Bridging Binarization: Causal Inference with Dichotomized Continuous Exposures

तकनीकी सारांश: बाइनराइजेशन को जोड़ना: द्विभाजित निरंतर एक्सपोज़र के साथ कारण अनुमान (Causal Inference)

समस्या का विवरण
कारण अनुमान (Causal Inference) में, औसत उपचार प्रभाव (Average Treatment Effect - ATE) एक मानक पैरामीटर है जो बाइनरी (द्विभाजित) एक्सपोज़र के लिए परिभाषित है। हालाँकि, कई वैज्ञानिक विषय निरंतर एक्सपोज़र (जैसे आय असमानता, अल्कोहल का सेवन, कीटनाशकों का स्तर) के कारण प्रभावों को मापने की कोशिश करते हैं। इसे संबोधित करने के लिए एक सामान्य अभ्यास "बाइनराइजेशन" (या द्विचयन/dichotomization) है, जहाँ एक निरंतर एक्सपोज़र चर $A$ को एक विशिष्ट कट-ऑफ (जैसे, यदि $A \geq c$ तो $T=1$, अन्यथा $0$) के आधार पर एक बाइनरी डमी वेरिएबल$T$में बदल दिया जाता है। शोधकर्ता$T$ का उपयोग करके ATE का अनुमान लगाते हैं, जिसे "बाइनराइज्ड ATE" (BATE) कहा जाता है।

इसके बावजूद, बाइनराइजेशन को महत्वपूर्ण पद्धतिगत आलोचनाओं का सामना करना पड़ता है। आलोचकों का तर्क है कि यह 'स्टेबल यूनिट ट्रीटमेंट वैल्यूAssumption' (SUTVA) का उल्लंघन करता है क्योंकि यह संकेत देता है कि एक ही बाइनरी श्रेणी के भीतर उपचार के कई संस्करण मौजूद हैं। इसके अलावा, इसकी अक्सर श्रेणियों के भीतर जोखिम की समरूपता (homogeneity of risk) को मानने और हस्तक्षेप के विशिष्ट तंत्र को धुंधला करने के लिए आलोचना की जाती है। परिणामस्वरूप, कई शोधकर्ता इस दृष्टिकोण का उपयोग करने से हिचकिचाते हैं, फिर भी यह सार्वजनिक स्वास्थ्य और सामाजिक विज्ञानों में व्यापक रूप से उपयोग किया जाता है।

कार्यप्रणाली (Methodology)
लेखक एक ढांचा प्रस्तावित करते हैं जो संशोधित उपचार नीतियों (Modified Treatment Policies - MTPs) के लेंस के माध्यम से BATE की पुनर्व्याख्या करके बाइनराइजेशन को वैध बनाता है।

1. संशोधित उपचार नीतियों के साथ समानता:
   लेख पत्र यह प्रदर्शित करता है कि BATE दो विशिष्ट MTPs के तहत औसत परिणामों के अंतर के गणितीय रूप से समान है। ये नीतियां केवल एक निश्चित मान असाइन नहीं करती हैं; बल्कि, वे कंफाउंडर्स (confounders) $W$ के सापेक्ष निरंतर एक्सपोज़र $A$ के अंतर्निहित वितरण को बदल देती हैं।

   • नीति 1 ($\tilde{A}_1$): एक्सपोज़र को उस क्षेत्र तक सीमित करती है जहाँ $T=1$ है (जैसे, $A \geq c$)।
   • नीति 0 ($\tilde{A}_0$): एक्सपोज़र को उस क्षेत्र तक सीमित करती है जहाँ $T=0$ है (जैसे, $A < c$)।
   • मुख्य धारणा: दोनों नीतियां सापेक्ष आत्म-चयन (relative self-selection) के संरक्षण को बनाए रखती हैं। इसका अर्थ है कि अनुमत क्षेत्र के भीतर, किसी भी दो एक्सपोज़र मानों की प्रायिकता घनत्व (probability density) का अनुपात प्रेक्षित दुनिया के सापेक्ष अपरिवर्तित रहता है। औपचारिक रूप से, किसी भी $a, a' \in \text{allowed region}$ के लिए, $\frac{p(\tilde{A}|W=a)}{p(\tilde{A}|W=a')} = \frac{p(A|W=a)}{p(A|W=a')}$। यह लूसे के 'इंडिपेंडेंस ऑफ इरेलेवेंट अल्टरनेटिव्स' (IIA) के समान है।

