📊 statistics

Incremental effects for continuous exposures

यह शोध पत्र एक्सपोनेंशियल टिल्टिंग (exponential tilting) के माध्यम से स्टोकेस्टिक इंटरवेंशन (stochastic interventions) प्रस्तावित करके निरंतर एक्सपोजर (continuous exposures) के साथ कॉज़ल इन्फरेंस (causal inference) को संबोधित करता है ताकि पॉजिटिविटी धारणाओं (positivity assumptions) को दरकिनार किया जा सके, उनके सेमीपैरामेट्रिक एफिशिएंसी बाउंड्स (semiparametric efficiency bounds) को व्युत्पन्न किया जा सके, नए मिनिमैक्स लोअर बाउंड्स (minimax lower bounds) स्थापित किए जा सकें जो $n/\delta$ के प्रभावी नमूना आकार (effective sample size) के साथ त्रुटि स्केलिंग (error scaling) को प्रकट करते हैं, और पूर्ण डोज़-रिस्पॉन्स कर्व (dose-response curve) का अनुमान लगाने के लिए एक रिफ्लेक्टेड टिल्ट मेथड (reflected tilt method) विकसित किया जा सके।

मूल लेखक: Kyle Schindl, Shuying Shen, Edward H. Kennedy

प्रकाशित 2026-01-28

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Kyle Schindl, Shuying Shen, Edward H. Kennedy

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 यह समझने की कोशिश कर रहे हैं कि एक विशिष्ट दवा लोगों की कितनी मदद करती है। वास्तविक दुनिया में, सभी लोग बिल्कुल एक समान खुराक नहीं लेते; कुछ बहुत कम मात्रा लेते हैं, कुछ बहुत अधिक, और कुछ बिल्कुल नहीं लेते।

आमतौर पर, सांख्यिकीविद (statisticians) ऐसे सवालों के जवाब देने की कोशिश करते हैं जैसे, "क्या होगा यदि हर कोई ठीक 50mg ले?" इस प्रश्न का उत्तर देने के लिए, उन्हें एक नियम की आवश्यकता होती है जिसे positivity (सकारात्मकता) कहा जाता है। यह नियम कहता है: "हमें यह जानने के लिए कि 50mg पर क्या होता है, हमारे डेटा में कम से कम एक व्यक्ति होना चाहिए जिसने वास्तव में 50mg ली हो।"

समस्या:
वास्तविक दुनिया में, यह नियम अक्सर टूट जाता है। हो सकता है कि आपके डेटा में किसी ने भी ठीक 50mg नहीं ली हो, या डॉक्टरों ने कुछ विशेष विशेषताओं वाले लोगों को कभी 50mg नहीं दी हो। यदि डेटा में "छेद" (गैप जहाँ कोई विशिष्ट खुराक नहीं ली गई) हैं, तो मानक गणित विफल हो जाता है, और आप प्रश्न का उत्तर नहीं दे सकते।

समाधान: "एक्सपोनेंशियल टिल्ट" (Exponential Tilt)
इस शोध पत्र के लेखक एक चतुर समाधान प्रस्तावित करते हैं। यह पूछने के बजाय कि, "क्या होगा यदि हर कोई ठीक 50mg ले?" (जिसके लिए ऐसे डेटा की आवश्यकता है जो शायद मौजूद ही नहीं है), वे एक अलग प्रश्न पूछते हैं:

"क्या होगा यदि हम पूरी आबादी को धीरे से थोड़ा अधिक (या थोड़ा कम) दवा लेने के लिए प्रेरित करें?"

वे इसे एक इन्क्रीमेंटल इफेक्ट (Incremental Effect) कहते हैं।

इसे विज़ुअलाइज़ करने के लिए, कल्पना कीजिए कि लोग दवा की कितनी खुराक लेते हैं, इसका वितरण (distribution) एक पहाड़ी की तरह है।

मानक दृष्टिकोण: एक ऐसी पहाड़ी के विशिष्ट बिंदु को देखने की कोशिश करना जो खाली हो सकता है या कोहरे से ढका हो सकता है।
इस शोध पत्र का दृष्टिकोण: कल्पना कीजिए कि एक जादुई हवा (जिसे $\delta$ नामक एक नॉब द्वारा नियंत्रित किया जाता है) पहाड़ी पर चलती है।
- यदि आप नॉब को दाईं ओर घुमाते हैं ( $\delta > 0$ ), तो हवा लोगों की "पहाड़ी" को उच्च खुराक की ओर धकेल देती है। जो लोग आमतौर पर थोड़ा लेते हैं, उन्हें थोड़ा अधिक लेने के लिए प्रेरित किया जाता है; जो लोग बहुत अधिक लेते हैं, उन्हें और भी अधिक लेने के लिए प्रेरित किया जाता है।
- यदि आप नॉब को बाईं ओर घुमाते हैं ( $\delta < 0$ ), तो हवा सभी को कम खुराक की ओर धकेल देती है।

