Bounding causal effects with an unknown mixture of informative and non-informative missingness

यहाँ शोध पत्र "Bounding causal effects with an unknown mixture of informative and non-informative missingness" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

प्रायोगिक और अवलोकन संबंधी (observational) दोनों अध्ययनों में, परिणाम डेटा (outcome data) अक्सर गायब (missing) होता है। मानक कारण अनुमान (causal inference) विधियाँ आमतौर पर मिसिंग एट रैंडम (MAR) धारणा पर निर्भर करती हैं, जो यह मानती है कि डेटा का गायब होना केवल देखे गए सहचरों (covariates) पर निर्भर करता है। हालाँकि, व्यवहार में, डेटा अक्सर मिसिंग नॉट एट रैंडम (MNAR) (या सूचनात्मक/informative) होता है, जहाँ डेटा के गायब होने की संभावना स्वयं अनपेक्षित परिणाम (unobserved outcome) पर निर्भर करती है (जैसे, गंभीर दुष्प्रभावों या मृत्यु के कारण मरीजों का अध्ययन छोड़ देना)।

यह शोध पत्र जिस विशिष्ट चुनौती को संबोधित करता है, वह एक ऐसी स्थिति है जहाँ शोधकर्ता दो प्रकार के मिसिंगनेस तंत्रों के बीच अंतर नहीं कर सकता:

1. गैर-सूचनात्मक (प्रशासनिक) मिसिंगनेस ($UNI$): परिणाम से स्वतंत्र मिसिंगनेस (जैसे, कहीं और बस जाना, अध्ययन का समाप्त होना)।
2. सूचनात्मक मिसिंगनेस ($UI$): परिणाम पर निर्भर मिसिंगनेस (जैसे, मृत्यु, गंभीर प्रतिकूल घटनाएँ)।

महत्वपूर्ण बात यह है कि शोधकर्ता एक मिश्रित मिसिंगनेस संकेतक $C$ देखता है, लेकिन उसे यह नहीं पता होता कि किसी विशेष इकाई (unit) के लिए कौन सा विशिष्ट तंत्र मिसिंगनेस का कारण बना है। यह "अज्ञात मिश्रण" (unknown mixture) औसत उपचार प्रभाव (ATE) के मानक बिंदु पहचान (point identification) को रोकता है क्योंकि सूचनात्मक रूप से गायब समूह के लिए अनपेक्षित परिणाम सैद्धांतिक रूप से कुछ भी हो सकते हैं।

2. कार्यप्रणाली (Methodology)

2.1 ढांचा और धारणाएं (Framework and Assumptions)

लेखक एक ऐसा ढांचा प्रस्तावित करते हैं जहाँ मिसिंगनेस संकेतक $C$, $UNI$और$UI$ का एक मिश्रण है।

• लक्ष्य अनुमानित (Target Estimand): औसत उपचार प्रभाव (ATE), $\Psi_0 = E[Y(1) - Y(0)]$।
• मुख्य धारणाएं:
  • अज्ञानता (Ignorability): उपचार का आवंटन, सहचरों $X$ के दिए जाने पर, संभावित परिणामों और मिसिंगनेस संकेतकों से स्वतंत्र है।
  • निरंतरता (Consistency): देखा गया डेटा आवंटित उपचार के तहत संभावित परिणामों के बराबर है।
  • सकारात्मकता (Positivity): उपचार और गैर-मिसिंग होने की गैर-शून्य संभावना।
  • गैर-सूचनात्मक घटक: $Y \perp\!\!\perp UNI \mid X, A, UI=0$।
    ही **$UI$पर कोई प्रतिबंध नहीं:** सूचनात्मक घटक$Y$ पर मनमाने ढंग से निर्भर हो सकता है।

2.2 बाउंडिंग रणनीति (Bounding Strategy)

चूँकि ATE बिंदु-पहचान योग्य (point-identifiable) नहीं है, इसलिए लेखक विभिन्न स्तरों के अनुमानों के तहत शार्प बाउंड्स (ऊपरी और निचली सीमाएँ) प्राप्त करते हैं:

1. सामान्य बाउंड्स (बिना किसी अतिरिक्त धारणा के):
   केवल देखे गए डेटा और परिणामों के सीमित (bounded) होने के तथ्य का उपयोग करके, वे ATE के लिए सबसे व्यापक बाउंड्स प्राप्त करते हैं। ये बाउंड्स अक्सर व्यावहारिक रूप से उपयोगी नहीं होते, लेकिन एक आधार (baseline) के रूप में कार्य करते हैं।

2. संवेदनशीलता मापदंडों (Sensitivity Parameters) के माध्यम से संकीर्ण बाउंड्स:
   बाउंड्स को और अधिक सटीक बनाने के लिए, लेखक संवेदनशीलता पैरामीटर पेश करते हैं जिन्हें शोधकर्ता डोमेन ज्ञान या डेटा के आधार पर निर्दिष्ट कर सकते हैं:

   • सूचनात्मक मिसिंगनेस का अनुपात ($\delta$): सूचनात्मक मिस-डेटा का अंश ($\pi^*_a / \pi_a$)। धारणाएँ इस अनुपात को सटीक रूप से जानने से लेकर इसे एक अंतराल (interval) के भीतर रखने तक भिन्न होती हैं।
   • परिणाम जोखिम अनुपात ($\tau$): सूचनात्मक मिसिंग समूह बनाम देखे गए समूह में अपेक्षित परिणाम का अनुपात ($\mu^*_a / \mu_a$)। यह दर्शाता है कि मिसिंग परिणाम कितने "बुरे" (या बेहतर) हो सकते हैं।
   • एकतार्किकता (Monotonicity): यह धारणा कि सूचनात्मक मिसिंगनेस उच्च (या निम्न) जोखिमों से जुड़ी है (जैसे, अधिक बीमार मरीज बाहर होने की अधिक संभावना रखते हैं)।

3. प्रतिस्पर्धी घटनाओं के लिए वैकल्पिक अनुमानित (Alternative Estimands):
   जब सूचनात्मक मिसिंगनेस एक प्रतिस्पर्धी घटना (जैसे, मधुमेह के मापन को रोकने वाली मृत्यु) का प्रतिनिधित्व करती है, तो मानक ATE स्पष्ट नहीं होता है। लेखक इनके लिए बाउंड्स प्रस्तावित करते हैं:

   • कंपोजिट ATE ($\Psi_1$): एक कंपोजिट परिणाम (मृत्यु OR रोग) पर प्रभाव।
   • सेपरेबल डायरेक्ट इफेक्ट ($\Psi_2$): मृत्यु पथ को स्थिर रखते हुए, रोग पथ पर उपचार का प्रभाव (Stensrud et al. के सेपरेबल प्रभावों के ढांचे पर आधारित)।

2.3 अनुमान और निष्कर्ष (Estimation and Inference)

लेखक डबली-रोबस्ट, इन्फ्लुएंस-फंक्शन-आधारित अनुमानक (doubly-robust, influence-function-based estimators) विकसित करते हैं।

• मशीन लर्निंग एकीकरण: ये अनुमानक न्युसेंस पैरामीटर्स (प्रोपेनसिटी स्कोर, मिसिंगनेस संभाव्यता, आउटकम मॉडल) के अनुमान के लिए लचीले नॉन-पैरामीट्रिक और मशीन लर्निंग तरीकों (जैसे, Random Forests, SuperLearner) के उपयोग की अनुमति देते हैं।
• अभिसरण दरें (Convergence Rates): सौम्य स्थितियों के तहत (विशेष रूप से, यदि न्युसेंस अनुमानक $n^{-1/4}$ से तेज़ अभिसरण करते हैं), प्रस्तावित अनुमानक रूट-$n$ निरंतरता (root-$n$ consistency) और एसिम्प्टोटिक नॉर्मलिटी (asymptotic normality) प्राप्त करते हैं।
• समान निष्कर्ष (Uniform Inference): शोध पत्र संवेदनशीलता मापदंडों के ग्रिड पर एक साथ कॉन्फिडेंस बैंड बनाने की विधियाँ प्रदान करता है, जिससे "टिपिंग पॉइंट" विश्लेषण (उन पैरामीटर मानों की पहचान करना जहाँ कारण प्रभाव अपना चिह्न बदल देता है) संभव होता है।

