📊 statistics

Cross-World Assumption and Refining Prediction Intervals for Individual Treatment Effects

यह शोध पत्र संभावित परिणामों की मौलिक अनिश्चितता (unidentifiability) को सीमित करने के लिए एक क्रॉस-वर्ल्ड सहसंबंध पैरामीटर का लाभ उठाकर, व्यक्तिगत उपचार प्रभावों के लिए वैध और संकीर्ण भविष्यवाणी अंतराल उत्पन्न करने की एक विधि प्रस्तावित करता है, जिससे उच्च-दांव वाले व्यक्तिगत निर्णय लेने के लिए विश्वसनीय अनिश्चितता परिमाणीकरण सक्षम होता है।

मूल लेखक: Juraj Bodik, Yaxuan Huang, Bin Yu

प्रकाशित 2026-03-31

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Juraj Bodik, Yaxuan Huang, Bin Yu

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 डॉक्टर हैं और आपको यह तय करना है कि किसी विशिष्ट रोगी को एक नई, महंगी दवा देनी चाहिए या नहीं।

समस्या: "औसत" का जाल
अधिकांश चिकित्सा अध्ययन औसत उपचार प्रभाव (Average Treatment Effect - ATE) बताते हैं। वे कहते हैं, "औसतन, यह दवा रक्तचाप को 10 अंक कम करती है।"

दोष: यह ऐसा ही है जैसे कहना, "औसतन, यदि आप पिज्जा का एक टुकड़ा खाते हैं, तो आपका वजन 2 पाउंड बढ़ जाता है।" यह 100 लोगों के समूह के लिए सच हो सकता है, लेकिन विशेष रूप से आपके लिए, इसका मतलब यह हो सकता है कि आपका वजन 5 पाउंड बढ़ जाए, या यदि आप सख्त डाइट पर हैं तो 1 पाउंड कम हो जाए।
असली सवाल: आपको यह जानने की आवश्यकता है: "इस विशिष्ट रोगी के साथ क्या होगा?" इसे व्यक्तिगत उपचार प्रभाव (Individual Treatment Effect - ITE) कहा जाता है।

एक असंभव पहेली
चुनौती यह है कि आप एक व्यक्ति के लिए कभी भी सही उत्तर नहीं जान सकते।

यदि आप दवा देते हैं, तो आप परिणाम देखते हैं। आप कभी नहीं देख पाते कि क्या होता यदि आपने दवा नहीं दी होती (जिसे "काउंटरफैक्चुअल" या प्रतितथ्य कहा जाता है)।
यदि आप दवा नहीं देते हैं, तो आप वह परिणाम देखते हैं। आप कभी नहीं देख पाते कि क्या होता यदि आपने दवा दी होती।
यह एक फुटबॉल मैच का स्कोर अनुमान लगाने जैसा है जिसे आपने देखा नहीं है, जबकि आप केवल उसी टीम द्वारा खेले गए एक अलग मैच के अंतिम स्कोर को जानते हैं। आपके पास आधी तस्वीर गायब है।

इस लापता हिस्से के कारण, एक व्यक्ति के लिए एक सटीक "प्रेडिक्शन इंटरवल" (सुरक्षा सीमा) बनाना असंभव है। मौजूदा तरीके कोशिश तो करते हैं, लेकिन वे विशाल, बेकार सुरक्षा जाल बना देते हैं।

उपमा: यदि आप एक गिरते हुए पत्ते को पकड़ना चाहते हैं, तो मौजूदा तरीके कह सकते हैं, "यह पहाड़ की चोटी से लेकर समुद्र के तल के बीच कहीं भी गिरेगा।" तकनीकी रूप से, यह सच है (इसमें 95% कवरेज है), लेकिन यह पत्ते को पकड़ने के लिए उपयोगी नहीं है।

नया विचार: "क्रॉस-वर्ल्ड" संबंध
इस शोध पत्र के लेखक इस नए तरीके से उन विशाल जालों को छोटा करने का एक चतुर तरीका प्रस्तावित करते हैं। वे एक अवधारणा पेश करते हैं जिसे "क्रॉस-वर्ल्ड धारणा" (Cross-World Assumption) कहा जाता है।

