Bias-Targeted Nonparametric Balancing for Stable Causal Mediation Analysis

तकनीकी सारांश: स्थिर कारण मध्यस्थता विश्लेषण (Causal Mediation Analysis) के लिए बायस-लक्षित गैर-पैरामीट्रिक संतुलन

1. समस्या विवरण

कारण मध्यस्थता विश्लेषण (Causal Mediation Analysis) का उद्देश्य उपचार ($A$) का परिणाम ($Y$) पर कुल कारण प्रभाव को एक प्राकृतिक प्रत्यक्ष प्रभाव (NDE) और एक प्राकृतिक अप्रत्यक्ष प्रभाव (NIE) में विभाजित करना है, जो एक मध्यस्थ ($M$) के माध्यम से प्रसारित होता है।

जबकि इन्फ्लुएंस फंक्शन (IF)-आधारित एस्टिमेटर्स (जैसे, Tchetgen Tchetgen & Shpitser, 2012) अपनी बहु-मजबूती (multiple robustness) और दक्षता के कारण लोकप्रिय हैं, वे सतत (continuous) मध्यस्थों के मामले में गंभीर व्यावहारिक सीमाओं का सामना करते हैं:

• अस्थिरता (Instability): मानक IF एस्टिमेटर्स को मध्यस्थ के सशर्त घनत्व (conditional density) के अनुमान की आवश्यकता होती है। चूंकि ये घनत्व हर (denominator) में आते हैं, इसलिए छोटे मान (जो अक्सर पॉजिटिविटी उल्लंघन के कारण होते हैं) भारी विचरण वृद्धि (variance inflation) और संख्यात्मक अस्थिरता का कारण बनते हैं।
• गलत संरेखित उद्देश्य (Misaligned Objectives): मानक मशीन लर्निंग न्यूसेंस एस्टिमेटर्स वैश्विक भविष्य कहनेवाला सटीकता (global predictive accuracy) को लक्षित करते हैं (MSE या log-loss को कम करना), जो आवश्यक रूप से लक्षित मध्यस्थता कार्यात्मक (mediation functional) के द्वितीय-क्रम पूर्वाग्रह (second-order bias) को कम नहीं करता है।
• जटिलता: बहुभिन्नरूपी सतत घनत्वों (multivariate continuous densities) का अनुमान लगाना गणनात्मक और सांख्यिकीय रूप से चुनौतीपूर्ण है।

2. कार्यप्रणाली

लेखक एक बायस-लक्षित न्यूसेंस एस्टिमेशन फ्रेमवर्क प्रस्तावित करते हैं जो संभावना पुनर्रचना (likelihood reparametrization) और एक नवीन गैर-पैरामीट्रिक संतुलन पद्धति का उपयोग करके सीधे घनत्व अनुमान से बचता है।

A. संभावना पुनर्रचना (Likelihood Reparametrization):
मध्यस्थ घनत्व $p(M|A, X)$ का अनुमान लगाने के बजाय, लेखक मध्यस्थता कार्यात्मक को ऐसे रूप में पुनर्रचित करते हैं जिसमें न्यूसेंस फलनों (nuisance functions) को शामिल किया जाता है जिन्हें रिग्रेशन या बैलेंसिंग के माध्यम से अनुमानित किया जा सकता है।

B. दो-चरणीय अनुमान (एकल मध्यस्थ मामला):

1. चरण 1: व्युत्क्रम उपचार तंत्र ($\pi_1$) और आउटकम रिग्रेशन ($\mu_1$) का अनुमान लगाएं।
2. चरण 2: अतिरिक्त न्यूसेंस फलनों का निर्माण करें जो मध्यस्थ की जानकारी को एनकोड करते हैं और उन्हें एक गैर-पैरामीट्रिक भारित संतुलन विधि (nonparametric weighted balancing method) का उपयोग करके अनुमानित करें।

C. मिनिमैक्स ऑप्टिमाइज़ेशन के माध्यम से गैर-पैरामीट्रिक संतुलन:
मुख्य नवाचार मिनिमैक्स समस्याओं को हल करने के लिए रिप्रोडसिंग कर्नेल हिल्बर्ट स्पेस (RKHS) का उपयोग करना है। घनत्व फिट करने के बजाय, लेखक इसे हल करते हैं:
$$\min_{\pi \in \Pi} \max_{h \in H} \mathbb{E} \left[ \text{Bias Structure Term} \cdot h(X) \right] + \text{Regularization}$$
यह दृष्टिकोण सुनिश्चित करता है कि न्यूसेंस एस्टिमेटर्स विशिष्ट "बैलेंसिंग समीकरणों" को संतुष्ट करते हैं जो IF-आधारित एस्टिमेटर के अग्रणी बायस टर्म्स को सीधे रद्द कर देते हैं। यह कोवेरिएट बैलेंसिंग (जैसे CBPS) का एक गैर-पैरामीट्रिक विस्तार है जिसे मध्यस्थता के संदर्भ में सामान्यीकृत किया गया है।