3. मुख्य योगदान (Key Contributions)

1. नया मिश्रण ढांचा (Novel Mixture Framework): यह शोध पत्र एक ऐसी स्थिति को औपचारिक रूप देता है जहाँ शोधकर्ता जानता है कि मिसिंगनेस सूचनात्मक और गैर-सूचनात्मक प्रकारों का एक मिश्रण है, लेकिन वह प्रत्येक इकाई के लिए विशिष्ट प्रकार को देख नहीं सकता। यह इस धारणा से अधिक यथार्थवादी है कि सभी मिसिंगनेस या तो पूरी तरह से सूचनात्मक है या पूरी तरह से गैर-सूचनात्मक।
2. संवेदनशीलता विश्लेषण के साथ शार्प बाउंड्स: यह संवेदनशीलता मापदंडों ($\delta$ और $\tau$) द्वारा पैरामीटराइज्ड ATE, कंपोजिट ATE और सेपरेबल डायरेक्ट इफेक्ट के लिए व्यापक शार्प बाउंड्स प्रदान करता है।
3. लचीला अनुमान: इन्फ्लुएंस-फंक्शन-आधारित अनुमानकों का विकास आधुनिक मशीन लर्निंग तकनीकों के उपयोग को सक्षम बनाता है, जबकि वैध सांख्यिकीय निष्कर्ष (एसिम्प्टोटिक नॉर्मलिटी और रूट-$n$ अभिसरण) बनाए रखता है।
4. व्यावहारिक उपकरण: लेखक एक R पैकेज (marbounds) प्रदान करते हैं और सिमुलेशन तथा वास्तविक दुनिया के अनुप्रयोग के माध्यम से अपनी कार्यप्रणाली का प्रदर्शन करते हैं।

4. परिणाम (Results)

4.1 सिमुलेशन अध्ययन (Simulation Studies)

• लेखकों ने $N=2,000,000$ (जनसंख्या) और $n=1,000$ (नमूना) के साथ सिमुलेशन किए।
• प्रदर्शन: जब न्युसेंस पैरामीटर्स को पर्याप्त अभिसरण दरों ($\alpha=0.3$) के साथ अनुमानित किया गया, तो अनुमानक निष्पक्ष (unbiased) थे, और 95% कॉन्फिडेंस इंटरवल ने नाममात्र कवरेज प्राप्त किया।
• मजबूती (Robustness): जब अभिसरण दरें बहुत धीमी ($\alpha=0.1$) थीं, तो बायस (bias) बढ़ गया और कवरेज गिर गया, जो तेज़-अभिसरण वाले न्युसेंस अनुमानकों की सैद्धांतिक आवश्यकता की पुष्टि करता है।
• मशीन लर्निंग: SuperLearner (GLM और Random Forest का स्टैकिंग) का उपयोग करने पर आदर्श सिमुलेशन सेटिंग्स के समान परिणाम मिले, जो व्यावहारिक उपयोगिता को प्रदर्शित करते हैं।

4.2 वास्तविक दुनिया का अनुप्रयोग (Real-World Application)