यह "हवा" एक एक्सपोनेंशियल टिल्ट (exponential tilt) है। यह लोगों को एक विशिष्ट खुराक लेने के लिए मजबूर नहीं करती जो उन्होंने पहले कभी नहीं ली है; यह केवल उनके द्वारा ली जाने वाली एक निश्चित खुराक की संभावना को बदल देती है। क्योंकि यह एक कठोर छलांग के बजाय एक सुचारू बदलाव है, इसलिए यह काम करता है भले ही मूल डेटा में अंतराल (gaps) हों।

बड़ी खोज: "प्रभावी नमूना आकार" (Effective Sample Size)
लेखकों ने इस "हवा" वाले नॉब ( $\delta$ ) के बारे में एक आश्चर्यजनक बात पाई।

छोटा बदलाव (Small Nudge): यदि आप नॉब को थोड़ा सा घुमाते हैं, तो गणित लगभग एक सामान्य अध्ययन की तरह काम करता है। आपको अच्छे परिणाम मिलते हैं।
बड़ा बदलाव (Big Nudge): यदि आप नॉब को बहुत अधिक घुमा देते हैं (एक विशाल $\delta$ ) ताकि व्यवहार में बड़े बदलाव का अनुकरण किया जा सके, तो गणित बहुत कठिन हो जाता है।

उन्होंने साबित किया कि समस्या की कठिनाई इस बात पर निर्भर करती है कि आप नॉब को कितनी जोर से धक्का देते हैं। विशेष रूप से, यदि आप जोर से धक्का देते हैं, तो आपका प्रभावी नमूना आकार (effective sample size) सिकुड़ जाता है।

यदि आपके अध्ययन में 1,000 लोग हैं, और आप नॉब को बहुत अधिक धक्का देते हैं, तो गणितीय रूप से ऐसा है जैसे आपके पास केवल 100 लोग (या उससे भी कम) थे।
शोध पत्र एक नया नियम निकालता है: आप वितरण को जितना अधिक झुकाएंगे (tilt करेंगे), विश्वसनीय उत्तर पाने के लिए आपको उतने ही अधिक डेटा की आवश्यकता होगी। यह एक छोटे, विकृत दर्पण से मौसम की भविष्यवाणी करने जैसा है; दर्पण जितना अधिक विकृत होगा, सत्य देखने के लिए आपको उतने ही अधिक चित्र लेने की आवश्यकता होगी।

"जादुई दर्पण" का कमाल (Dose-Response)
सबसे दिलचस्प हिस्सा यहाँ है। लेखकों ने महसूस किया कि यदि आप नॉब को चरम सीमा तक ( $\delta$ को अनंत तक जाने दें) घुमाते हैं, तो कुछ जादुई होता है।

यदि आप सभी को अधिकतम खुराक की ओर धकेलते हैं, तो लोगों की "पहाड़ी" संभव खुराकों के बिल्कुल किनारे पर एक एकल बिंदु में सिमट जाती है।
ऐसा करने के लिए, उन्होंने प्रत्येक संभावित खुराक स्तर के लिए यह प्रक्रिया अपनाई, जिससे उन्होंने एक नया तरीका बनाया जिससे "डोज़-रिस्पॉन्स कर्व" (Dose-Response Curve) बनाया जा सके।

इस डोज़-रिस्पॉन्स कर्व को एक मानचित्र के रूप में सोचें जो दिखाता है कि प्रत्येक खुराक पर कितना लाभ मिलता है। आमतौर पर, इस मानचित्र को बनाना कठिन होता है क्योंकि आपके डेटा में अंतराल होते हैं। लेकिन इस "अनंत हवा" वाले तरीके का उपयोग करके, वे उन अंतरालों को भर सकते हैं और पूरे कर्व का एक सुचारू मानचित्र बना सकते हैं, यहाँ तक कि उन क्षेत्रों में भी जहाँ मूल डेटा में कोई कभी नहीं गया।

वास्तविक दुनिया का परीक्षण: राजनीतिक विज्ञापन
यह काम करता है, यह साबित करने के लिए, लेखकों ने राजनीतिक विज्ञापनों और चुनावी चंदे (campaign donations) के बारे में एक वास्तविक डेटासेट पर अपनी पद्धति लागू की।

