तकनीकी सारांश: संवर्धित महामारी मॉडल (Augmented Epidemic Models) का उपयोग करके कारण संबंधी अनुमान (Causal Inference)

समस्या विवरण

यह शोध पत्र एक एकल प्रेक्षित समय श्रृंखला (single observed time series) का उपयोग करके समय-परिवर्तनीय हस्तक्षेपों ($A_t$) के महामारी परिणामों ($Y_t$) पर कारण प्रभावों (causal effects) का अनुमान लगाने की चुनौती को संबोधित करता है। जबकि महामारी मॉडलों को अक्सर परिदृश्यों की भविष्यवाणी करने या प्रभावों का अनुमान लगाने के लिए हस्तक्षेप चरों को शामिल करने हेतु संशोधित किया जाता है, साहित्य अक्सर इन "संवर्धित" मॉडलों की दो अलग-अलग व्याख्याओं को मिला देता है:

1. डेटा जेनरेटिंग मॉडल (DGMs): वे मॉडल जो प्रेक्षित यादृच्छिक चरों (random variables) के सशर्त घनत्व (conditional density) का वर्णन करते हैं।
2. मार्जनल स्ट्रक्चरल मॉडल (MSMs): कारण संबंधी मॉडल जो प्रतितथ्यात्मक (counterfactual) यादृच्छिक चरों $Y_t(a_1, \dots, a_t)$ के वितरण का वर्णन करते हैं।

केंद्रीय समस्या यह है कि एक संवर्धित महामारी मॉडल को पैरामीटर अनुमान के लिए मैक्सिमम लाइकलीहुड एस्टीमेशन (MLE) या बेयसियन विधियों के माध्यम से एक DGM के रूप में मानना, और फिर उन्हीं पैरामीटर्स का उपयोग उन्हीं (एक MSM के रूप में) काศึก अनुमान लगाने के लिए करना, असंगत अनुमानकों (inconsistent estimators) की ओर ले जाता है। यह विसंगति g-नल विरोधाभास (g-null paradox) के रूप में प्रकट होती है: भले ही वास्तविक कारण प्रभाव ($\beta_A = 0$) शून्य हो, अनुमानित कारण प्रभाव गैर-शून्य होता है। यह पूर्वाग्रह फैंटम वेरिएबल्स (phantom variables) के कारण होता है—वे अनपेक्षित चर जो परिणाम को प्रभावित करते हैं लेकिन हस्तक्षेप को नहीं, जो गैर-रैखिक पैरामीट्रिक मॉडलों में उपचार और परिणाम के बीच सशर्त निर्भरता उत्पन्न करते हैं, जिससे लाइकलीहुड-आधारित अनुमान कारणता और सहसंबंध के बीच अंतर करने में विफल रहते हैं।

कार्यप्रणाली

लेखक संवर्धित महामारी मॉडलों को संभालने के चार अलग-अलग दृष्टिकोणों का विश्लेषण और प्रस्ताव करते हैं, जो इस बात में अंतर करते हैं कि वे मॉडल को DGM के रूप में देखते हैं या MSM के रूप में।

विधि 1: मैक्सिमम लाइकलीहुड/बेयसियन अनुमान (दोषपूर्ण दृष्टिकोण)

• प्रक्रिया: संवर्धित मॉडल को एक DGM के रूप में माना जाता है। पैरामीटर का अनुमान MLE या बेयसियन अनुमान के माध्यम से लगाया जाता है। फिट किए गए मॉडल का उपयोग कारण प्रभावों (जैसे, g-फॉर्मूला के माध्यम से) या परिदृश्य भविष्यवाणियों की गणना के लिए किया जाता है।
• समस्या: यह दृष्टिकोण g-नल विरोधाभास से ग्रस्त है। फैंटम वेरिएबल्स की उपस्थिति में, लाइकलीहुड फंक्शन कारण प्रभावों और निर्भरता मापदंडों के बीच अंतर नहीं कर पाता है। इसके परिणामस्वरूप, कारण पैरामीटर के अनुमान असंगत होते हैं, जिससे वास्तविक प्रभाव शून्य होने पर भी गैर-शून्य प्रभाव प्राप्त होता है।

विधि 2: अनुमानित समीकरणों (Estimating Equations) के माध्यम से कारण प्रभाव निष्कर्षण

