📊 statistics

Bayesian Nonparametrics for Principal Stratification with Continuous Post-Treatment Variables

यह शोध पत्र CASBAH प्रस्तुत करता है, जो एक नवीन बेयसियन नॉनपैरामीट्रिक विधि है जो बाइनरी उपचारों और निरंतर पोस्ट-ट्रीटमेंट वेरिएबल्स के साथ कारण अनुमान (कॉज़ल इन्फरेंस) के लिए डेटा-अनुकूलित कोर्सेन्ड प्रिंसिपल स्ट्रेटा की पहचान करने और अनिश्चितता को मापने के लिए एक पदानुक्रमित संरचना का उपयोग करता है, जो सिमुलेशन और अमेरिकी वायु गुणवत्ता नियमों के एक वास्तविक अनुप्रयोग में उत्कृष्ट प्रदर्शन प्रदर्शित करता है।

मूल लेखक: Dafne Zorzetto, Antonio Canale, Fabrizia Mealli, Francesca Dominici, Falco J. Bargagli-Stoffi

प्रकाशित 2026-03-26

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Dafne Zorzetto, Antonio Canale, Fabrizia Mealli, Francesca Dominici, Falco J. Bargagli-Stoffi

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 डॉक्टर हैं जो यह पता लगाने की कोशिश कर रहे हैं कि क्या एक नई दवा वास्तव में काम करती है। आप इसे कुछ मरीजों (उपचार समूह या "treatment" group) को देते हैं और कुछ को नहीं (नियंत्रण समूह या "control" group)। लेकिन यहाँ एक पेच है: दवा न केवल अंतिम स्वास्थ्य परिणाम को प्रभावित करती है, बल्कि यह पहले किसी बीच की चीज़ को बदल देती है, जैसे कि एक रक्त परीक्षण का परिणाम।

सांख्यिकी (statistics) में, इसे प्रिंसिपल स्ट्रैटिफिकेशन (Principal Stratification) कहा जाता है। यह मरीजों को अलग-अलग "टीमें" (teams) बनाने जैसा है, इस आधार पर कि उनके शरीर ने दवा मिलने पर कैसा प्रतिक्रिया दी होती—चाहे उन्हें वास्तव में दवा मिली हो या नहीं।

टीम A (प्रतिक्रिया देने वाले - The Responders): उनका रक्त परीक्षण बदल जाता यदि उन्हें दवा मिलती।
टीम B (प्रतिक्रिया न देने वाले - The Non-Responders): उनका रक्त परीक्षण बिल्कुल वैसा ही रहता, चाहे उन्हें दवा मिले या न मिले।

समस्या यह है कि आप "क्या होता अगर" (what if) को देख नहीं सकते। आप केवल वही देखते हैं जो हुआ। यदि किसी मरीज को दवा नहीं मिली, तो आपको नहीं पता होगा कि यदि उन्हें दवा मिलती तो उनका रक्त परीक्षण कैसा होता।

पुराना तरीका: "रफ कट" (Rough Cut) की समस्या

वर्षों तक, सांख्यिकीविदों ने निरंतर डेटा (continuous data) (जैसे रक्तचाप या प्रदूषण का स्तर, जो केवल "उच्च" या "निम्न" नहीं बल्कि एक पैमाने पर संख्याएँ हैं) का उपयोग करके इसे हल करने की कोशिश की, जिसे रफ कट (Rough Cut) कहा जाता है।

कल्पना कीजिए कि आपके पास पानी की एक बड़ी बाल्टी (डेटा) है। इसे छाँटने के लिए, आप निर्णय लेते हैं: "50 डिग्री से ऊपर 'गर्म' है, और 50 से नीचे 'ठंडा' है।"

द दोष: यह मनमाना है। 50 क्यों? 49 क्यों नहीं? यदि आप गलत नंबर चुनते हैं, तो आप एक "गर्म" व्यक्ति को "ठंडे" के डिब्बे में डाल सकते हैं, जिससे आपका विश्लेषण खराब हो जाएगा। यह एक इंद्रधनुष को कैंची से काटने जैसा है; आप उसकी सूक्ष्मता खो देते हैं।