सेटअप: उन्होंने देखा कि विभिन्न क्षेत्रों ने कितने विज्ञापन देखे और कितनी धनराशि दान की गई।
समस्या: कुछ क्षेत्रों ने शून्य विज्ञापन देखे, दूसरों ने कई विज्ञापन देखे। डेटा में ऐसे "छेद" थे जहाँ कुछ विज्ञापन संख्याएँ मौजूद नहीं थीं।
परिणाम: अपने "हवा" वाले तरीके का उपयोग करते हुए, उन्होंने पाया कि विज्ञापनों की संख्या में थोड़ी वृद्धि से दान में थोड़ी वृद्धि हुई। हालाँकि, उन्होंने यह भी पाया कि यदि विज्ञापनों को कम किया जाता, तो दान काफी गिर जाता। इससे यह संकेत मिला कि 2008 का अभियान पहले से ही अपने विज्ञापन खर्च को अनुकूलित (optimize) करने में काफी अच्छा काम कर रहा था।

सारांश में
यह शोध पत्र एक नया सांख्यिकीय उपकरण पेश करता है जो शोधकर्ताओं को निरंतर उपचारों (जैसे खुराक या विज्ञापन आवृत्ति) का अध्ययन करने की अनुमति देता है, भले ही उनका डेटा अव्यवस्थित या अधूरा हो।

उपकरण: एक विशिष्ट खुराक को थोपने के बजाय, यह पूरी आबादी के व्यवहार को धीरे से "झुकाता" (tilt) है।
सावधानी: आप जितना अधिक झुकाएंगे, अपने उत्तर के प्रति आश्वस्त होने के लिए आपको उतने ही अधिक डेटा की आवश्यकता होगी।
बोनस: डेटा को चरम तक झुकाकर, आप एक पूर्ण मानचित्र बना सकते हैं कि विभिन्न खुराक परिणामों को कैसे प्रभावित करती हैं, उन रिक्त स्थानों को भरते हुए जिन्हें पारंपरिक विधियाँ खाली छोड़ देती हैं।

तकनीकी सारांश: निरंतर एक्सपोजर के लिए वृद्धिशील प्रभाव (Incremental Effects)

समस्या विवरण (Problem Statement)
निरंतर उपचारों (जैसे खुराक, अवधि, आवृत्ति) के साथ कारण अनुमान (Causal inference) आमतौर पर डोज़-रिस्पॉन्स कर्व्स (dose-response curves) के अनुमान पर निर्भर करता है। इन कर्व्स की मानक पहचान के लिए पॉजिटिविटी धारणा (positivity assumption) की आवश्यकता होती है: कि प्रत्येक व्यक्ति के पास किसी भी स्तर का उपचार प्राप्त करने की गैर-शून्य संभावना हो। व्यवहार में, यह धारणा अक्सर विफल हो जाती है, विशेष रूप से जब उपचार वितरण में अंतराल (holes) या सीमित सपोर्ट (bounded supports) होते हैं (जैसे, कुछ खुराक स्तर कभी दिए ही नहीं जाते)। मौजूदा स्टोकेस्टिक इंटरवेंशन विधियाँ, जैसे कि शिफ्ट इंटरवेंशन (shift interventions), इस समस्या को हल करने में विफल रहती हैं यदि सपोर्ट सीमित है या उसमें अंतराल हैं, क्योंकि उपचार को शिफ्ट करने से वह प्रेक्षित सपोर्ट (observed support) से बाहर जा सकता है।

कार्यप्रणाली (Methodology)
लेखक एक्सपोनेंशियल टिल्टिंग (exponential tilting) पर आधारित वृद्धिशील प्रभावों (incremental effects) के लिए एक ढांचा प्रस्तावित करते हैं। उपचार स्तरों को नियत रूप से निर्धारित करने या उन्हें एक निश्चित मात्रा से शिफ्ट करने के बजाय, यह विधि उपचार घनत्व $\pi(a|x)$ को एक पैरामीटर $\delta$ द्वारा पुनर्वैयक्तिकृत (reweight) करती है। टिल्ट किया गया घनत्व इस प्रकार परिभाषित है:
$q_\delta(a | x) = \frac{\exp(\delta a)\pi(a | x)}{\int \exp(\delta t)\pi(t | x) dt}$
यहाँ, $\delta$ लॉग-लाइक्लीहुड रेशियो (log-likelihood ratio) के परिवर्तन की दर के रूप में कार्य करता है। सकारात्मक $\delta$ उच्च उपचार स्तरों की संभावना को बढ़ाता है, जबकि नकारात्मक $\delta$ इसे कम करता है। महत्वपूर्ण रूप से, लेखक $\delta$ को एक निश्चित स्थिरांक के रूप में नहीं, बल्कि एक पैरामीटर के रूप में देखते हैं जो अनबाउंडेड (unbounded) हो सकता है (अर्थात $\pm \infty$ की ओर जा सकता है)।

