्रयास करते हैं, उन्हें ट्यूनिंग पैरामीटर्स या मनमाने कटऑफ की आवश्यकता होती है। इसके अलावा, मौजूदा अनुकूलतम परिणाम अक्सर सहचरों और परिणामों के बीच संबंध के ज्ञान की धारणा पर आधारित होते हैं (जैसे, लियू एट अल., 2025), जो प्रयोग से पहले मिलना दुर्लभ है।

कार्यप्रणाली

लेखक एक एकीकृत ढांचे (unified framework) का प्रस्ताव करते हैं जहाँ रीरैंडमाइजेशन को एक सामान्य द्विघातीय रूप संतुलन मीट्रिक द्वारा परिभाषित किया जाता है:
$$Q_A(\sqrt{n}\hat{\tau}_X) = (\sqrt{n}\hat{\tau}_X)^T A (\sqrt{n}\hat{\tau}_X)$$
जहाँ $\hat{\tau}_X$ सहचर माध्य अंतरों का वेक्टर है, और $A$ एक निश्चित, गैर-शून्य, धनात्मक अर्ध-निश्चित मैट्रिक्स ($A \in S^d_+$) है।

यह शोध पत्र किसी भी ऐसे ढांचे के लिए सामान्य सैद्धांतिक परिणाम व्युत्पन्न करता है जो पोटेंशियल आउटकम फ्रेमवर्क के अंतर्गत आता है, जो निश्चित सहचर $X$ और पोटेंशियल आउटकम पर आधारित है। विश्लेषण दो शर्तों पर निर्भर करता है:

1. शर्त 1: परिणामों और सहचरों के परिमित-जनसंख्या विचरण (finite-population variances) और सहप्रसरण (covariances) अच्छी तरह से परिभाषित हैं और उनके सीमित मान (limiting values) हैं।
2. शर्त 2: रीरैंडमाइजेशन मानदंड उपचार असाइनमेंट में सममित (symmetric) है और कुछ असाइनमेंटों पर गैर-शून्य प्रायिकता रखता है।

लेखक सहचर माध्य अंतरों के सहप्रसरण मैट्रिक्स ($\Sigma$) और मैट्रिक्स $\Sigma^{1/2}A\Sigma^{1/2}$ की आइगेनस्ट्रक्चर (eigenstructure) का उपयोग रैंडमाइज्ड एस्टिमेटर के स्पर्शोन्मुख वितरण (asymptotic distribution) को चित्रित करने के लिए करते हैं।

मुख्य योगदान

1. सामान्य सैद्धांतिक परिणाम

लेखक किसी भी द्विघातीय रूप रीरैंडमाइजेशन के तहत स्पर्शोन्मुख सहप्रसरण (asymptotic covariance) को व्युत्पन्न करते हैं (थ्योरम 1)। वे दिखाते हैं कि सहप्रसरण मैट्रिक्स को $\nu_{j,\eta}$ द्वारा विचरण न्यूनीकरण कारकों द्वारा घुमाया (rotated) और स्केल किया जाता है, जो $\Sigma^{1/2}A\Sigma^{1/2}$ के आइगेनवैल्यूज़ पर निर्भर करते हैं। यह ढांचा मौजूदा विधियों (महालानोबिस, रिज, PCA) के गुणों के तीव्र पुन: व्युत्पत्ति और नई योजनाओं के विश्लेषण की अनुमति देता है।

2. सहचर संतुलन के लिए अनुकूलता (परिणाम सूचना के बिना)

यह शोध पत्र सहचर गुणों के आधार पर $A$ के लिए इष्टतम विकल्पों को स्थापित करता है, जिसमें परिणामों के संबंध ($\beta$) के ज्ञान की आवश्यकता नहीं होती है:

• फ्रोबेनियस नॉर्म (Frobenius Norm) को न्यूनतम करना: यूक्लिडियन दूरी ($A = I_d$) सहचर माध्य अंतरों के सहप्रसरण मैट्रिक्स के फ्रोबेनियस नॉर्म को न्यूनतम करती है (थ्योरम 2)। यह सुनिश्चित करता है कि रीरैंडमाइजेशन के बाद भिन्नता के सभी दिशाओं का परिमाण समान हो।
• कुल विचरण न्यूनीकरण को अधिकतम करना: महालानोबिस दूरी ($A = \Sigma^{-1}$) सभी मुख्य घटकों (principal components) में कुल विचरण न्यूनीकरण को अधिकतम करती है (थ्योरम 3)।