• प्रक्रिया:
  1. संवर्धित मॉडल को एक DGM के रूप में मानें और इसमें कंफाउंडर्स ($X_t$) को शामिल करें।
  2. g-फॉर्मूला (समीकरण 9) का उपयोग करके DGM से कारण प्रभाव $\psi(a_t)$ निकालें।
  3. लाइकलीहुड के बजाय अनुमानित समीकरणों (समीकरण 14) का उपयोग करके परिणामी कारण मॉडल के मापदंडों का अनुमान लगाएं।
• तंत्र: यह विधि कंफाउंडिंग को समायोजित करने के लिए प्रोपेंसिटी स्कोर (जो DGM से प्राप्त होता है) का उपयोग करके अनुमानित समीकरणों को भारित (weight) करती है।
• सीमा: इसके लिए अवलोकनीय चरों के पूर्ण संयुक्त वितरण (full joint distribution) को निर्दिष्ट करना आवश्यक है, जो गणनात्मक रूप से कठिन और अक्सर अव्यवहार्य होता है। परिणामी कारण मॉडल की व्याख्यात्मकता कम हो सकती है।

विधि 3: MSM के रूप में संवर्धित मॉडल (अनुशंसित)

• प्रक्रिया:
  1. संवर्धित महामारी मॉडल को सीधे प्रतितथ्यात्मक $Y_t(a_t)$ के लिए एक MSM के रूप में व्याख्यायित करें।
  2. प्रोपेंसिटी स्कोर (अतीत के इतिहास के आधार पर हस्तक्षेप की संभावना) के लिए एक अलग मॉडल निर्दिष्ट करें।
  3. अनुमानित समीकरणों (समीकरण 14) का उपयोग करके मापदंडों का अनुमान लगाएं।
• तंत्र: महामारी मॉडल को प्रतितथ्यात्मकों के लिए एक कारण मॉडल के रूप में मानकर, लेखक उस भिन्नता निर्भरता (variation dependence) से बचते हैं जो लाइकलीहुड-आधारित विधियों को बाधित करती है। यदि क्लोज्ड फॉर्म उपलब्ध नहीं है, तो कारण प्रभाव $\psi(a_t; \theta)$ को अक्सर मोंटे कार्लो सिमुलेशन (समीकरण 15) के माध्यम से अनुमानित किया जाता है।
• लाभ: यह सबसे सरल दृष्टिकोण है, मानक कारण अनुमान अभ्यास के अनुरूप है, और प्रोपेंसिटी स्कोर के माध्यम से कंफाउंडर्स को आसानी से संभालता है। यह g-नल विरोधाभास से बचता है।

विधि 4: कारण-संरक्षण डेटा जेनरेटिंग मॉडल (Causal-Preserving Data Generating Models)

• प्रक्रिया:
  1. संवर्धित मॉडल को एक MSM के रूप में उपयोग करें।
  2. कोपुला (copulas) का उपयोग करके एक पूर्ण DGM का निर्माण करें जो निर्दिष्ट MSM के साथ सुसंगत (consistent) हो (विशेष रूप से इवांस और डिडेलेज़, 2024 द्वारा वर्णित "फ्रूगल पैरामीट्राइजेशन")।
  3. सभी मापदंडों का MLE के माध्यम से अनुमान लगाएं।
• तंत्र: कारण निर्धारण (MSM के माध्यम से) और निर्भरता (कोपुला के माध्यम से) के पैरामीट्राइजेशन को स्पष्ट रूप से अलग करके, मॉडल भिन्नता-स्वतंत्र (variation independent) बन जाता है, जिससे g-नल विरोधाभास से बचा जा सकता है।
• सीमा: यह तकनीकी रूप से सबसे चुनौतीपूर्ण दृष्टिकोण है, जिसके लिए जटिल संयुक्त वितरणों और कोपुला की मॉडलिंग की आवश्यकता होती है, विशेष रूप से एकल समय श्रृंखला के लिए।

मुख्य योगदान और परिणाम

सैद्धांतिक योगदान

• फैंटम बायस (Phantom Bias) की पहचान: शोध पत्र कठोरता से प्रदर्शित करता है कि फैंटम वेरिएबल्स (अनपेक्षित कारक जो परिणामों को प्रभावित करते हैं लेकिन हस्तक्षेपों को नहीं) गैर-रैखिक महामारी मॉडलों में लाइकलीहुड-आधारित अनुमानों को असंगत बनाते हैं, भले ही अपरिवर्तित कंफाउंडिंग न हो।
• व्याख्याओं का अंतर: यह स्पष्ट करता है कि DGM और MSM सामान्य रूप से समय-श्रृंखला सेटिंग्स में विनिमेय (interchangeable) नहीं हैं और उन्हें मिलाने से g-नल विरोधाभास उत्पन्न होता है।
• कार्यप्रणाली ढांचा: लेखक चार विधियों का एक संरचित तुलना प्रदान करते हैं, यह रेखांकित करते हुए कि विधियाँ 2, 3 और 4 कारण अनुमान के लिए वैध हैं, जबकि विधि 1 नहीं है।

