Asymptotic inference with flexible covariate adjustment under rerandomization and stratified rerandomization

तकनीकी सारांश: पुनरगुणीकरण (Rerandomization) और स्तरीकृत पुनरगुणीकरण के तहत लचीले सहचर समायोजन (Flexible Covariate Adjustment) के साथ अनंतस्पर्शी अनुमान (Asymptotic Inference)

समस्या विवरण
पुनरगुणीकरण (Rerandomization) एक प्रतिबंधित यादृच्छिकीकरण प्रक्रिया है जिसे आधारभूत सहचर असंतुलन (baseline covariate imbalance) को नियंत्रित करने के लिए डिज़ाइन किया गया है, जो उन उपचार आवंटन योजनाओं को त्याग देती है जो एक पूर्व-निर्धारित संतुलन मानदंड को पूरा करने में विफल रहती हैं। जबकि अन-एडजस्टेड (unadjusted) और रैखिक रूप से-समायोजित (linearly-adjusted) अनुमानकों के लिए पुनरगुणीकरण के तहत अनंतस्पर्शी गुणों का एक परिमित-जनसंख्या डिज़ाइन-आधारित ढांचे के भीतर व्यापक अध्ययन किया गया है, यह स्पष्ट नहीं है कि क्या ये परिणाम M-अनुमानकों (M-estimators) के व्यापक वर्ग के अंतर्गत सामान्यीकृत होते हैं। इस वर्ग में लचीली सहचर समायोजन रणनीतियाँ शामिल हैं जैसे कि सामान्यीकृत रैखिक मॉडल के साथ g-कम्प्यूटेशन, लुप्त डेटा के लिए दोहरी-मजबूत (doubly-robust) अनुमानक, क्लस्टर-यादृच्छिक परीक्षणों के लिए मिश्रित-प्रभाव मॉडल (mixed-effects models), और डेटा-अनुकूल मशीन लर्नर्स का उपयोग करने वाले कुशल अनुमानक। मौजूदा साहित्य में पुनरगुणीकरण के तहत इन अनुमानकों के लिए औपचारिक अनंतस्पर्शी सिद्धांत (asymptotic theory) का अभाव है, जिससे लचीले समायोजन को प्रतिबंधित यादृच्छिकीकरण के साथ संयोजित करने पर वैध अनुमान लगाने की समझ में एक अंतराल उत्पन्न होता है।

कार्यप्रणाली
लेखक एक सुपर-पॉपुलेशन सैंपलिंग-आधारित ढांचे को अपनाते हैं, जिसमें एक अज्ञात वितरण से स्वतंत्र और समान रूप से वितरित (i.i.d.) ड्रॉ का अनुमान लगाया जाता है, जिसमें परिमित द्वितीय क्षण (finite second moments) होते हैं। यह अध्ययन दो प्राथमिक यादृच्छिकीकरण प्रक्रियाओं को कवर करता है:

1. पुनरगुणीकरण (Rerandomization): उपचार असाइनमेंट को तब तक पुनर्जीवित किया जाता है जब तक कि सहचरों के एक उपसमुच्चय ($X_r$) पर महलानोबिस दूरी (या एक सामान्यीकृत दूरी) एक थ्रेशोल्ड $t$ से कम न हो जाए।
2. स्तरीकृत पुनरगुणीकरण (Stratified Rerandomization): श्रेणीबद्ध स्तरों (categorical strata) पर सटीक संतुलन सुनिश्चित करने के लिए स्तरीकृत यादृच्छिकीकरण और निरंतर सहचरों पर असंतुलन को नियंत्रित करने के लिए पुनरगुणीकरण का एक संयोजन।

लेख अध्ययन में M-अनुमानकों के लिए सिद्धांत विकसित करता है, जिन्हें अनुमानित समीकरणों $\sum \psi(O_i; \theta) = 0$ के समाधान के रूप में परिभाषित किया गया है, और क्रॉस-फिटिंग के साथ डबल मशीन लर्निंग (DML) का उपयोग करके कुशल प्रभाव फलन (efficient influence function - EIF) पर आधारित कुशल अनुमानकों को भी शामिल करता है। विश्लेषण पुनरगुणीकरण के अंतर्निहित रिजेक्शन सैंपलिंग द्वारा प्रेरित अवलोकनों के बीच सहसंबंध को संबोधित करता है।

