📊 statistics

Debiased Causal Mediation Analysis in Ultra-High-Dimensional Settings in the Presence of Interaction Effects

यह शोध पत्र अल्ट्रा-हाई-डायमेंशनल सेटिंग्स में कॉज़ल मीडिएशन एनालिसिस के लिए एक नवीन मल्टी-स्टेप डिबायसिंग एस्टिमेटर का प्रस्ताव करता है जो जटिल इंटरेक्शन प्रभावों को समाहित करता है, और नेचुरल डायरेक्ट एवं इनडायरेक्ट प्रभावों के लिए वैध इन्फरेंस सक्षम करने हेतु इसकी $\sqrt{n}$ -कंसिस्टेंसी और एसिम्प्टोटिक नॉर्मलिटी स्थापित करता है।

मूल लेखक: Shi Bo, AmirEmad Ghassami, Debarghya Mukherjee

प्रकाशित 2026-08-13

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Shi Bo, AmirEmad Ghassami, Debarghya Mukherjee

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 रहस्य सुलझाने की कोशिश कर रहे एक जासूस हैं: संदिग्ध (मान लीजिए कि उसका नाम "स्मोकिंग" है) ने पीड़ित को बीमार क्यों किया? आप जानते हैं कि स्मोकिंग ने ही यह किया है, लेकिन आप यह जानना चाहते हैं कि उसने कैसे किया। क्या स्मोकिंग ने पीड़ित को सीधे जहर दिया? या क्या स्कोकिंग ने पहले पीड़ित के डीएनए (DNA) को बदल दिया, और उस बदलाव के कारण बीमारी हुई? इस "कैसे" को मध्यस्थता (mediation) कहा जाता है। विज्ञान की दुनिया में, शोधकर्ता एक कारण-और-प्रभाव की कहानी को दो भागों में विभाजित करने के लिए एक उपकरण का उपयोग करते हैं: प्रत्यक्ष प्रभाव (direct effect) (कारण का सीधे लक्ष्य पर प्रहार करना) और अप्रत्यक्ष प्रभाव (indirect effect) (कारण का किसी बिचौलिए के माध्यम से चक्कर लगाकर पहुँचना)।

द दशकों से, वैज्ञानिक इन रहस्यों को सुलझाने में माहिर रहे हैं जब उनके पास देखने के लिए केवल कुछ ही सुराग होते हैं। लेकिन आधुनिक युग में, तकनीक ने हमें एक सुपरपावर दी है: हम एक साथ लाखों सूक्ष्म जैविक संकेतों को माप सकते हैं, जैसे कि किसी लाइब्रेरी की किताबों के हर एक पन्ने को ढूँढने के लिए हर शब्द की जाँच करना। यह अल्ट्रा-हाई-डायमेंशनल डेटा (ultra-high-dimensional data) की दुनिया है। समस्या यह है कि जब आपके पास लाखों सुराग (जिन्हें "मध्यस्थ" और "सहचर/covariates" कहा जाता है) हों और केवल कुछ हज़ार संदिग्ध (मरीज) हों, तो गणित विफल हो जाता है। यह एक ऐसी सुई खोजने जैसा है जो वास्तव में सुइयों के आकाशगंगा-स्तर के पहाड़ में छिपी हुई है। जब चर (variables) की संख्या बहुत अधिक होती है, तो पुराने जासूसी उपकरण या तो खो जाते हैं, भ्रमित हो जाते हैं, या गलत चीजों की ओर इशारा करने लगते हैं क्योंकि अत्यधिक डेटा का "बायस" (पक्षपात/त्रुटि) एक ऐसा कोहरा पैदा करता है जो सच्चाई को छिपा देता है।