अनुभवजन्य परिणाम

लेखक अपने सैद्धांतिक दावों को सिम्युलेटेड डेटा और एक अवलोकन संबंधी अध्ययन के माध्यम से मान्य करते हैं:

1. अर्ध-यांत्रिक मॉडल सिमुलेशन (Semi-Mechanistic Model Simulation):
   • विधि 1 (MLE): महत्वपूर्ण फैंटम बायस दिखाया। जब वास्तविक कारण प्रभाव $\beta_A = 0$ था, तब MLE ने एक गैर-शून्य प्रभाव का अनुमान लगाया।
   • विधि 3 (अनुमानित समीकरण): निष्पक्ष अनुमान प्रस्तुत किए, और जब वास्तविक प्रभाव शून्य था, तो $\beta_A = 0$ को सही ढंग से प्राप्त किया।
2. SEIR मॉडल सिमुलेशन:
   • निष्कर्षों को दोहराया गया: MLE अनुमान फैंटम वेरिएबल्स के कारण पक्षपाती थे, जबकि अनुमानित समीकरण वाले अनुमान (विधि 3) सुसंगत थे।
3. अवलोकन संबंधी अध्ययन (US COVID-19 डेटा):
   • 30 अमेरिकी राज्यों में मृत्यु दर पर मोबिलिटी (पूर्णकालिक कार्य के अनुपात) के प्रभाव का विश्लेषण किया।
   • तुलना: विधि 3 के अनुमान 30 में से 24 राज्यों में विधि 1 (MLE) के अनुमानों की तुलना में काफी कम थे ($p < 0.001$)।
   • व्याख्या: लेखक सुझाव देते हैं कि उच्च MLE अनुमान संभवतः फैंटम बायस के कारण मोबिलिटी के कारण होने वाले प्रभाव को बढ़ा-चढ़ाकर दिखा रहे थे, जबकि अनुमानित समीकरण दृष्टिकोण अधिक रूढ़िवादी और सटीक अनुमान प्रदान करता है।

महत्व और दावे

शोध पत्र का दावा है कि महामारी मॉडलिंग में मानक प्रथाएं—विशेष रूप से लाइकलीहुड के माध्यम से संवर्धित मॉडलों को फिट करना और उन्हें कारण के रूप में व्याख्यायित करना—मौलिक रूप से त्रुटिपूर्ण हैं क्योंकि वे g-नल विरोधाभास के कारण उत्पन्न होती हैं। लेखक तर्क देते हैं कि:

1. इन संदर्भों में कारण अनुमान के लिए MLE और बेयसियन अनुमानों का उपयोग नहीं किया जाना चाहिए क्योंकि वे असंगत अनुमानक प्रदान करते हैं।
2. विधि 3 सबसे व्यावहारिक और स्वाभाविक समाधान है। इसके लिए विधि 4 की तुलना में कम मॉडलिंग धारणाओं की आवश्यकता होती है और यह विधि 2 की जटिलता से बचते हुए फैंटम बायस को सफलतापूर्वक समाप्त करती है।
3. मॉडल मिसस्पेसिफिकेशन बनाम फैंटम बायस: जबकि सभी विधियाँ संभावित मॉडल मिसस्पेसिफिकेशन से ग्रस्त हो सकती हैं, केवल विधियाँ 2, 3 और 4 ही गैर-रैखिक मॉडलों में फैंटम वेरिएबल्स द्वारा उत्पन्न विशिष्ट संरचनात्मक पूर्वाग्रह को समाप्त करती हैं।

लेखक निष्कर्ष निकालते हैं कि हालांकि विधि 4 एक सिद्धांतवादी, पूर्णतः निर्दिष्ट विकल्प प्रदान करती है जो प्रोपेंसिटी स्कोर से विभाजित होने से बचती है, फिर भी विधि 3 अपनी सरलता और व्याख्यात्मकता के लिए अनुशंसित दृष्टिकोण बनी हुई है। वे महामारी अनुसंधान में डेटा जेनरेटिंग मॉडल और कारण मॉडल के बीच अंतर करने की महत्वपूर्ण आवश्यकता पर जोर देते हैं।