3. औसत उपचार प्रभाव (ATE) के अनुमान के लिए अनुकूलता

लेखक $A$ के चयन को अंतर-माध्य एस्टिमेटर ($\hat{\tau}$) के विचरण से जोड़ते हैं।

• ओरेकल अनुकूलता (Oracle Optimality): यदि सहचरों और परिणामों के बीच का संबंध ($\beta$) ज्ञात होता, तो इष्टतम मैट्रिक्स $A^* = \beta\beta^T$ होता (थ्योरम 5)। यह सहचर माध्य अंतरों को उनकी भविष्य कहने वाली शक्ति (predictive power) के आधार पर भारित करता है।
• मिनिमैक्स अनुकूलता (Minimax Optimality): चूंकि $\beta$ आमतौर पर अज्ञात होता है, लेखक सिद्ध करते हैं कि यूक्लिडियन रीरैंडमाइजेशन ($A = I_d$) मिनिमैक्स अनुकूल है (थ्योरम 6)। इस अर्थ में कि एस्टिमेटर की सटीकता, सहचरों और परिणामों के बीच वास्तविक संबंध के बावजूद, इष्टतम विकल्प से कभी भी "बहुत दूर" नहीं होती है। यह यूक्लिडियन रीरैंडमाइजेशन को एक मजबूत "सुरक्षित" विकल्प बनाता है जब परिणाम संबंधी जानकारी उपलब्ध नहीं होती है।

4. मुख्य घटक चयन नियम (Principal Component Selection Rules)

यह ढांचा शीर्ष $k$ मुख्य घटकों के चयन के लिए विस्तारित होता है। यह $k$ चुनने के लिए एक लागत-लाभ निर्णय नियम (समीकरण 8) व्युत्पन्न करता है, जो शीर्ष घटकों पर प्राप्त विचरण न्यूनीकरण और त्याग दिए गए घटकों पर न्यूनीकरण की हानि के बीच संतुलन बनाता है। इसे वेटेड आइगेनवैल्यू नियम (Weighted Eigenvalue rule) कहा जाता है।

परिणाम

सिमुलेशन अध्ययन

लेखकों ने विभिन्न आयामों ($d$) और आइगेनवैल्यू वितरणों (स्पार्स, एवरेज, यूनिफॉर्म) के साथ विभिन्न मुख्य घटकों और परिणामों के बीच संबंधों के साथ सिमुलेशन आयोजित किए:

• स्पार्स आइगेनवैल्यू (Sparse Eigenvalues): जब आइगेनवैल्यू स्पार्स होते हैं और परिणाम बॉटम प्रिंसिपल कंपोनेंट्स पर निर्भर करते हैं, तो महालानोबिस रीरैंडमाइजेशन अन्य विधियों से बेहतर प्रदर्शन करता है। हालांकि, यदि परिणाम टॉप प्रिंसिपल कंपोनेंट्स पर निर्भर हैं, तो महालानोबिस खराब प्रदर्शन करता है।
• मजबूती (Robustness): यूक्लिडियन रीरैंडमाइजेशन ने सभी सेटिंग्स में लगातार दूसरा सबसे अच्छा विचरण न्यूनीकरण प्रदान किया और सहप्रसरण मैट्रिक्स को नियंत्रित करने में सर्वश्रेष्ठ था। इसने महालानोबिस की तुलना में बेहतर मजबूती प्रदर्शित की, जो कि तब काफी खराब प्रदर्शन करता है जब इसकी धारणाएं (समान भार) परिणाम संरचना के साथ संरेखित नहीं होती हैं।
• स्क्वेर्ड यूक्लिडियन (Squared Euclidean): $A = \Sigma$ (स्क्वेर्ड यूक्लिडियन) सेट करने पर यह टॉप आइगेनवैल्यूज को अधिक भार देता है और तब अच्छा प्रदर्शन करता है जब टॉप कंपोनेंट्स भविष्य कहने योग्य होते हैं, लेकिन इसमें मानक यूक्लिडियन रीरैंडमाइजेशन जैसी मजबूती की कमी थी।