एक व्यक्ति के शरीर को दो समानांतर ब्रह्मांडों के रूप में सोचें:

ब्रह्मांड A: रोगी दवा लेता है।
ब्रह्मांड B: रोगी दवा नहीं लेता है।

आमतौर पर, हम मानते हैं कि ये दोनों ब्रह्मांड एक-दूसरे से पूरी तरह से असंबंधित हैं। लेकिन वास्तव में, वे गहराई से जुड़े हुए हैं।

उपमा: कल्पना करें कि दो जुड़वां भाई-बहन हैं। यदि जुड़वा A स्वाभाविक रूप से लंबा और एथलेटिक है, तो जुड़वा B के भी लंबा और एथलेटिक होने की संभावना है, भले ही वे अलग-अलग कमरों में हों। उनकी ऊँचाई सह-संबंधित (correlated) है।
इसी तरह, ब्रह्मांड A (दवा के साथ) में रोगी का रक्तचाप, ब्रह्मांड B (बिना दवा के) में उसके रक्तचाप से सह-संबंधित होने की संभावना है। यदि उनका रक्तचाप स्वाभाविक रूप से उच्च है, तो दोनों ब्रह्मांडों में उनका रक्तचाप उच्च ही रहने की संभावना है।

लेखक इस संबंध को मापने के लिए एक संख्या, $\rho$ (रो) को परिभाषित करते हैं।

$\rho = 1$ : पूर्ण संबंध। यदि आप एक ब्रह्मांड में परिणाम जानते हैं, तो आप दूसरे को पूरी तरह से जान सकते हैं।
$\rho = -1$ : पूर्ण विपरीत। यदि दवा उन्हें बेहतर बनाती है, तो दवा न लेने से वे बदतर हो जाते हैं, और इसके विपरीत।
$\rho = 0$ : कोई संबंध नहीं। दोनों ब्रह्मांड अजनबी हैं।

समाधान: दिशा-सूचक यंत्र के रूप में विशेषज्ञ ज्ञान का उपयोग करना
चूंकि हम $\rho$ को सीधे नहीं माप सकते (हम दोनों ब्रह्मांडों को नहीं देख सकते), इसलिए लेखक कहते हैं: "आइए, सामान्य समझ का उपयोग करें।"

लगभग हर वास्तविक दुनिया के परिदृश्य में (जैसे चिकित्सा या अर्थशास्त्र में), हम जानते हैं कि किसी व्यक्ति के अंतर्निntrinsic गुण (आनुवंशिकी, जीवनशैली, आधारभूत स्वास्थ्य) दोनों ब्रह्मांडों में उसे प्रभावित करते हैं। इसलिए, यह मानना तर्कसंगत है कि $\rho$ सकारात्मक है (उदाहरण के लिए, $\rho > 0.5$ )।

कंप्यूटर को यह बताकर, "हे, हमें पता है कि ये दो परिणाम कुछ हद तक संबंधित हैं," गणित बदल जाता है।

परिणाम: "विशाल सुरक्षा जाल" (प्रेडिक्शन इंटरवल) नाटकीय रूप से छोटा हो जाता है।
उपमा: पत्ते के गिरने की जगह का अनुमान लगाने के बजाय, हवा के पैटर्न (सहसंबंध) को जानकर, आप कह सकते हैं, "यह 5 फीट के घेरे के भीतर गिरेगा।"

यह क्यों महत्वपूर्ण है

छोटे अंतराल: उनका तरीका वर्तमान तरीकों की तुलना में अक्सर 1/3 से भी कम चौड़ाई के अंतराल बनाता है। यह भविष्यवाणी को निर्णय लेने के लिए वास्तव में उपयोगी बनाता है।
अभी भी सुरक्षित: भले ही वे एक धारणा का उपयोग करते हैं, वे गणितीय रूप से सिद्ध करते हैं कि यदि उनकी धारणा थोड़ी भी रूढ़िवादी (conservative) है (जैसे, मान लीजिए कि संबंध वास्तव में जितना है उससे अधिक मजबूत है), तो भविष्यवाणी अभी भी 95% सटीक है।
मजबूत (Robust): यह तब भी काम करता है जब डेटा पूरी तरह से "गौसियन" (बेल कर्व) न हो या नमूना आकार छोटा हो।