मुख्य योगदान और परिणाम (Key Contributions and Results)

बिना पॉजिटिविटी के पहचान (Identification without Positivity):
लेखक स्थापित करते हैं कि वृद्धिशील प्रभाव कंसिस्टेंसी (consistency) और एक्सचेंजैबिलिटी (exchangeability) की मानक धारणाओं के तहत पहचाने जा सकते हैं, बिना पॉजिटिविटी धारणा की आवश्यकता के। चूंकि टिल्ट किया गया वितरण $q_\delta$ , मूल घनत्व $\pi$ के समान शून्य होगा जहाँ $\pi$ शून्य है, यह विधि उन "अंतरालों" (holes) से बचती है जो अन्य स्टोकेस्टिक इंटरवेंशन में समस्या उत्पन्न करते हैं।
दक्षता सीमाएँ और मिनिमैक्स लोअर बाउंड्स (Efficiency Bounds and Minimax Lower Bounds):
लेखक इन वृद्धिशील प्रभावों के लिए एफिशिएंट इन्फ्लुएंस फंक्शन (efficient influence function) और नॉनपैरामेट्रिक दक्षता सीमा (nonparametric efficiency bound) को व्युत्पन्न करते हैं। एक केंद्रीय निष्कर्ष यह है कि एफिशिएंट इन्फ्लुएंस फंक्शन का वेरिएंस $\delta$ के साथ स्केल करता है।

थ्योरम 2 त्रुटि अनुमान के लिए एक नया मिनिमैक्स लोअर बाउंड (minimax lower bound) स्थापित करता है। लेखक सिद्ध करते हैं कि सर्वोत्तम संभव रूट मीन स्क्वेर्ड एरर (RMSE) $n$ के बजाय प्रभावी नमूना आकार (effective sample size) $n/\delta$ के साथ स्केल करता है।
इसका तात्पर्य यह है कि जैसे-जैसे टिल्ट पैरामीटर $\delta$ बढ़ता है, अनुमान लगाना काफी कठिन हो जाता है, और अभिसरण दर (convergence rate) धीमी हो जाती है। इस निर्भरता को अक्सर मानक विश्लेषणों में अनदेखा कर दिया जाता है जो $\delta$ को एक निश्चित, bounded constant मानते हैं।

नवीन अभिसरण दरें और बायस विश्लेषण (Novel Convergence Rates and Bias Analysis):
लेखक एक स्टेप डबल मशीन लर्निंग (DML) एस्टीमेटर का विश्लेषण करते हैं।

वे प्रदर्शित करते हैं कि मानक त्रुटि सीमाएं (Cauchy-Schwarz और $L_2$ नॉर्म्स का उपयोग करके) $\delta$ पर उप-इष्टतम (suboptimal) निर्भरता की ओर ले जाती हैं और अक्सर मजबूत पॉजिटिविटी की आवश्यकता होती हैं।
थ्योरम 3 मिक्स्ड $L_2(P)$ -सुप नॉर्म्स ( $||f||_{L^2_x, L^\infty_a}$ ) का उपयोग करके एक नया विश्लेषण पेश करता है। यह एक दोहरी सुदृढ़ (doubly robust) त्रुटि सीमा प्रदान करता है जो $\delta$ के सुपरलीनियर दंड (superlinear penalty) से ग्रस्त नहीं होता है, बशर्ते कि एक "कमजोर पॉजिटिविटी" (weak positivity) धारणा बनी रहे (सपोर्ट के किनारों के पास पॉजिटिविटी)।
थ्योरम 4 स्थापित करता है कि एस्टीमेटर एसिम्प्टोटिक रूप से नॉर्मल है और इसकी अभिसरण दर $\sqrt{n/\delta}$ है, जो प्रभावी नमूना आकार में कमी की पुष्टि करती है।

रिफलेक्टेड टिल्ट्स के माध्यम से डोज़-रिस्पॉन्स अनुमान (Dose-Response Estimation via Reflected Tilts):
लेखक $\delta \to \infty$ की सीमा का अन्वेषण करते हैं।

