Causal inference in connected populations with contagion

तकनीकी सारांश: संक्रामक प्रक्रियाओं वाले जुड़े हुए समुदायों में कारण अनुमान (Causal Inference)

समस्या विवरण
जुड़े हुए समुदायों (connected populations) में कारण अनुमान (causal inference) जटिल है क्योंकि स्पिलओवर (spillover) और संचरण (contagion) जैसी वास्तविक प्रक्रियाओं के कारण परिणामों के बीच निर्भरता होती है। जबकि मौजूदा साहित्य (जैसे, टौलिस और काओ, 2013; उगेंडर आदि, 2013; ओगबर्न आदि, 2020) ने हस्तक्षेप (interference) के तहत कारण प्रभावों का अनुमान लगाने के लिए विधियों को विकसित किया है, संचरण (contagion)—वह प्रक्रिया जहाँ एक परिणाम $Y_i$ दूसरे परिणाम $Y_j$ को प्रभावित करता है—विशेष रूप से कारण प्रभावों और सांख्यिकीय अनुमान पर कैसे प्रभाव डालता है, इसे समझने में एक महत्वपूर्ण अंतर है। स्पिलओवर के विपरीत, जहाँ एक हस्तक्षेप $X_i$ द्वारा $Y_j$ को प्रभावित किया जाता है, संचरण में स्वयं परिणामों का प्रसार शामिल होता है। लेखक नोट करते हैं कि इस बारे में बहुत कम जानकारी है कि यह तंत्र कारण प्रभावों के परिमाण या दिशा को कैसे बदलता है, और यह मानक अनुमानकों (estimators) को कैसे पक्षपाती (bias) बनाता है।

कार्यप्रणाली और ढांचा
लेखक संचरण की उपस्थिति में कारण प्रभावों के लिए क्लोज्ड-फॉर्म अभिव्यक्तियों (closed-form expressions) को प्राप्त करने हेतु एक सैद्धांतिक ढांचे का विकास करते हैं। वे कुल कारण प्रभाव $\tau_T$ को ईगो प्रभाव (ego effect) ($\tau_E$), जो उपचारित इकाई पर हस्तक्षेप के प्रत्यक्ष प्रभाव का प्रतिनिधित्व करता है, और अल्टर प्रभाव (alter effect) ($\tau_A$), जो अन्य इकाइयों पर हस्तक्षेप के प्रभाव का प्रतिनिधित्व करता है, के योग के रूप में परिभाषित करते हैं।

विश्लेषण दो प्राथमिक शर्तों पर निर्भर है:

1. अनभिज्ञता (Ignorability - स्थिति 1): नेटवर्क संरचना के सापेक्ष हस्तक्षेपों और संभावित परिणामों के संबंध में मानक धारणाएं।
2. संचरण के साथ लीनियर-इन-मीन्स (Linear-in-Means with Contagion - स्थिति 2): एक डेटा-जनरेटिंग प्रक्रिया जहाँ एक परिणाम $Y_i$ की सशर्त अपेक्षा (conditional expectation) निम्नलिखित पर निर्भर करती है:
   • इकाई का अपना हस्तक्षेप ($\beta_i x_i$)।
   • पड़ोसियों के हस्तक्षेप (स्पिलओवर, $\gamma_i$)।
   • पड़ोसियों के परिणाम (संचरण, $\delta_i$)।
   • स्केलिंग स्थिरांक $c_{N,i}(\mathbf{z})$।

मानक लीनियर-इन-मीन्स मॉडल के विपरीत, यह ढांचा संचरण के कारण आश्रित अवशेषों (dependent residuals) की अनुमति देता है और स्केलिंग स्थिरांकों को $1/N_i$ तक सीमित नहीं करता है। लेखक एडजेसेंसी मैट्रिक्स $\mathbf{Z}$ और मैट्रिक्स $\mathbf{M}(\delta, \mathbf{Z}) = (\mathbf{I}_N - \delta \mathbf{C}_N(\mathbf{Z}) \mathbf{Z})^{-1}$ का उपयोग करते हुए मैट्रिक्स बीजगणित का उपयोग करके इन प्रभावों को व्युत्पन्न करते हैं।