नया तरीका: CASBAH (एक "स्मार्ट सॉर्टर")

यह शोध पत्र CASBAH (Confounders-Aware SHared atoms BAyesian mixture) नामक एक नई विधि पेश करता है। CASBAH को एक सुपर-स्मार्ट, आकार बदलने वाले सॉर्टर के रूप में सोचें जिसे कैंची की आवश्यकता नहीं है।

यह इस प्रकार काम करता है, कुछ उपमाओं का उपयोग करते हुए:

1. "साझा परमाणु" (The Shared Atoms - लेगो ब्रिक्स)

कल्पना कीजिए कि डेटा अदृश्य लेगो ब्रिक्स (Lego bricks) से बना है।

पुराने तरीकों में, "गर्म" समूह और "ठंडे" समूह को पूरी तरह से अलग प्रकार के ब्रिक्स से बनाया गया था।
CASBAH कहता है: "आइए दोनों समूहों को बनाने के लिए एक ही सेट के लेगो ब्रिक्स का उपयोग करें।"
क्योंकि समूह एक ही निर्माण ब्लॉकों को साझा करते हैं, मॉडल स्वाभाविक रूप से यह समझ सकता है कि कौन से लोग किस समूह से संबंधित हैं, यह देखते हुए कि ब्रिक्स कैसे फिट होते हैं। इसे काटने के लिए इसे रूलर की आवश्यकता नहीं है; यह बस देखता है कि वे प्राकृतिक रूप से कौन सा आकार बनाते हैं।

2. "डेटा-अनुकूलित" (The Data-Adaptive - मिट्टी का मूर्तिकार)

डेटा को एक वर्ग या वृत्त में मजबूर करने के बजाय (जैसा कि पुराने "रफ कट" तरीके में होता है), CASBAH गीली मिट्टी के साथ काम करने वाले एक मूर्तिकार की तरह है।

यह डेटा को देखता है और कहता है, "ओह, लोगों का यह समूह स्वाभाविक रूप से एक लंबा, पतला आकार बनाता है। और दूसरा समूह एक गोल गोले जैसा है।"
यह "टीमें" (strata) डेटा के वास्तविक आकार के आधार पर बनाती है, न कि उस नियम के आधार पर जो आपने पहले से बनाया था। इसका मतलब है कि यह "प्रतिक्रिया न देने वालों" (dissociative stratum) को भी खोज सकता है, भले ही वे डेटा के बीच में छिपे हों, बिना किसी कट-ऑफ पॉइंट का अनुमान लगाए।

3. "कन्फाउंडर जागरूकता" (The Confounder Awareness - जासूस की नोटबुक)

कभी-कभी, किसी व्यक्ति की आयु, आय या स्थान (confounders) इस बात को प्रभावित करते हैं कि वे कैसे प्रतिक्रिया देते हैं।

CASBAH एक जासूस की नोटबुक रखता है। यह हर व्यक्ति के लिए इन सभी अतिरिक्त विवरणों को देखता है और यह तय करने के लिए उपयोग करता है कि वे किस "टीम" में होने की सबसे अधिक संभावना रखते हैं। यह केवल रक्त परीक्षण को नहीं देख रहा है; यह पूरी तस्वीर को देख रहा है ताकि एक निष्पक्ष अनुमान लगाया जा सके।

वास्तविक दुनिया का परीक्षण: हवा को साफ करना

इसे सिद्ध करने के लिए, लेखकों ने CASBAH को एक वास्तविक जीवन की समस्या पर लागू किया: अमेरिकी वायु गुणवत्ता नियम (US Air Quality Regulations)।

सेटअप: कुछ काउंटियों (counties) को हवा साफ करने के लिए कहा गया (उपचार), और अन्य को नहीं (नियंत्रण)।
मध्य चर (Middle Variable): प्रदूषण का वास्तविक स्तर (PM2.5)।
परिणाम (Outcome): मृत्यु दर (mortality rates)।

उन्होंने क्या पाया:
पुराने "रफ कट" तरीकों का उपयोग करते हुए, यह बताना कठिन था कि वास्तव में किसे लाभ हुआ। लेकिन CASBAH ने काउंटियों को तीन स्पष्ट टीमों में विभाजित किया:

"क्लीनर्स" (Associative Negative): इन काउंटियों ने वास्तव में नियमों के कारण अपने प्रदूषण को कम किया। परिणाम: उनकी मृत्यु दर कम हो गई। दवा काम कर गई!
"अपरिवर्तित" (Dissociative): इन काउंटियों को सफाई करनी थी, लेकिन उनके प्रदूषण स्तर में कोई बदलाव नहीं आया। परिणाम: उनकी मृत्यु दर में भी कोई बदलाव नहीं आया। नियम यहाँ काम नहीं आए।
"बिगड़ने वाले" (Associative Positive): कुछ जगहों पर प्रदूषण वास्तव में बढ़ गया (शायद अजीब मौसम या अन्य कारकों के कारण)। परिणाम: स्वास्थ्य में कोई सुधार नहीं हुआ।

यह क्यों महत्वपूर्ण है

बड़ी बात लचीलापन और ईमानदारी है।

कोई मनमाना रेखा नहीं: आपको यह अनुमान लगाने की आवश्यकता नहीं है कि "अच्छे" और "बुरे" प्रदूषण के बीच रेखा कहाँ खींची जाए। गणित प्राकृतिक समूहों को खोज लेता है।
अनिश्चितता भी ठीक है: CASBAH स्वीकार करता है, "मैं 80% आश्वस्त हूँ कि यह काउंटी एक 'क्लीनर' है और 20% आश्वस्त हूँ कि यह एक 'अपरिवर्तित' है।" यह आपको एक संभावना देता है, न कि केवल हाँ/ना उत्तर। यह नीति निर्माताओं को समझने में मदद करता है कि हर स्थिति ब्लैक एंड व्हाइट नहीं होती।

संक्षेप में, CASBAH एक नया सांख्यिकीय उपकरण है जो हमें लोगों को उपचार के प्रति उनकी संभावित प्रतिक्रिया के आधार पर सार्थक समूहों में वर्गीकृत करने की अनुमति देता है, भले ही डेटा अव्यवस्थित और निरंतर हो, बिना उसे किसी ऐसे बॉक्स में जबरदस्ती डाले जो उसके अनुकूल न हो। यह कैंची के जोड़े से मूर्तिकार के हाथों में अपग्रेड करने जैसा है।

यहाँ ज़ोरज़ेटो (Zorzetto) और अन्य लेखकों द्वारा लिखित शोध पत्र "Bayesian Nonparametrics for Principal Stratification with Continuous Post-Treatment Variables" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

प्रिंसिपल स्ट्रैटिफिकेशन (Principal stratification) एक कारण-संबंधी अनुमान (causal inference) ढांचा है जिसका उपयोग पोस्ट-ट्रीटमेंट (मध्यवर्ती) चरों की उपस्थिति में उपचार प्रभावों (treatment effects) का अनुमान लगाने के लिए किया जाता है। जबकि यह बाइनरी (द्विआधारी) पोस्ट-ट्रीटमेंट चरों के लिए अच्छी तरह से स्थापित है (जो एक सीमित संख्या में स्ट्रेटा प्रदान करता है, आमतौर पर चार), यह ढांचा महत्वपूर्ण चुनौतियों का सामना करता है जब पोस्ट-ट्रीटमेंट चर सतत (continuous) होता है।

चुनौती: एक सतत मध्यवर्ती चर के साथ, प्रिंसिपल स्ट्रेटा का सेट संभावित रूप से अनंत हो जाता है, जो संयुक्त संभावित प्रतिक्रियाओं $(P_i(0), P_i(1))$ द्वारा अनुक्रमित (indexed) होता है।
मौजूदा विधियों की सीमाएँ:
- द्विभाजन (Dichotomization): सतत चरों को मनमाने थ्रेशोल्ड (जैसे, $P_i(1) > P_i(0)$ ) के माध्यम से बाइनरी में बदलने से सूचना का नुकसान होता है और इसमें व्यक्तिपरकता आती है।
- पैरामीट्रिक/एड-हॉक दृष्टिकोण: मौजूदा विधियाँ अक्सर प्रतिबंधात्मक पैरामीट्रिक धारणाओं या अनंत स्ट्रेटा को कम करने के लिए बाहरी रूप से लागू क्लस्टरिंग नियमों पर निर्भर करती हैं।
- "डिसोसिएटिव" स्ट्रैटम (The "Dissociative" Stratum): एक महत्वपूर्ण पद्धतिगत अंतराल मध्यवर्ती चर पर उपचार के प्रभाव (जहाँ $P_i(1) = P_i(0)$ ) को परिभाषित करने में मौजूद है। विसरित वितरणों (diffuse distributions) वाले सतत परिवेश में, सटीक समानता की संभावना शून्य होती है, जिससे मनमाने थ्रेशोल्ड के बिना यह स्ट्रैटम पहचानने योग्य (identifiable) नहीं रह जाता है।