जैसे-जैसे $\delta \to \infty$ , टिल्ट किया गया वितरण उपचार सपोर्ट के किनारे पर एक पॉइंट मास (point mass) की ओर अभिसरित होता है (जैसे, $A=1$ )।
लेखक किसी भी आंतरिक बिंदु $a'$ के चारों ओर एक "रिफलेक्टेड" एक्सपोनेंशियल टिल्ट (reflected exponential tilt) को परिभाषित करते हैं। $a < a'$ के लिए सकारात्मक टिल्ट और $a > a'$ के लिए नकारात्मक टिल्ट लागू करके, और $\delta \to \infty$ लेते हुए, वे डोज़-रिस्पॉन्स कर्व $E[Y^{a'}]$ के लिए एक नया एस्टीमेटर व्युत्पन्न करते हैं।
थ्योरम 6 दिखाता है कि यह एस्टीमेटर लिप्सचिट्ज (Lipschitz) रिग्रेशन फंक्शन के लिए $O_P(n^{-1/3})$ की अभिसरण दर प्राप्त करता है, जो कि मिनिमैक्स ऑप्टिमल दर है।
कोरोलरी 1 प्रदर्शित करता है कि यह एस्टीमेटर मानक कर्नेल-आधारित डोज़-रिस्पॉन्स एस्टीमेटर्स (जैसे DR-learner) की दक्षता से मेल खाता है, लेकिन इसके लिए ग्लोबल पॉजिटिविटी के बजाय केवल लक्ष्य बिंदु $a'$ के पड़ोस में कमजोर पॉजिटिविटी की आवश्यकता होती है।

अनुभवजन्य अनुप्रयोग (Empirical Application):
इस पद्धति को अर्बन और नीब्लर (2014) के डेटा का उपयोग करके राजनीतिक विज्ञापनों के चुनावी योगदान पर प्रभाव का अनुमान लगाने के लिए लागू किया गया है। उपचार चर (विज्ञापनों की संख्या) का घनत्व अंतराल वाला है, जो मानक पॉजिटिविटी का उल्लंघन करता है। लेखक वृद्धिशील प्रभाव और डोज़-रिस्पॉन्स कर्व का अनुमान लगाते हैं, जिसमें पाते हैं कि विज्ञापन वॉल्यूम बढ़ाने से योगदान पर थोड़ा सकारात्मक प्रभाव पड़ता है, जबकि इसे कम करने से भारी नुकसान होता है। रिफ्लेक्टेड वृद्धिशील प्रभाव एस्टीमेटर ने मानक कर्नेल विधियों की तुलना में कम-घनत्व वाले क्षेत्रों में बेहतर स्थिरता दिखाई।

महत्व और दावे (Significance and Claims)
यह शोध पत्र दावा करता है कि यह निरंतर उपचारों के तहत बिना प्रतिबंधात्मक पॉजिटिविटी धारणा के कारण प्रभावों का अनुमान लगाने के लिए एक कठोर सैद्धांतिक आधार प्रदान करता है। इसका प्राथमिक महत्व निम्नलिखित में निहित है:

टिल्टिंग की लागत को प्रकट करना: यह स्पष्ट रूप से लक्षणित करना कि अनुमान की कठिनाई टिल्ट पैरामीटर $\delta$ के साथ कैसे स्केल करती है, जिससे पता चलता है कि बड़े टिल्ट प्रभावी रूप से नमूना आकार को कम कर देते हैं।
नए सैद्धांतिक सीमाएँ: $\delta$ पर निर्भर करने वाले मिनिमैक्स लोअर बाउंड्स और अभिसरण दरों को व्युत्पन्न करना, जो उन पिछले विश्लेषणों को सुधारता है जिन्होंने $\delta$ को एक निश्चित, bounded constant माना था।
डोज़-रिस्पॉन्स के लिए एक नया एस्टीमेटर: डोज़-रिस्पॉन्स कर्व के लिए एक नया, नॉन-पैरामेट्रिक एस्टीमेटर प्रदान करना जो कमजोर पॉजिटिविटी पर निर्भर करता है और लिप्सचिट्ज फंक्शनों के लिए इष्टतम दर प्राप्त करता है।

लेखक अपने कार्य को मौजूदा स्टोकेस्टिक इंटरवेंशन साहित्य (जैसे, डायज़ और वैन डेर लां, 2012; केनेडी, 2019) के पूरक के रूप में प्रस्तुत करते हैं, विशेष रूप से निरंतर एक्सपोजर के लिए वृद्धिशील प्रभावों की अवधारणा का विस्तार करते हैं और अनबाउंडेड टिल्ट पैरामीटर के एसिम्प्टोटिक व्यवहार का विश्लेषण करते हैं।

तकनीकी सारांश: निरंतर एक्सपोजर के लिए वृद्धिशील प्रभाव (Incremental Effects)

इसी तरह के और पेपर