यह शोध पत्र विशेष रूप से इन आकाशगंगा-स्तर के घास के ढेर (haystacks) के लिए डिज़ाइन किए गए एक बिल्कुल नए, अत्यंत बुद्धिमान जासूसी किट का परिचय देता है। लेखकों, शी बो, अमीरएमद घसामी और देबरघ्या मुखर्जी ने एक ऐसी विधि बनाई है जो विशाल और अव्यवस्थित डेटा के बीच भी प्रत्यक्ष और अप्रत्यक्ष प्रभावों को सुलझा सकती है। उन्होंने केवल एक बड़ा कैलकुलेटर समस्या पर नहीं फेंका; उन्होंने एक चतुर "बहु-चरणीय डिबायसिंग" (multi-step debiasing) रणनीति का आविष्कार किया है। इसे इस तरह सोचें: यदि आप एक भारी वस्तु को तौलने की कोशिश कर रहे हैं और आपका तराजू थोड़ा खराब है और अतिरिक्त वजन जोड़ रहा है, तो आप केवल त्रुटि को अनदेखा नहीं करते हैं। आप वस्तु को तौलते हैं, फिर तराजू की त्रुटि को अलग से तौलते हैं, और फिर कुल वजन से त्रुटि को घटा देते हैं। लेखक ऐसा ही करते हैं, लेकिन एक जटिल नृत्य में जहाँ उन्हें विभिन्न समूहों (जैसे धूम्रपान करने वाले और धूम्रपान न करने वाले) के डेटा और विभिन्न प्रकार के मापों को एक साथ संभालना होता है।

उनका मुख्य निष्कर्ष यह है कि यह नई विधि काम करती है। उन्होंने गणितीय रूप से सिद्ध किया कि उनका अनुमानक (estimator) "सुसंगत" (consistent) है (जैसे-जैसे डेटा बढ़ता है, यह सत्य के करीब पहुँचता है) और "एसिम्प्टोटिकली नॉर्मल" (asymptotically normal) है (यह एक अनुमानित बेल-कर्व पैटर्न का पालन करता है, जो वैज्ञानिकों को यह कहने की अनुमति देता है कि "हम 95% आश्वस्त हैं कि उत्तर X और Y के बीच है")। उन्होंने प्रयोगशाला में कंप्यूटर सिमुलेशन का उपयोग करके लाखों नकली डेटा बिंदुओं के साथ इसका परीक्षण किया, और यह शानदार ढंग से काम कर गया, भले ही संकेत बहुत कमजोर थे या डेटा बहुत शोर-शराबे वाला (noisy) था। उन्होंने फेफड़ों के कैंसर के रोगियों के वास्तविक डेटा पर भी इसे लागू किया, यह देखते हुए कि धूम्रपान सर्वाइवल टाइम (जीवित रहने के समय) को कैसे प्रभावित करता है, डीएनए मिथाइलेशन (डीएनए पर एक रासायनिक टैग) के माध्यम से। परिणामों ने सुझाव दिया कि धूम्रपान का घातक प्रभाव काफी हद तक इन डीएनए परिवर्तनों के माध्यम से मध्यस्थता द्वारा संचालित होता है, एक ऐसा निष्कर्ष जिसे एक सरल, पुरानी विधि पूरी तरह से मिस कर गई थी।

यह शोध पत्र सावधानी से यह भी बताता है कि यह क्या नहीं करता है। यह दावा नहीं करता कि यह हर संभावित जैविक रहस्य को हल कर सकता है, और यह तब काम नहीं करता जब डेटा बहुत विरल (sparse) हो या पर्याप्त नमूनों के बिना संकेत बहुत कमजोर हों। यह स्पष्ट रूप से उन पुराने, सरल तरीकों के खिलाफ तर्क देता है जो केवल कुछ "सर्वश्रेष्ठ" सुराग चुनते हैं और बाकी को छोड़ देते हैं, यह दिखाते हुए कि ऐसे तरीके इन विशाल डेटासेट में गलत निष्कर्षों की ओर ले जा सकते हैं। लेखक अपने गणित और अपने सिमुलेशन को लेकर आश्वस्त हैं, लेकिन वे अपने वास्तविक दुनिया के फेफड़ों के कैंसर के परिणामों को अपने तरीके के एक अनुप्रयोग के रूप में प्रस्तुत करते हैं, न कि एक अंतिम चिकित्सा उपचार के रूप में। उन्होंने एक मजबूत, गणितीय रूप से सुदृढ़ पुल बनाया है जो वैज्ञानिकों को अंततः अल्ट्रा-हाई-डायमेंशनल डेटा के अंतराल को पार करने और कारण और प्रभाव के वास्तविक तंत्र को देखने की अनुमति देता है।