D. बहु-मध्यस्थ विस्तार:
इस फ्रेमवर्क को उन सेटिंग्स में सामान्यीकृत किया गया है जहाँ कई मध्यस्थ ($M_1, \dots, M_k$) परस्पर क्रिया करते हैं। लेखक मध्यस्थों के बीच सख्त कारण क्रम (causal ordering) की आवश्यकता के बिना, मध्यस्थ-विशिष्ट एग्जिट इनडायरेक्ट इफेक्ट्स (exit indirect effects) का अनुमान लगाने पर ध्यान केंद्रित करते हैं, जिसमें समान दो-चरणीय बैलेंसिंग रणनीति का उपयोग किया जाता है।

3. मुख्य योगदान

• सतत मध्यस्थों के लिए स्थिरता: घनत्व अनुमान के स्थान पर बैलेंसिंग स्थितियों का उपयोग करके, एस्टिमेटर स्थिर रहता है, भले ही मध्यस्थ सतत हो या पॉजिटिविटी कमजोर हो।
• बायस-लक्षित डिज़ाइन: न्यूसेंस अनुमान को स्पष्ट रूप से IF के द्वितीय-क्रम बायस टर्म्स को लक्षित करने के लिए डिज़ाइन किया गया है, न कि केवल वैश्विक भविष्यवाणी त्रुटि को कम करने के लिए।
• सैद्धांतिक गारंटी: लेखक बहु-मजबूती (multiple robustness) (एस्टिमेटर सुसंगत है यदि न्यूसेंस फलनों के कुछ उपसमुच्चय सही हैं), $\sqrt{n}$-consistency, और एसिम्प्टोटिक नॉर्मलिटी स्थापित करते हैं।
• क्लोज्ड-फॉर्म RKHS समाधान: वे कर्नेल मैट्रिसेस का उपयोग करके मिनिमैक्स समस्याओं के कुशल, क्लोज्ड-फॉर्म समाधान प्रदान करते हैं, जिससे यह विधि गणनात्मक रूप से व्यवहार्य हो जाती है।

4. परिणाम

• सिमुलेशन अध्ययन:
  • मानक TTS एस्टिमेटर की तुलना में, प्रस्तावित "दो-चरणीय" एस्टिमेटर ने बायस और वेरिएंस में भारी कमी दिखाई। सतत मध्यस्थ सेटिंग्स में TTS एस्टिमेटर ने अत्यधिक अस्थिरता (विस्फोटक RMSE) प्रदर्शित की, जबकि प्रस्तावित विधि स्थिर और सुसंगत बनी रही।
  • मजबूती परीक्षणों ने पुष्टि की कि यदि कुछ न्यूसेंस घटक गलत निर्दिष्ट (misspecified) हैं, तब भी एस्टिमेटर निष्पक्ष रहता है, बशर्ते कि बैलेंसिंग स्थितियां पूरी हों।
• वास्तविक दुनिया का अनुप्रयोग (NHANES डेटा):
  • इस विधि का उपयोग ग्लाइकोहेमोग्लोबिन (HbA1c) द्वारा मध्यस्थता वाले मोटापे के कोरोनरी हार्ट डिजीज (CHD) के प्रभाव का अनुमान लगाने के लिए किया गया था।
  • परिणामों ने संकेत दिया कि मोटापा CHD की संभावना को लगभग 60% बढ़ाता है, जिसमें एक प्रत्यक्ष प्रभाव (HbA1c से स्वतंत्र) जोखिम में 35% की वृद्धि का उत्तरदायी है।

5. महत्व

यह शोध पत्र अर्ध-पैरामीट्रिक सिद्धांत और व्यावहारिक महामारी विज्ञान के बीच एक मजबूत पद्धतिगत सेतु प्रदान करता है। यह कारण मध्यस्थता विश्लेषण में एक लंबे समय से चली आ रही "अस्थिरता" की समस्या को हल करता है, जिससे शोधकर्ताओं को घनत्व अनुमान त्रुटियों के जोखिम के बिना निरंतर, उच्च-आयामी जैविक मार्करों (जैसे जीन अभिव्यक्ति या मेटाबॉलिक स्तर) को मध्यस्थ के रूप में उपयोग करने की अनुमति मिलती है। संरचनात्मक धारणाओं के बिना कई, परस्पर क्रिया करने वाले मध्यस्थों को संभालने की क्षमता इसे जटिल जैविक और सामाजिक प्रणालियों के लिए अत्यधिक उपयोगी बनाती है।