सारांश में
यह शोध पत्र उस समस्या को हल करता है जहाँ सांख्यिकीविद व्यक्तियों के बारे में अंधे होकर अनुमान लगाने में फंसे हुए थे। यह स्वीकार करके कि एक व्यक्ति का "उपचारित स्वरूप" और "अनुपचारित स्वरूप" संभवतः समान (सह-संबंधित) होते हैं, वे इस ज्ञान का उपयोग करके सत्य के चारों ओर बहुत छोटा, अधिक सटीक घेरा खींच सकते हैं। यह एक अस्पष्ट अनुमान को व्यक्तिगत चिकित्सा जैसे उच्च-जोखिम वाले निर्णयों के लिए एक सटीक, कार्रवाई योग्य उपकरण में बदल देता है।

यहाँ बोदिक, हुआंग और यू के शोध पत्र "Cross-World Assumption and Refining Prediction Intervals for Individual Treatment Effects" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र कारण अनुमान (causal inference) में एक महत्वपूर्ण अंतराल को संबोधित करता है: व्यक्तिगत उपचार प्रभावों (Individual Treatment Effects - ITE) के लिए अनिश्चितता का परिमाणीकरण (quantification)।

चुनौती: जबकि औसत उपचार प्रभाव (ATE) और सशर्त औसत उपचार प्रभाव (CATE) अच्छी तरह से स्थापित हैं, किसी एकल इकाई के विशिष्ट प्रभाव ( $Y(1) - Y(0)$ ) का अनुमान लगाना मौलिक रूप से कठिन है क्योंकि "कारण अनुमान की मूलभूत समस्या" दोनों संभावित परिणामों को एक साथ देखने से रोकती है।
वर्तमान विधियों की सीमाएँ: ITE के लिए प्रेडिक्शन इंटरवल (prediction intervals) बनाने वाली मौजूदा विधियाँ अक्सर दो चरम स्थितियों का शिकार होती हैं:
1. अत्यधिक रूढ़िवादी (Over-conservatism): वे विधियाँ जो संभावित परिणामों के बीच निर्भरता की उपेक्षा करती हैं (जैसे, स्वतंत्रता मान लेना या साधारण यूनियन बाउंड का उपयोग करना), वे अत्यधिक चौड़े इंटरवल उत्पन्न करती हैं, जिससे वे उच्च-दांव वाले निर्णय लेने (जैसे, व्यक्तिगत चिकित्सा) के लिए अनुपयोगी हो जाते हैं।
2. गारंटी का अभाव (Lack of Guarantees): जो विधियाँ इंटरवल को संकीर्ण करने का प्रयास करती हैं, उनमें संभावित परिणामों के संयुक्त वितरण की अनिश्चितता (unidentifiability) के कारण कठोर 'फाइनाइट-सैंपल कवरेज गारंटी' का अभाव होता है।
मुख्य बाधा: कोवेरिएट्स $X$ के दिए होने पर $(Y(1), Y(0))$ का संयुक्त वितरण अवलोकन संबंधी डेटा (observational data) से अनिश्चित (unidentifiable) है। विशेष रूप से, क्रॉस-वर्ल्ड सहसंबंध (cross-world correlation) $\rho(x) = \text{cor}(Y(1), Y(0) \mid X=x)$ को अतिरिक्त धारणाओं के बिना अनुमानित नहीं किया जा सकता है।

2. कार्यप्रणाली: क्रॉस-वर्ल्ड धारणा (Methodology: The Cross-World Assumption)