2. पहचान (Identification):
   मानक कारण संबंधी धारणाओं (Positivity और Conditional Independence/No Unmeasured Confounding) के तहत, BATE को इन दो MTPs के तहत अपेक्षित परिणामों के अंतर के रूप में पहचाना जाता है: $\Psi_{BATE} = E[Y^{\tilde{A}_1}] - E[Y^{\tilde{A}_0}]$। यह एक पारदर्शी कारण तंत्र प्रदान करता है, जो SUTVA के उल्लंघन को स्पष्ट रूप से परिभाषित करके उसे निष्प्रभावी करता है।

3. नया एस्टिमैंड (Estimand): कारण एट्रिब्यूटेबल प्रभाव (Causal Attributable Effect of Binarization - CAB):
   लेखक एक नया पैरामीटर, CAB ($\Psi_{CAB}$) पेश करते हैं, जो एक MTP (जैसे, "उपचारित" नीति) और प्रेक्षित दुनिया (यथास्थिति/status quo) के बीच अपेक्षित परिणामों के अंतर को परिभाषित करता है: $\Psi_{CAB} = E[Y^{\tilde{A}_t}] - E[Y]$।

   • लेखक तर्क देते हैं कि यह BATE की तुलना में अधिक प्रासंगिक है क्योंकि यह दो काल्पनिक दुनियाओं के बजाय एक विशिष्ट नीति हस्तक्षेप की तुलना वर्तमान वास्तविकता से करता है।
   • CAB के पहचान (identification) के लिए BATE (दो-तरफा positivity) की तुलना में कमजोर धारणाओं (एक-तरफा positivity) की आवश्यकता होती है।

4. अनुमान (Estimation):
   लेख पत्र BATE और CAB दोनों के लिए चार एस्टिमेटर्स का विवरण देता है: रिग्रेशन एडजस्टमेंट (Regression Adjustment), इनवर्स प्रोबेबिलिटी वेटिंग (IPW), ऑगमेंटेड इनवर्स प्रोबेबिलिटी वेटिंग (AIPW), और टार्गेटेड मैक्सिमम लाइक्लीहुड एस्टीमेशन (TMLE)।

   • एक महत्वपूर्ण तकनीकी निष्कर्ष यह है कि इन मापदंडों का अनुमान लगाने के लिए निरंतर एक्सपोज़र $A$ के पूर्ण घनत्व (full density) का अनुमान लगाने की आवश्यकता नहीं है। बाइनराइज्ड ATE के साथ समानता के कारण, शोधकर्ताओं को केवल बाइनरी वेरिएबल $T$ के प्रोपेंसिटी स्कोर (अर्थात, $P(T=1|W)$) और आउटकम रिग्रेशन $E[Y|T, W]$ का अनुमान लगाने की आवश्यकता है। यह अन्य MTPs की तुलना में, जिन्हें घनत्व अनुमान की आवश्यकता होती है, कार्यान्वयन को काफी सरल बनाता है।