2. कार्यप्रणाली: CASBAH मॉडल

लेखक CASBAH (Confounders-Aware SHared-atoms BAyesian mixture) प्रस्तावित करते हैं, जो सतत पोस्ट-ट्रीटमेंट चरों को संभालने के लिए डिज़ाइन किया गया एक नवीन बेयसियन नॉनपैरामेट्रिक दृष्टिकोण है।

मुख्य आर्किटेक्चर

डिपेंडेंट डिरिचलेट प्रोसेस (Dependent Dirichlet Process - DDP): मॉडल को कोवेरिएट्स $X_i$ और उपचार $t \in \{0, 1\}$ के सापेक्ष संभावित पोस्ट-ट्रीटमेंट परिणामों $P_i(t)$ के वितरण को मॉडल करने के लिए एक DDP प्रायर (विशेष रूप से प्रोबिट स्टिक-ब्रेकिंग प्रोसेस) का उपयोग करता है।
साझा परमाणु (Shared Atoms): एक प्रमुख नवाचार उपचार स्तरों के बीच साझा परमाणुओं (shared atoms) का उपयोग करना है। रैंडम प्रोबेबिलिटी मेजर्स $G^{(0)}_{x_i}$ $G_{x_{i}}^{(0)}$ और $G^{(1)}_{x_i}$ $G_{x_{i}}^{(1)}$ एक ही अनुक्रम $\{\psi_l\}$ ${ψ_{l}}$ के कर्नेल मापदंडों को साझा करते हैं।
- $P_i(t) | x_i, t \sim \sum_{l} \pi^{(t)}_l(x_i) K(\cdot; \psi_l)$
- यहाँ वेट्स (weights) $\pi^{(t)}_l(x_i)$ उपचार-विशिष्ट हैं और कोवेरिएट्स के माध्यम से निर्भर करते हैं, लेकिन "एटम्स" (क्लस्टर केंद्र) साझा होते हैं।
लेटेंट स्ट्रेटा परिभाषा: प्रिंसिपल स्ट्रेटा को लेटेंट क्लस्टर एलोकेशन वेरिएबल्स $S^{(0)}_i$ $S_{i}^{(0)}$ और $S^{(1)}_i$ $S_{i}^{(1)}$ द्वारा परिभाषित किया जाता है।
- डिसोसिएटिव स्ट्रैटम ( $S_0$ ): तब होता है जब $S^{(0)}_i = S^{(1)}_i$ (इकाई उपचार और नियंत्रण दोनों के तहत एक ही क्लस्टर से संबंधित है)।
- एसोसिएटिव स्ट्रेटा ( $S_+, S_-$ ): तब होते हैं जब $S^{(0)}_i \neq S^{(1)}_i$ , जो मध्यवर्ती चर के वितरण में बदलाव का संकेत देते हैं।