प्रमुख योगदान और परिणाम

1. क्लोज्ड-फॉर्म अभिव्यक्तियाँ:
   लेखक स्पिलओवर और संचरण दोनों की उपस्थिति में $\tau_E$, $\tau_A$, और $\tau_T$ के लिए पहले क्लोज्ड-फॉर्म अभिव्यक्तियाँ प्रदान करते हैं (थ्योरम 1 और 2)। ये अभिव्यक्तियाँ प्रकट करती हैं कि हस्तक्षेपों ($\beta$), स्पिलओवर ($\gamma$), और संचरण ($\delta$) के प्रभाव आपस में गुंथे हुए (intertwined) हैं, यहाँ तक कि सरल सेटिंग्स में भी।

   • थ्योरम 1 $\mathbf{M}(\delta, \mathbf{Z})$ के ट्रेस (trace) और स्पेक्ट्रल गुणों का उपयोग करके इन प्रभावों की पहचान स्थापित करता है।
   • थ्योरम 2 सरल अभिव्यक्तियाँ प्रदान करता है जब अपेक्षित नेटवर्क संरचना $\mathbf{P} = E(\mathbf{Z})$, वास्तविक नेटवर्क का अनुमान लगाती है।

2. कारण प्रभावों पर संचरण का प्रभाव:
   विशिष्ट उदाहरणों के माध्यम से, लेखक प्रदर्शित करते हैं कि संचरण कारण प्रभावों को या तो कम या बढ़ा सकता है, जो इस धारणा को चुनौती देता है कि हस्तक्षेप विशुद्ध रूप से योगात्मक (additive) है या नगण्य है।

   • प्रतिबंधित संचरण (परिवार/घरेलू इकाइयाँ): एक मॉडल में जहाँ संबंध आकार 2 के परिवारों तक सीमित हैं, ईगो प्रभाव $\tau_E$, प्रत्यक्ष प्रभाव $\beta$ और $\beta, \gamma,$ और $\delta$ से जुड़े एक पद का उत्तल संयोजन (convex combination) बन जाता है। विशेष रूप से, $\tau_E = (1-\chi)\beta + \chi \frac{\beta + \gamma\delta}{1-\delta^2}$। यह दर्शाता है कि संचरण ($\delta$) प्रत्यक्ष प्रभाव को संशोधित करता है, जो $\delta$ के चिह्न और परिमाण के आधार पर इसे बढ़ा या घटा सकता है।
   • अप्रतिबंधित संचरण (रैंडम ग्राफ्स): विरल (sparse) और सघन (dense) इंटरफेरेंस ग्राफ्स (स्टोकेस्टिक ब्लॉक मॉडल सहित) में, लेखक दिखाते हैं कि जबकि कुछ विकास स्थितियों के तहत ईगो प्रभाव $\tau_E$ यथावत $\beta$ रह सकता है, कुल प्रभाव $\tau_T$ को $\delta$ पर निर्भर कारक द्वारा स्केल किया जाता है। महत्वपूर्ण रूप से, यदि आधार प्रभाव ($\beta + \gamma$) गैर-शून्य है, तो संचरण कुल प्रभाव के चिह्न को रद्द या उलट नहीं सकता है, लेकिन यह इसके परिमाण को महत्वपूर्ण रूप से बदल सकता है।
   • समुदाय का आकार: डिग्री-करेक्टेड ब्लॉक मॉडल में, लेखक पाते हैं कि बड़े समुदाय छोटे समुदायों की तुलना में कुल कारण प्रभाव में अधिक योगदान देते हैं।

3. सांख्यिकीय निहितार्थ और पूर्वाग्रह (Bias):
   लेखक अनुमान लगाने में संचरण को अनदेखा करने के परिणामों का विश्लेषण करते हैं:

   • मॉडल-आधारित अनुमानक (Model-Based Estimators): साधारण लीस्ट स्क्वायर्स (OLS) अनुमानक जो परिणाम निर्भरता ( $\delta=0$ सेट करना) को अनदेखा करते हैं, वे एसिम्प्टोटिक बायस (asymptotic bias) से ग्रस्त होते हैं। लेखक सिद्ध करते हैं कि इन अनुमानकों का अपेक्षित मान $\beta, \gamma, \delta,$ और नेटवर्क संरचना के एक जटिल फलन (function) की ओर अभिसरित (converge) होता है, न कि वास्तविक कारण मापदंडों की ओर।
   • डिज़ाइन-आधारित अनुमानक (Design-Based Estimators): हालांकि डिज़ाइन-आधारित अनुमानक (जैसे होरविट्ज़-थॉम्पसन) मॉडल मिसस्पेसिफिकेशन से बचते हैं, वे "पड़ोस एक्सपोज़र" मान्यताओं पर निर्भर करते हैं। लेखक प्रदर्शित करते हैं कि अप्रतिबंधित संचरण इन मान्यताओं का उल्लंघन करता है क्योंकि एक हस्तक्षेप संचरण की एक श्रृंखला के माध्यम से एक परिणाम को प्रभावित कर सकता है, भले ही इकाइयाँ प्रत्यक्ष पड़ोसी न हों (चित्र 3)। फलस्वरूप, मौजूदा डिज़ाइन-आधारित अनुमानक (जैसे PC बैलेंसिंग एस्टीमेटर) अप्रतिबंधित संचरण की उपस्थिति में गैर-शून्य पूर्वाग्रह प्रदर्शित कर सकते हैं।

महत्व और दावे
लेखक दावा करते हैं कि उनका कार्य इस बात में महत्वपूर्ण सैद्धांतिक अंतर्दृष्टि प्रदान करता है कि संचरण मूल रूप से कारण अनुमान को कैसे बदलता है। प्राथमिक महत्व इस बात को प्रदर्शित करने में है कि:

• हस्तक्षेप, स्पिलओवर और संचरण अविभाज्य रूप से जुड़े हुए हैं; आप यह गणना किए बिना हस्तक्षेप के प्रभाव को अलग नहीं कर सकते कि परिणाम कैसे प्रसारित होते हैं।
• संचरण को अनदेखा करने से पूर्वाग्रह उत्पन्न होता है, चाहे वह मॉडल-आधारित दृष्टिकोण (अनमॉडलित निर्भरता के कारण) हो या डिज़ाइन-आधारित दृष्टिकोण (उल्लेखित एक्सपोज़र मान्यताओं के कारण)।
• संचरण केवल एक बाधा (nuisance parameter) नहीं है; यह हस्तक्षेप के प्रभावों को सक्रिय रूप से बढ़ा या कम कर सकता है।

लेखक निष्कर्ष निकालते हैं कि जबकि संचरण मानक कारण अनुमान के लिए चुनौतियाँ पेश करता है, यह अवसर भी प्रदान करता है। उदाहरण के लिए, यदि संचरण मौजूद है, तो नीति निर्माता संभावित रूप से हस्तक्षेप प्रभावों को बढ़ाने के लिए प्रभावशाली व्यक्तियों (influencers) को नियुक्त कर सकते हैं या सामुदायिक निर्माण को प्रोत्साहित कर सकते हैं। हालाँकि, लेखक अपने व्यावहारिक समाधानों के संबंध में विनम्र रहते हैं, यह नोट करते हुए कि पहचाने गए पूर्वाग्रहों के उपचार (जैसे संचरण को प्रतिबंधित करना या नए बायस-वैरिएंस रिडक्शन विधियों को विकसित करना) भविष्य के कार्य के लिए आवश्यक क्षेत्र हैं।