मुख्य योगदान और परिणाम

1. अनंतस्पर्शी रैखिकता और प्रभाव फलन अपरिवर्तनीयता (Asymptotic Linearity and Influence Function Invariance):
   लेखक सिद्ध करते हैं कि किसी भी M-अनुमानक के लिए, जो मानक नियमितता शर्तों (regularity conditions) को पूरा करता है, सरल यादृच्छिकीकरण और पुनरगुणीकरण के तहत अनंतस्पर्शी रैखिकता और प्रभाव फलन (influence function) समान रहते हैं। फलस्वरूप, यदि कोई अनुमानक सरल यादृच्छिकीकरण के तहत सुसंगत (consistent) है, तो वह पुनरगुणीकरण के तहत भी सुसंगत रहेगा। यह परिणाम M-अनुमानकों के लिए प्रभाव फलनों को पुनरगुणीकरण के तहत पुनः प्राप्त करने की आवश्यकता को समाप्त करता है।

2. गैर-गाऊसीय अनंतस्पर्शी वितरण (Non-Gaussian Asymptotic Distribution):
   सरल यादृच्छिकीकरण के विपरीत, जो अनंतस्पर्शी सामान्यता (asymptotic normality) प्रदान करता है, पुनरगुणीकरण आम तौर पर एक गैर-गाऊसीय अनंतस्पर्शी वितरण की ओर ले जाता है। यह दिखाया गया है कि सीमित वितरण एक मानक सामान्य चर और एक ट्रंकेटेड (truncated) सामान्य चर का रैखिक संयोजन है:
   $$\sqrt{n}(\hat{\Delta} - \Delta) \xrightarrow{d} \sqrt{V} \left( \sqrt{1-R^2} z + \sqrt{R^2} r_{q,t} \right)$$
   जहाँ $z \sim N(0,1)$, $r_{q,t}$ एक ट्रंकेटेड सामान्य चर है, $V$ सरल यादृच्छिकीकरण के तहत अनंतस्पर्शी प्रसरण (variance) है, और $R^2$ अनुमानक के प्रभाव फलन और पुनरगुणीकृत सहचरों के बीच संरेखण को मापता है। यह वितरण सममित और बेल-आकार (bell-shaped) का है, लेकिन इसका प्रसरण $R^2$ और संतुलन थ्रेशोल्ड $t$ पर निर्भर कारक द्वारा कम हो जाता है।

3. अनंतस्पर्शी सामान्यता के लिए स्थितियाँ (पुनरगुणीकरण की उपेक्षाशीलता/Ignorability):
   लेखक उन विशिष्ट स्थितियों की पहचान करते हैं जिनमें $R^2 = 0$ होता है, जिससे अनंतस्पर्शी वितरण सामान्य हो जाता है और विश्लेषण चरण के दौरान पुनरगुणीकरण प्रक्रिया अनंतस्पर्शी रूप से उपेक्षा योग्य (ignorable) हो जाती है। सामान्य अनुमानकों (ANCOVA, लॉजिस्टिक रिग्रेशन g-कम्प्यूटेशन, DR-WLS, और मिश्रित-ANCOVA) के लिए, अनंतस्पर्शी सामान्यता प्राप्त होती है यदि:

• उपचार आवंटन संतुलित ($\pi=0.5$) हो और अनुमानित मान (estimand) अंतर पैमाने (difference scale) पर हो; या
• आउटकम रिग्रेशन मॉडल में पुनरगुणीकरण चरों के लिए उपचार-सह-सहचर इंटरेक्शन पद शामिल हों; या
• आउटकम रिग्रेशन मॉडल सही ढंग से निर्दिष्ट (correctly specified) हो।
  महत्वपूर्ण रूप से, यदि विश्लेषण मॉडल पुनरगुणीकरण चरों (और स्तरीकृत मामले में स्तर संकेतकों) के लिए समायोजन करता है, तो अनंतस्पर्शी सामान्यता पर आधारित मानक अनुमान प्रक्रियाएं वैध रहती हैं।

4. स्तरीकृत पुनरगुणीकरण के लिए विस्तार:
   स्तरीकृत पुनरगुणीकरण के लिए समानांतर परिणाम स्थापित किए गए हैं। अनंतस्पर्शी वितरण एक समान रूप के रूप में अनुसरण करता है, जिसमें स्तरीकरण से प्राप्त प्रसरण में कमी के लिए प्रसरण घटक में समायोजन किया जाता है। सामान्यता के लिए स्थिति में पुनरगुणीकरण चरों और स्तर संकेतकों (stratum indicators) दोनों के लिए समायोजन आवश्यक है।