मुख्य सैद्धांतिक गुण

गैर-शून्य प्रायर प्रायिकता: सतत मॉडलों में जहाँ $P(P_i(1)=P_i(0))=0$ होता है, डिरिचलेट प्रोसेस सपोर्ट की असतत (discrete) प्रकृति यह सुनिश्चित करती है कि $P(S^{(0)}_i = S^{(1)}_i) > 0$ पूर्व-संभाव्यता (a priori) के रूप में मौजूद है। थ्योरम 1 इस प्रायिकता के लिए एक क्लोज्ड-फॉर्म अभिव्यक्ति प्रदान करता है, जो दर्शाता है कि यह कोवेरिएट्स $x$ पर निर्भर करती है।
कन्फाउंडर एडजस्टमेंट: मिश्रण भार (mixture weights) को देखे गए कोवेरिएट्स के फलन (functions) के रूप में मॉडल किया जाता है, जो कन्फाउंडिंग के लिए लचीला, नॉनपैरामेट्रिक समायोजन की अनुमति देता है।
अनिश्चितता परिमाणीकरण (Uncertainty Quantification): ढांचा लापता संभावित परिणामों को संयुक्त रूप से इम्प्यूट (impute) करता है और स्ट्रैटम सदस्यता के संबंध में अनिश्चितता को पोस्टीरियर वितरण के माध्यम से प्रसारित करता है।

निष्कर्ष (Inference)

एल्गोरिदम: पोस्टीरियर इन्फरेंस गिब्स सैंपलिंग (Gibbs sampling) के माध्यम से किया जाता है।
चरण:
1. लेटेंट क्लस्टर एलोकेशन $S^{(t)}_i$ को सैंपल करना।
2. क्लस्टर-विशिष्ट मापदंडों (Gaussian kernels के स्थान और स्केल) को सैंपल करना।
3. मिश्रण भार के लिए रिग्रेशन मापदंडों को सैंपल करना।
4. लापता संभावित पोस्ट-ट्रीटमेंट वेरिएबल्स ( $P_i(1-T_i)$ ) को इम्प्यूट करना।
5. प्राथमिक परिणाम मॉडल के मापदंडों को सैंपल करना (जो पेपर में लीनियर माना गया है, लेकिन विस्तार योग्य है)।

3. मुख्य योगदान

डेटा-अनुकूली स्ट्रेटा पहचान: यह मनमाने थ्रेशोल्ड या पूर्व-निर्धारित विवेकीकरण (discretization) की आवश्यकता को समाप्त करता है। स्ट्रेटा को डेटा संरचना के आधार पर अंतर्जात (endogenously) रूप से पहचाना जाता है।
प्रोबेबिलिस्टिक डिसोसिएटिव स्ट्रैटम: यह सतत परिवेश में डिसोसिएटिव स्ट्रैटम को परिभाषित करने की समस्या को डिरिचलेट प्रोसेस के डिस्क्रीट सपोर्ट का लाभ उठाकर हल करता है, जिससे उन इकाइयों को गैर-शून्य प्रायिकता दी जाती है जहाँ उपचार मध्यवर्ती चर को नहीं बदलता है।
फलस्वरूप, यह उन इकाइयों को भी पहचान पाता है जहाँ उपचार का कोई प्रभाव नहीं पड़ा।
व्यापक अनिश्चितता: यह प्रिंसिपल कॉज़ल इफेक्ट्स (PCE) के लिए पूर्ण पोस्टीरियर वितरण प्रदान करता है, जिसमें स्ट्रैटम सदस्यता और लापता डेटा इम्प्यूटेशन की अनिश्चितता शामिल है।
कोवेरिएट-डिपेंडेंट मिक्सिंग: यह मिश्रण भार में कन्फाउंडर्स को सीधे एकीकृत करता है, जो कठोर पैरामीट्रिक मॉडलों के लिए एक लचीला विकल्प प्रदान करता है।

4. परिणाम

सिमुलेशन अध्ययन

लेखकों ने पांच परिदृश्यों (विभिन्न स्ट्रेटा कॉन्फ़िगरेशन और कन्फाउंडर्स की संख्या के साथ) में Schwartz et al. (2011) (पैरामीट्रिक) और Lu et al. (2023) (कॉपुला-आधारित) के विरुद्ध CASBAH की तुलना की।