वास्तविक डेटा अनुप्रयोग

जर्मन किशोरों के लिए मेंटरिंग के एक रैंडमाइज्ड कंट्रोल्ड ट्रायल ($n=308, d=21$) का उपयोग करते हुए, लेखकों ने सिंथेटिक नॉन-लीनियर और नॉन-एडिटिव पोटेंशियल आउटकम्स का निर्माण किया।

• निष्कर्ष: सहचरों के आइगेनवैल्यू अपेक्षाकृत यूनिफॉर्म थे। इस सेटिंग में, सभी विधियों ने समान प्रदर्शन किया, लेकिन यूक्लिडियन रीरैंडमाइजेशन ने सबसे कम विचरण (पूर्ण रैंडमाइजेशन के 0.565 के सापेक्ष) दिया, इसके ठीक बाद स्क्वेर्ड यूक्लिडियन (0.576) का स्थान रहा।
• निहितार्थ: परिणाम इस सैद्धांतिक दावे के अनुरूप हैं कि यूक्लिडियन रीरैंडमाइजेशन मिनिमैक्स अनुकूल और मजबूत है, विशेष रूप से तब जब आइगेनस्ट्रक्चर विशेष रूप से किसी उपसमुच्चय (subset) के पक्ष में न हो।

महत्व और दावे

यह शोध पत्र दावा करता है कि यह द्विघातीय रूपों के दायरे में मौजूदा रीरैंडमाइजेशन विधियों को एकीकृत करने वाला एक सामान्य सैद्धांतिक ढांचा प्रदान करता है। इसका प्राथमिक महत्व निम्नलिखित में निहित है:

1. व्यावहारिक मार्गदर्शन: यह चिकित्सकों को यह चुनने के लिए स्पष्ट, सैद्धांतिक रूप से समर्थित मार्गदर्शन प्रदान करता है कि परिणाम संबंधी जानकारी की अनुपस्थिति में मैट्रिक्स $A$ का चयन कैसे किया जाए। विशेष रूप से, यह यूक्लिडियन रीरैंडमाइजेशन का समर्थन करता है जो उच्च-आयामी महालानोबिस दूरी के दोषों से बचने के लिए एक मिनिमैक्स अनुकूल रणनीति है।
2. सिद्धांत और व्यवहार को जोड़ना: यह साहित्य के अंतराल को भरता है क्योंकि यह ऐसे अनुकूलता परिणाम व्युत्पन्न करता है जो सहचर-परिणाम संबंध के पूर्व ज्ञान पर निर्भर नहीं हैं, जो पिछले कार्यों (जैसे, लियू एट अल., 2025) की एक सामान्य सीमा है।
3. पद्धतिगत विस्तार: यह प्रदर्शित करता है कि $A$ का चयन परिणामी सहप्रसरण मैट्रिक्स की आइगेनस्ट्रक्चर को निर्धारित करता है, जिससे शोधकर्ताओं को अपने डेटा और परिणाम संबंधों के बारे में पूर्व धारणाओं के आधार पर रीरैंडमाइजेशन रणनीतियों (जैसे, स्क्वेर्ड यूक्लिडियन या PCA नियमों के माध्यम से) को अनुकूलित करने की अनुमति मिलती है।

लेखक विनम्र रहते हुए कहते हैं कि उनके परिणाम विशेष रूप से द्विघातीय रूपों के रूप में व्यक्त की जाने वाली रीरैंडमाइजेशन योजनाओं पर लागू होते हैं और गैर-द्विघातीय डिजाइन रणनीतियों (जैसे, कर्नल एलोकेशन) की श्रेष्ठता को खारिज नहीं करते हैं। उन्होंने सुझाव दिया है कि भविष्य के कार्य इन ढांचों को मल्टी-आर्म्ड प्रयोगों और अनुक्रमिक डिजाइनों (sequential designs) तक विस्तारित कर सकते हैं।