परिणाम

• सिमुलेशन अध्ययन: लेखकों ने 150, 300, और 500 के नमूना आकार के साथ 5,000 प्रतियों (replicates) के साथ एक सिमुलेशन अध्ययन किया। परिणामों ने दिखाया कि BATE और CAB दोनों के लिए रिग्रेशन, IPW, और AIPW एस्टिमेटर्स नगण्य पूर्वाग्रह (negligible bias) के साथ सुसंगत (consistent) थे। उनके मानक त्रुटियां (standard errors) विभिन्न विधियों में तुलनीय थीं, और एस्टिमेटर्स छोटे नमूना आकारों के साथ भी अच्छा प्रदर्शन करते थे। महत्वपूर्ण रूप से, सिमुलेशन ने पुष्टि की कि निरंतर एक्सपोज़र $A$ के पूर्ण वितरण का उपयोग किए बिना केवल बाइनरी वेरिएबल $T$ और कोवेरियेट्स $W$ का उपयोग करके सुसंगत अनुमान लगाना संभव है।
• अनुप्रयोग (कैलिफोर्निया तेल/गैस कुएं): इस विधि का उपयोग कैलिफोर्निया के एक प्रस्तावित कानून का मूल्यांकन करने के लिए किया गया जो तेल और गैस के कुओं के चारों ओर 1 किमी के हेल्थ प्रोटेक्शन ज़ोन बनाता है। एक्सपोज़र निकटतम कुएं से दूरी थी, जिसे 1 किमी पर बाइनराइज़ किया गया था।
  • अनुमानित BATE ने सुझाव दिया कि यदि सभी कुओं को 1 किमी के बाहर स्थानांतरित कर दिया जाए, तो सभी कुओं को 1 किमी के भीतर रखने वाली दुनिया की तुलना में कम जन्म वजन की संभावना में 0.205% की वृद्धि होती है।
  • अनुमानित CAB ने सुझाव दिया कि यदि नीति लागू की जाती है, तो वर्तमान यथास्थिति की तुलना में कम जन्म वजन की संभावना में केवल 0.0080% की वृद्धि होगी।
  • लेखक नोट करते हैं कि BATE नीति प्रभाव को बढ़ा-चढ़ाकर बता सकता है क्योंकि यह दो चरम काल्पनिक दुनियाओं की तुलना करता है, जबकि CAB नीति की तुलना वास्तविक वास्तविकता से करता है। वे यह भी चर्चा करते हैं कि "सापेक्ष आत्म-चयन का संरक्षण" का अनुमान पूरी तरह से सही नहीं हो सकता है यदि कुओं को हटाने से अगले निकटतम कुएं की स्थानिक संरचना (spatial configuration) बदल जाती है, लेकिन यह विधि ऐसे नीतिगत निर्णयों का मूल्यांकन करने के लिए एक संरचित तरीका प्रदान करती है।

महत्व और दावे
लेख का दावा है कि यह निरंतर एक्सपोज़र के बाइनराइजेशन के व्यापक अभ्यास को एक कठोर सैद्धांतिक औचित्य प्रदान करता है। सापेक्ष आत्म-चयन को संरक्षित करने वाले MTPs के साथ BATE की समानता स्थापित करके, लेखक तर्क देते हैं कि बाइनराइजेशन एक सांख्यिकीय रूप से वैध विधि है, बशर्ते कि अंतर्निहित धारणाएं विशिष्ट नीति संदर्भ के लिए उचित हों।

प्रमुख योगदान शामिल हैं:

1. सैद्धांतिक वैधता: MTPs (जो सापेक्ष आत्म-चयन को संरक्षित करते हैं) के रूप में बाइनराइजेशन को परिभाषित करके विवाद को सुलझाना।
2. नया पैरामीटर (CAB): CAB का प्रस्ताव देना जो यथास्थिति के मुकाबले हस्तक्षेप की तुलना करता है और जिसमें कमजोर पहचान आवश्यकताओं की आवश्यकता होती है।
3. व्यावहारिक अनुमान: यह प्रदर्शित करना कि इन जटिल MTPs को निरंतर एक्सपोज़र के गैर-पैरामीट्रिक घनत्व अनुमान की आवश्यकता के बिना, मानक ATE तकनीकों (रिग्रेशन, IPW, AIPW, TMLE) का उपयोग करके अनुमानित किया जा सकता है, जिससे दृष्टिकोण चिकित्सकों के लिए सुलभ हो जाता है।
4. संदर्भगत मार्गदर्शन: इस बात पर जोर देना कि बाइनराइजेशन की वैधता डोमेन-विशिष्ट ज्ञान पर निर्भर करती है कि व्यक्ति नीति के तहत कैसे व्यवहार करेंगे (जैसे, क्या वे अपने सापेक्ष वरीयताओं को बनाए रखने के लिए स्थान परिवर्तन या व्यवहार समायोजन करेंगे)। यह पेपर यह दावा नहीं करता है कि बाइनराइजेशन सार्वभौमिक रूप से सही है, बल्कि यह कि यह एक वैध उपकरण है जब "सापेक्ष आत्म-चयन का संरक्षण" का सिद्धांत वास्तविक दुनिया के नीति तंत्र के साथ मेल खाता है।