बायस (Bias): CASBAH ने प्रतिस्पर्धियों की तुलना में अपेक्षित अंतर में संभावित परिणामों ( $E[P(1)-P(0)]$ ) और प्राथमिक परिणामों ( $E[Y(1)-Y(0)]$ ) के अनुमान में काफी कम बायस दिखाया।
स्ट्रेटा पहचान: CASBAH के लिए एडजस्टेड रैंड इंडेक्स (ARI) लगातार उच्च (0.91–0.99) था, जो वास्तविक प्रिंसिपल स्ट्रेटा की सटीक रिकवरी को दर्शाता है। प्रतिस्पर्धी मॉडल परिभाषित कॉज़ल फ्रेमवर्क के अनुसार स्ट्रेटा की पहचान करने में विफल रहे।
मजबूती (Robustness): CASBAH तब भी अच्छा प्रदर्शन करता है जब स्ट्रेटा एटम्स एक-दूसरे के करीब हों या वेरिएंस भिन्न हो।

केस स्टडी: अमेरिकी वायु गुणवत्ता नियम (NAAQS)

संदर्भ: मृत्यु दर (परिणाम) पर 2005 NAAQS संशोधन (उपचार) के कारणत्मक प्रभाव का अनुमान लगाना, जो $PM_{2.5}$ स्तरों (सतत पोस्ट-ट्रीटमेंट वेरिएबल) द्वारा मध्यस्थ (mediated) है।
डेटा: पूर्वी अमेरिका के 384 काउंटियाँ (270 अटेनमेंट, 114 नॉन-अटेनमेंट)।
निष्कर्ष:
- स्ट्रेटा पहचान: मॉडल ने तीन अलग-अलग समूह पहचाने:
  - डिसोसिएटिव (32%): प्रदूषण स्तर विनियमन से अपरिवर्तित रहा।
  - एसोसिएटिव नेगेटिव (56%): प्रदूषण में उल्लेखनीय कमी आई।
  - एसोसिएटिव पॉजिटिव (12%): प्रदूषण अप्रत्याशित रूप से बढ़ा।
- कारण संबंधी प्रभाव (Causal Effects):
  - एसोसिएटिव नेगेटिव स्ट्रैटम (जहाँ प्रदूषण गिरा) में, मृत्यु दर में महत्वपूर्ण कमी आई (औसत कमी 10,000 प्रति 8.12)।
  - डिसोसिएटिव और एसोसिएटिव पॉजिटिव स्ट्रेटा में, मृत्यु दर में कोई महत्वपूर्ण कमी नहीं देखी गई।
- चरित्रीकरण (Characterization): मॉडल ने खुलासा किया कि "एसोसिएटिव पॉजिटिव" स्ट्रैटम के काउंटियाँ अक्सर ग्रामीण थीं, जिनमें आय कम और धूम्रपान की दर अधिक थी, जबकि "एसोसिएटिव नेगेटिव" काउंटियाँ शहरी थीं जिनमें शिक्षा और आय अधिक थी।

5. महत्व और निष्कर्ष

यह शोध पत्र सतत मध्यवर्ती चरों के लिए कॉज़ल इन्फरेंस में एक महत्वपूर्ण प्रगति का प्रतिनिधित्व करता है। मनमाने विवेकीकरण और कठोर पैरामीट्रिक धारणाओं से दूर हटकर, CASBAH प्रिंसिपल स्ट्रैटिफिकेशन के लिए एक सिद्धांत-आधारित, लचीला और व्याख्या योग्य ढांचा प्रदान करता है।

सैद्धांतिक प्रभाव: यह निरंतर परिवेश में बिना किसी एड-हॉक नियम के डिसोसिएटिव स्ट्रैटम को परिभाषित करने की सैद्धांतिक असंभवता को हल करता है।
व्यावहारिक प्रभाव: पर्यावरण नीति पर इसका अनुप्रयोग यह दर्शाता है कि उपचार प्रभाव विषम (heterogeneous) होते हैं और परिवर्तन के तंत्र (अर्थात, क्या नीति वास्तव में प्रदूषण को कम करती है) पर निर्भर करते हैं। यह नीति निर्माताओं को यह समझने में मदद करता है कि नियम किन क्षेत्रों में प्रभावी हैं और किनमें नहीं, जिससे भ्रामक समग्र निष्कर्षों से बचा जा सकता है।
भविष्य की दिशाएँ: लेखक आउटकम मॉडल को गैर-रेखीय संरचनाओं के लिए विस्तारित करने और सतत उपचारों या 'टाइम-टू-इवेंट' सेटिंग्स के लिए ढांचे को अनुकूलित करने का सुझाव देते हैं।