तकनीकी सारांश: अंतःक्रिया प्रभावों (Interaction Effects) की उपस्थिति में अल्ट्रा-हाई-डायमेंशनल सेटिंग्स में डिबायस्ड कॉज़ल मीडिएशन विश्लेषण

1. समस्या का परिवेश और प्रेरणा

यह शोध पत्र प्राकृतिक प्रत्यक्ष प्रभाव (Natural Direct Effect - NDE) और प्राकृतिक अप्रत्यक्ष प्रभाव (Natural Indirect Effect - NIE) के अनुमान की चुनौती को संबोधित करता है, जब पूर्व-उपचार सहचर (Pre-treatment covariates, $X \in \mathbb{R}^p$ ) और उपचार-पश्चात मध्यस्थ (Post-treatment mediators, $M \in \mathbb{R}^q$ ) दोनों ही अल्ट्रा-हाई-डायमेंशनल (UHD) हों, जिसका अर्थ है कि $p \wedge q \gg n$ है। महत्वपूर्ण रूप से, प्रस्तावित ढांचा बाइनरी ट्रीटमेंट ( $A$ ) और सहचरों एवं मध्यस्थों के बीच होने वाले अंतःक्रिया प्रभावों (Interaction effects) को भी समाहित करता है।

हाई-डायमेंशनल मीडिएशन विश्लेषण पर मौजूदा साहित्य मुख्य रूप से ह्यूरिस्टिक स्क्रीनिंग, डायमेंशन रिडक्शन या पाथवे सिलेक्शन पर निर्भर रहा है, जिसमें अक्सर UHD चरों की उपस्थिति में प्राकृतिक प्रभावों के लिए कठोर अनुमानात्मक सिद्धांत (Inferential theory) का अभाव होता है। इसके अतिरिक्त, हाई-डायमेंशनल मीडिएशन में हालिया सैद्धांतिक प्रगति (जैसे, Guo et al., 2022–2024; Lin et al., 2025) आमतौर पर फिक्स्ड-डायमेंशनल सहचरों को मानती है या ट्रीटमेंट-सहचर/मीडिएटर अंतःक्रियाओं को बाहर रखती है। यहाँ संबोधित विशिष्ट कठिनाई मीडिएशन फंक्शनल $\theta_{10} = E[Y(1, M(0))]$ का अनुमान लगाना है, जिसमें एक "क्रॉस-आर्म" (Cross-arm) अंतःक्रिया शामिल है: यह उपचार समूह के मापदंडों (आउटकम रिग्रेशन गुणांक $\gamma_1$ ) को कंट्रोल समूह के मापदंडों (मीडिएटर रिग्रेशन मैट्रिक्स $B_0$ ) के साथ जोड़ता है। यह संरचना एक कंपोजिट टर्म $\bar{X}^\top B_0^\top \gamma_1$ को शामिल करती है जहाँ $B_0 \bar{X}$ सघन (Dense) हो सकता है और $\ell_1/\ell_2$ नॉर्म में सुसंगत रूप से अनुमानित नहीं किया जा सकता है, जिसके कारण मानक डिबायसिंग तकनीकें सीधे लागू नहीं होती हैं।

2. कार्यप्रणाली (Methodology)

लेखक एक नवीन मल्टी-स्टेप डिबायसिंग एस्टिमेटर का प्रस्ताव करते हैं जो हाई-डायमेंशनल रिग्रेशन को सावधानीपूर्वक डिज़ाइन किए गए बैलेंसिंग स्टेप्स के साथ जोड़ता है। विधि ओवरफिटिंग से बचने और वैध अनुमान सुनिश्चित करने के लिए डेटा को दो फोल्ड्स ( $D_1, D_2$ ) में विभाजित करने के लिए क्रॉस-फिटिंग प्रक्रिया का उपयोग करती है।