लेखक एक ढांचा प्रस्तावित करते हैं जो संभावित परिणामों के बीच सहसंबंध $\rho(x)$ के संबंध में एक क्रॉस-वर्ल्ड धारणा (Cross-World Assumption) का लाभ उठाता है।

A. क्रॉस-वर्ल्ड पैरामीटर ( $\rho$ )

यह विधि $\rho(x)$ को एक संवेदनशीलता पैरामीटर (sensitivity parameter) के रूप में पेश करती है। हालांकि यह अनिश्चित (unidentifiable) है, लेखक तर्क देते हैं कि डोमेन विशेषज्ञ अक्सर निम्नलिखित के आधार पर $\rho(x)$ के लिए तर्कसंगत सीमाएं (plausible bounds) या उचित अनुमान प्रदान कर सकते हैं:

सुप्त संरचना (Latent Structure): यदि अदृश्य कारक (जैसे, आनुवंशिक पूर्ववृत्ति, बेसलाइन स्वास्थ्य) उपचार और नियंत्रण दोनों परिणामों को समान रूप से प्रभावित करते हैं, तो $\rho(x)$ सकारात्मक और संभावित रूप से उच्च होने की संभावना है।
सहायक डेटा (Auxiliary Data): कुल सहप्रसरण के नियम (law of total covariance) के माध्यम से $\rho(x)$ पर डेटा-संचालित निचली सीमा प्राप्त करने के लिए अधिक समृद्ध कोवेरिएट्स ( $Z$ ) वाले डेटा के एक उपसमुच्चय का उपयोग करना।
संवेदनशीलता विश्लेषण (Sensitivity Analysis): मजबूती (robustness) का पता लगाने के लिए $\rho$ को एक ट्यूनेबल पैरामीटर के रूप में मानना।

B. CW( $\rho$ ) प्रेडिक्शन इंटरवल्स

मुख्य योगदान एक नया वर्ग है जिसे CW( $\rho$ ) कहा जाता है, जो इंटरवल की चौड़ाई को कम करने के लिए स्पष्ट रूप से सहसंबंध पैरामीटर को शामिल करता है।

निर्माण:
1. मानक कॉन्फ़ॉर्मल इन्फरेंस (जैसे, Conformalized Quantile Regression) का उपयोग करके उपचारित परिणाम $Y(1)$ और नियंत्रण परिणाम $Y(0)$ के लिए अलग-अलग वैध प्रेडिक्शन इंटरवल $C_1(x)$ और $C_0(x)$ का निर्माण करें।
2. ITE इंटरवल $C_{ITE}(x)$ बनाने के लिए इन इंटरवल्स को संयोजित करें।
3. संयुक्त इंटरवल की चौड़ाई एक सहसंबंध-समायोजित यूक्लिडियन दूरी (Correlation-Adjusted Euclidean Distance) फलन द्वारा निर्धारित होती है:
  $D_\rho(l, u) = \sqrt{l^2 + u^2 - 2\rho l u}$
  जहाँ $l$ और $u$ व्यक्तिगत परिणाम इंटरवल्स की निचली और ऊपरी चौड़ाई हैं।
तंत्र (Mechanism):
- यदि $\rho = 1$ (पूर्ण सकारात्मक सहसंबंध) है, तो अंतर $Y(1) - Y(0)$ में अनिश्चितता न्यूनतम हो जाती है (इंटरवल काफी सिकुड़ जाता है)।
- यदि $\rho = -1$ (पूर्ण नकारात्मक सहसंबंध) है, तो अनिश्चितता अधिकतम हो जाती है (इंटरवल चौड़ाई के योग तक फैल जाता है)।
- यह विधि $\rho$ को एक ज्ञात मान, एक निचली सीमा, या एक गलत अनुमान (misspecified estimate) के रूप में उपयोग करने की अनुमति देती है।

C. CW+CI( $\rho$ ) वेरिएंट

उन परिदृश्यों को संबोधित करने के लिए जहाँ CATE एस्टिमेटर $\hat{\tau}(x)$ पक्षपाती (biased) हो सकता है (जो उच्च आयामों में एक सामान्य समस्या है), लेखक CW+CI( $\rho$ ) का प्रस्ताव करते हैं।