• अध्ययन: बुजुर्ग मेडिकेयर एडवांटेज रोगियों में टाइप 2 मधुमेह जोखिम और मनोचिकित्सकीय अस्पताल में भर्ती पर पाँच एंटीसाइकोटिक दवाओं का कारण प्रभाव ($N=11,618$)।
• नाइव विश्लेषण (Naive Analysis): यह मानते हुए कि सभी मिसिंगनेस गैर-सूचनात्मक थी, हेलोपरिडोल (Haloperidol) और क्वेटियापिन (Quetiapine) मधुमेह के जोखिम और अस्पताल में भर्ती होने को काफी कम करते हुए दिखाई दिए।
• बाउंडिंग विश्लेषण:
  • सामान्य बाउंड्स अत्यंत विस्तृत थे, जिससे किसी भी दिशा में प्रभाव को खारिज करना असंभव था।
  • संवेदनशीलता विश्लेषण: इस धारणा के तहत कि मिसिंगनेस एकतारी (monotonic) है (अधिक बीमार मरीज बाहर हो जाते हैं), बाउंड्स संकीर्ण हो गए।
  • टिपिंग पॉइंट्स: हेलोपरिडोल के लिए, मधुमेह जोखिम में कमी का निष्कर्ष तब तक मजबूत रहा जब तक कि सूचनात्मक मिसिंगनेस का अनुपात बहुत अधिक (>40%) नहीं हुआ या मिसिंग रोगियों के बीच जोखिम अत्यधिक (कारक >10) नहीं बढ़ गया।
  • निष्कर्ष: हेलोपरिडोल द्वारा मधुमेह जोखिम को कम करने का प्रमाण सूचनात्मक मिसिंगनेस के उचित स्तरों के प्रति मजबूत है, जबकि अन्य दवाओं के परिणाम कम मजबूत हैं।

5. महत्व और निहितार्थ (Significance and Implications)

• अंतराल को पाटना: यह कार्य सख्त बिंदु पहचान (जो अक्सर अवास्तविक होती है) और अत्यधिक रूढ़िवादी नॉन-पैरामीट्रिक बाउंड्स के बीच के अंतर को पाटता है। यह एक मध्यम मार्ग प्रदान करता है जहाँ शोधकर्ता विषय-वस्तु विशेषज्ञता का उपयोग करके अनिश्चितता को माप सकते हैं।
• प्रतिस्पर्धी जोखिमों को संभालना: कंपोजिट ATE और सेपरेबल डायरेक्ट इफेक्ट्स के लिए अपने ढांचे का विस्तार करके, यह पेपर सर्वाइवल एनालिसिस और कॉज़ल इन्फरेंस की एक महत्वपूर्ण सीमा को संबोधित करता है जहाँ मृत्यु या अन्य प्रतिस्पर्धी घटनाएं प्राथमिक परिणाम को बाधित करती हैं।
• नीति और नैदानिक प्रासंगिकता: एंटीसाइकोटिक दवाओं का अनुप्रयोग यह दर्शाता है कि ये विधियाँ नैदानिक निर्णय लेने में कैसे मार्गदर्शन कर सकती हैं। यह दिखाता है कि जबकि नाइव विश्लेषण मजबूत लाभों का सुझाव दे सकते हैं, यह पुष्टि करने के लिए कि क्या वे लाभ चयनात्मक ड्रॉपआउट (सूचनात्मक मिसिंगनेस) का परिणाम हैं, कठोर संवेदनशीलता विश्लेषण आवश्यक है।
• भविष्य की दिशाएं: लेखक नोट करते हैं कि समय-परिवर्तनीय मिसिंगनेस वाले अनुदैर्ध्य (longitudinal) सेटिंग्स में विस्तार करना और अनपेक्षित कन्फाउंडिंग और सूचनात्मक मिसिंगनेस को संयुक्त रूप से मॉडल करना भविष्य के अनुसंधान के लिए आशाजनक मार्ग हैं।

संक्षेप में, यह शोध पत्र अज्ञात सूचनात्मक मिसिंगनेस की उपस्थिति में कारण अनुमान के लिए एक कठोर, लचीला और गणनात्मक रूप से व्यवहार्य टूलकिट प्रदान करता है, जो पारंपरिक संवेदनशीलता विश्लेषण के "सब कुछ या कुछ भी नहीं" (all or nothing) वाले दृष्टिकोण से आगे बढ़ता है।