अनुमान प्रक्रिया (एल्गोरिदम 1)

मुख्य कार्यप्रणाली पैरामीटर $\theta_{10} = \bar{X}^\top (\beta_1 + B_0^\top \gamma_1)$ का अनुमान लगाने के लिए निम्नलिखित चरणों का उपयोग करती है:

अनुमान के लिए बैलेंसिंग (चरण 1): कंट्रोल ऑब्जर्वेशन्स ( $A=0$ ) का उपयोग करके, विधि एक ऑप्टिमाइज़ेशन समस्या को हल करके एक बैलेंसिंग वेट वेक्टर $\hat{\tau}_2$ का निर्माण करती है। यह वेट कंट्रोल सहचरों के स्पेस में माध्य सहचर वेक्टर $\bar{X}$ का अनुमान लगाता है। महत्वपूर्ण रूप से, उत्पाद $\hat{m}_c = M_c^\top \hat{\tau}_2$ अज्ञात वेक्टर $B_0 \bar{X}$ के लिए $\ell_\infty$ नॉर्म में एक सीधा अनुमान के रूप में कार्य करता है, जिससे पूर्ण UHD मैट्रिक्स $B_0$ के अनुमान की आवश्यकता समाप्त हो जाती है।
आउटकम रिग्रेशन (चरण 2): ट्रीटमेंट ऑब्जर्वेशन्स ( $A=1$ ) का उपयोग करके, एक लासो (Lasso) रिग्रेशन आउटकम गुणांक $\hat{\phi}_1 = (\hat{\beta}_1, \hat{\gamma}_1)$ का अनुमान लगाता है।
प्रथम-चरण डिबायसिंग (चरण 3): $\hat{\phi}_1$ को दिशा $a = (\bar{X}^\top, \hat{m}_c^\top)^\top$ में डिबायस किया जाता है। यह चरण लासो के रेगुलराइजेशन बायस को ठीक करता है लेकिन एक नया बायस भी लाता है क्योंकि दिशा $\hat{m}_c$ , $B_0 \bar{X}$ का एक अनुमान है, न कि वास्तविक मान।
द्वितीय-चरण डिबायसिंग (चरण 4): चरण 3 में उत्पन्न बायस को हटाने के लिए, कंट्रोल डेटा पर एक दूसरा रिग्रेशन किया जाता है। छद्म-परिणाम (Pseudo-outcome) $M_c^\top \hat{\gamma}_1$ को $X_c$ पर $b = B_0^\top \hat{\gamma}_1$ का अनुमान लगाने के लिए रिग्रेस किया जाता है। इस एस्टिमेटर को उसी बैलेंसिंग वेट $\hat{\tau}_2$ का उपयोग करके डिबायस किया जाता है जो चरण 1 में उपयोग किया गया था।
संयोजन (चरण 5): अंतिम एस्टिमेटर को डिबायस्ड आउटकम टर्म और डिबायस्ड एप्रोक्सिमेशन टर्म को मिलाकर बनाया जाता है, जिसमें ओवरलैप को ध्यान में रखने के लिए एक करेक्शन टर्म को घटाया जाता है।
क्रॉस-फिटिंग (चरण 6): $D_1$ और $D_2$ की भूमिकाओं को आपस में बदला जाता है, और अंतिम क्रॉस-फिटेड एस्टिमेटर $\hat{\theta}_{10}^{cf}$ प्राप्त करने के लिए परिणामों का औसत निकाला जाता है।

NDE और NIE के लिए एस्टिमेटर्स को $\hat{\theta}_{10}^{cf}$ को $\theta_{11}$ और $\theta_{00}$ के अनुरूप एस्टिमेटर्स के साथ जोड़कर बनाया जाता है (जो सरल हैं क्योंकि उनमें क्रॉस-आर्म अंतःक्रियाएं शामिल नहीं हैं)।