5. मशीन लर्निंग के साथ कुशल अनुमानक:
   लेखक कुशल प्रभाव फलन और डेटा-अनुकूल मशीन लर्नर्स (DML) पर आधारित कुशल अनुमानकों के लिए अपने निष्कर्षों का विस्तार करते हैं। वे सिद्ध करते हैं कि जब तक मशीन लर्निंग मॉडल पुनरगुणीकरण चरों के लिए समायोजन करते हैं, तब तक अनुमानक अर्ध-पैरामीट्रिक रूप से कुशल (semiparametrically efficient) बने रहते हैं। अनंतस्पर्शी वितरण उसी गैर-गाऊसीय रूप का अनुसरण करता है, जब तक कि समायोजन सेट में पुनरगुणीकरण चर शामिल न हों, जिस स्थिति में $R^2=0$ हो जाता है और सामान्यता बहाल हो जाती है। लेख प्रदर्शित करता है कि पुनरगुणीकरण शास्त्रीय अर्ध-पैरामीट्रिक दक्षता सीमा (semiparametric efficiency bound) को कम नहीं करता है, लेकिन उन अनुमानकों के प्रसरण को कम कर सकता है जो रोगनिरोधी सहचरों (prognostic covariates) के प्रति ऑर्थोगोनल (orthogonal) नहीं हैं।

महत्व और दावे
लेख दावा करता है कि यह पुनरगुणीकरण और स्तरीकृत पुनरगुणीकरण के तहत सामान्य श्रेणी के सहचर-समायोजित अनुमानकों के लिए औपचारिक अनंतस्पर्शी सिद्धांत के पहले विकास को प्रदान करता है। इसका प्राथमिक महत्व है:

• अनुमान प्रक्रियाओं को स्पष्ट करना: यह स्पष्ट करता है कि कई सामान्य रूप से उपयोग किए जाने वाले अनुमानकों के लिए, यदि विश्लेषण उचित रूप से उन चरों के लिए समायोजन करता है जिनका उपयोग डिजाइन में किया गया था, तो मानक अनुमान (सरल यादृच्छिकीकरण मानते हुए) अनंतस्पर्शी रूप से वैध है। यह पुनरगुणीकरण के व्यावहारिक अनुप्रयोग को सरल बनाता है।
• डिज़ाइन और विश्लेषण को जोड़ना: परिणाम पुनरगुणीकरण के डिज़ाइन-आधारित लाभों (बेहतर संतुलन) को लचीले सहचर समायोजन के विश्लेषण-आधारित लाभों के साथ जोड़ते हैं, जिससे पता चलता है कि दोनों पूरक हैं लेकिन बड़े नमूनों में पुनरगुणीकरण से प्राप्त दक्षता लाभ को समायोजन द्वारा पूरी तरह से कैप्चर किया जा सकता है।
• मशीन लर्निंग दृष्टिकोणों को मान्य करना: यह कार्य डेटा-अनुकूल मशीन लर्नर्स के उपयोग का समर्थन करता है, उनकी दक्षता इष्टतमता को सिद्ध करता है और उनके अनंतस्पर्शी व्यवहार के लिए आवश्यक सैद्धांतिक औचित्य प्रदान करता है।

लेखक उल्लेख करते हैं कि हालांकि उनके परिणाम एक सुपर-पॉपुलेशन ढांचे के तहत प्राप्त किए गए हैं, वे रैखिक अनुमानकों के लिए पिछले डिज़ाइन-आधारित परिणामों के सैंपलिंग-आधारित समकक्षों के रूप में कार्य करते हैं। वे स्वीकार करते हैं कि परिमित नमूनों में, विशेष रूप से छोटे नमूने के आकार या मॉडल मिस-स्पेसिफिकेशन के साथ, पुनरगुणीकरण अभी भी परिशुद्धता लाभ प्रदान कर सकता है, भले ही सैद्धांतिक रूप से अनंतस्पर्शी प्रसरण अपरिवर्तित रहे, जो उनके सिमुलेशन और एक क्लस्टर-यादृच्छिक प्रयोग के पुनर्रि뷰 में देखा गया है।