3. सैद्धांतिक योगदान और परिणाम

यह शोध पत्र स्थापित करता है कि प्रस्तावित एस्टिमेटर काफी सामान्य स्पैरसिटी (Sparsity), रेगुलैरिटी और रिस्ट्रिक्टेड आइजनवैल्यू शर्तों के तहत $\sqrt{n}$ -कंसिस्टेंट और एसिम्प्टोटिकली नॉर्मल है।

बायस संरचना (Bias Structure): लेखक सिद्ध करते हैं कि अनुमान त्रुटि (Estimation error) एक लीडिंग स्टोकेस्टिक टर्म और एक शेष पद (Remainder term) $\Delta_n$ में विभाजित होती है। शेष पद एक प्रोडक्ट फॉर्म (जैसे, $\|\text{approximation error}\|_\infty \times \|\text{estimation error}\|_1$ ) प्रदर्शित करता है। यह संरचना सुनिश्चित करती है कि बायस एसिम्प्टोटिकली नगण्य ( $o_p(n^{-1/2})$ ) है, भले ही व्यक्तिगत अनुमान त्रुटियां बड़ी हों, बशर्ते कि स्पैरसिटी शर्तें $(1+s)(1+k)\log(p+q)/\sqrt{n} \to 0$ पूरी हों।
एसिम्प्टोटिक नॉर्मलिटी: शोध पत्र एसिम्प्टोटिक वेरिएंस को व्युत्पन्न करता है और इसके लिए सुसंगत एस्टिमेटर्स का निर्माण करता है, जिससे NDE, NIE और टोटल इफेक्ट के लिए वैध कॉन्फिडेंस इंटरवल बनाना संभव होता है। परिणाम सैंपल-एवरेज और पॉपुलेशन-एवरेज दोनों लक्ष्यों के लिए मान्य हैं, और इन्हें कंडिशनली हेटेरोस्केडास्टिक एरर्स को संभालने के लिए विस्तारित किया गया है।
मौजूदा विधियों के साथ तुलना: लेखक यह प्रदर्शित करते हैं कि उनका दृष्टिकोण कुछ मौजूदा हाई-डायमेंशनल इंफरेंस विधियों (जैसे, Guo et al., 2023) के लिए आवश्यक मजबूत "बीटा-मिन" (न्यूनतम सिग्नल स्ट्रेंथ) और सपोर्ट रिकवरी धारणाओं से बचता है। उनकी विधि कमजोर संकेतों और उच्च स्पैरसिटी स्तरों की अनुमति देती है, बशर्ते कि स्पैरसिटी और डायमेंशन का उत्पाद सैंपल साइज के सापेक्ष धीरे-धीरे बढ़े।

4. अनुभवजन्य मूल्यांकन (Empirical Evaluation)

कार्यप्रणाली का मूल्यांकन व्यापक सिमुलेशन अध्ययनों और वास्तविक-डेटा अनुप्रयोग के माध्यम से किया गया।

सिमुलेशन: प्रस्तावित डिबायस्ड एस्टिमेटर ( $\hat{\theta}_{10}^{cf}$ $\hat{θ}_{10}^{c f}$ ) की तुलना एक मानक प्लग-इन एस्टिमेटर और Guo et al. (2022) की एक संशोधित विधि से की गई।
- प्रस्तावित डिबायस्ड एस्टिमेटर ने विभिन्न रेजिम्स में—जिसमें बढ़ती स्पैरसिटी, घटती न्यूनतम सिग्नल स्ट्रेंथ और हेटेरोस्केडास्टिक नॉइज़ शामिल हैं—लगातार कम रूट मीन स्क्वेर्ड एरर (RMSE) और नाममात्र स्तर (95%) के करीब कवरेज प्रोबेबिलिटी हासिल की।
- इसके विपरीत, मानक एस्टिमेटर ने पर्याप्त बायस दिखाया और संशोधित Guo et al. विधि ने विशेष रूप से तब अस्थिरता और खराब कवरेज प्रदर्शित की जब स्पैरसिटी अधिक थी या सिग्नल कमजोर थे।
वास्तविक डेटा अनुप्रयोग: पद्धति को सर्वाइवल टाइम (Survival time) पर धूम्रपान के प्रभाव का अनुमान लगाने के लिए, जो DNA मिथाइलेशन द्वारा मध्यस्थ (Mediated) है, TCGA लंग कैंसर डेटासेट पर लागू किया गया।
- इस विश्लेषण में $n=738$ मरीज, $p=42$ सहचर और $q=264,797$ मध्यस्थ शामिल थे।
- परिणामों ने संकेत दिया कि सर्वाइवल टाइम पर धूम्रपान का कुल प्रभाव मुख्य रूप से DNA मिथाइलेशन (NIE) के माध्यम से मध्यस्थ था, जहाँ अप्रत्यक्ष प्रभाव सांख्यिकीय रूप से महत्वपूर्ण था जबकि प्रत्यक्ष प्रभाव नहीं था।
- एक फिक्स्ड-डायमेंशनल ओएलएस (OLS) दृष्टिकोण (केवल 6 पूर्व-चयनित CpG साइटों का उपयोग करते हुए) के साथ तुलना ने विरोधाभासी और प्रति-सहज (Counter-intuitive) परिणाम दिए (यह सुझाव देते हुए कि धूम्रपान उत्तरजीविता बढ़ाता है), जो जटिल जैविक प्रणालियों में हाई-डायमेंशनल कार्यप्रणाली के महत्व को उजागर करता है।

5. महत्व और दावे

यह शोध पत्र दावा करता है कि यह पहला कार्य है जो एक साथ अल्ट्रा-हाई-डायमेंशनल सहचरों, अल्ट्रा-हाई-डायमेंशनल मध्यस्थों और उनके साथ ट्रीटमेंट वेरिएबल की अंतःक्रियाओं की उपस्थिति में प्राकृतिक प्रत्यक्ष और अप्रत्यक्ष प्रभावों का अनुमान लगाने के लिए कार्यप्रणाली प्रदान करता है।

शोध पत्र के महत्व के संबंध में प्रमुख दावे इस प्रकार हैं:

संरचनात्मक नवाचार (Structural Innovation): प्रस्तावित मल्टी-स्टेप डिबायसिंग रणनीति एक अद्वितीय संरचनात्मक चुनौती (क्रॉस-आर्म न्यूइसेंस पैरामीटर्स जिसमें UHD मैट्रिसेस और वेक्टर्स शामिल हैं) को संबोधित करती है जिसे मौजूदा लीनियर या बाइलिनियर फंक्शनल्स के लिए डिबायसिंग तकनीकें सीधे हैंडल नहीं कर सकती हैं।
कमजोर धारणाएं (Weaker Assumptions): सैद्धांतिक ढांचा प्रतिस्पर्धी हाई-डायमेंशनल मीडिएशन इंफरेंस विधियों की तुलना में कमजोर सिग्नल-स्ट्रेंथ धारणाओं के तहत काम करता है, जिससे कुछ सक्रिय गुणांकों के कमजोर होने पर भी प्रभावों का पता लगाना संभव होता है।
व्यावहारिक उपयोगिता: यह विधि जटिल जैविक तंत्रों (जैसे एपिजेनेटिक मीडिएशन) के लिए वैध अनुमान प्रदान करती है जहाँ संभावित मध्यस्थों की संख्या सैंपल साइज से बहुत अधिक होती है, एक ऐसी स्थिति जहाँ पारंपरिक लो-डायमेंशनल सिलेक्शन विधियाँ विफल हो सकती हैं या पक्षपाती (Biased) परिणाम दे सकती हैं।

लेखक निष्कर्ष निकालते हैं कि हालांकि वर्तमान कार्य लीनियर मॉडल्स पर केंद्रित है, विकसित ढांचा भविष्य के सामान्यीकृत लीनियर मॉडल्स (GLMs) और समान क्रॉस-आर्म जटिलताओं वाले अन्य स्ट्रक्चरल इक्वेशन मॉडल्स के विस्तार के लिए एक आधार प्रदान करता है।