यह वेरिएंट CW( $\rho$ ) को CATE एस्टिमेटर के लिए एक कॉन्फिडेंस इंटरवल (जैसे, बूटस्ट्रैपिंग के माध्यम से प्राप्त) के साथ जोड़ता है।
यह कॉन्फिडेंस इंटरवल के भार को $\rho$ के आधार पर गतिशील रूप से समायोजित करता है (उदाहरण के लिए, जब $\rho=1$ हो तो पूर्ण कॉन्फिडेंस इंटरवल जोड़ना और जब $\rho=-1$ हो तो कोई नहीं जोड़ना), यह सुनिश्चित करते हुए कि जब पॉइंट एस्टिमेट अपूर्ण हो तब भी वैधता बनी रहे।

3. मुख्य योगदान (Key Contributions)

नया ढांचा: स्पष्ट क्रॉस-वर्ल्ड धारणाओं के तहत ITE प्रेडिक्शन इंटरवल्स के लिए फाइनाइट-सैंपल और एसिम्प्टोटिक गारंटियों को स्थापित करने वाला पहला कठोर ढांचा।
सैद्धांतिक इष्टतमता (Theoretical Optimality):
- सिद्ध किया कि गॉसियन धारणाओं और ज्ञात $\rho$ के तहत, CW( $\rho$ ) इंटरवल्स एसिम्प्टोटिक रूप से इष्टतम (अर्थात, कवरेज बाधा को पूरा करने वाले सबसे छोटे संभव इंटरवल) हैं।
- फाइनाइट-सैंपल कवरेज गारंटी स्थापित की, भले ही $\rho$ केवल एक सीमा द्वारा सीमित हो (जैसे, $\rho \geq \rho_{min}$ ) या जब CATE एस्टिमेटर पक्षपाती हो।
$\rho$ के लिए व्यावहारिक उपकरण:
- डोमेन ज्ञान और सुप्त संरचना मॉडल का उपयोग करके $\rho$ के बारे में तर्क देने के लिए एक "प्रैक्टिशनर रेसिपी" प्रदान की।
- लेम्मा 1 (Lemma 1) के माध्यम से सहायक कोवेरिएट्स ( $Z$ ) का उपयोग करके $\rho$ पर डेटा-संचालित निचली सीमा का अनुमान लगाने की विधि विकसित की।
मजबूती (Robustness): प्रदर्शित किया कि यदि $\rho$ थोड़ा गलत (misspecified) हो या शोर का वितरण गैर-गॉसियन (non-Gaussian) हो, तो भी यह विधि वैध और प्रभावी रहती है।

4. प्रयोगात्मक परिणाम (Experimental Results)

लेखकों ने सिंथेटिक डेटा और सेमी-सिंथेटिक बेंचमार्क (IHDP, Twins, Cross-over studies) पर अपनी विधि का मूल्यांकन किया।

कवरेज बनाम चौड़ाई (Coverage vs. Width):
- प्रतिस्पर्धी विधियाँ (जैसे, Lei & Candès, DR-meta-learners) या तो $\rho \neq 0$ होने पर कवरेज बनाए रखने में विफल रहीं या उन्होंने CW( $\rho$ ) की तुलना में 3 से 5 गुना अधिक चौड़े इंटरवल बनाए।
- CW( $\rho$ ) ने वैध कवरेज (लक्ष्य $1-\alpha$ को पूरा करना) प्राप्त किया जबकि इंटरवल की चौड़ाई को अक्सर प्रतिस्पर्धी विधियों के 1/3 से भी कम तक कम कर दिया।
गलत विनिर्देश के प्रति मजबूती (Robustness to Misspecification):
- भले ही $\rho$ गलत था (उदाहरण के लिए, $\rho_{used} = \rho_{true} - 0.25$ का उपयोग करना), विधि ने वैध कवरेज बनाए रखा, हालांकि इसमें थोड़े बड़े इंटरवल मिले।
- CW+CI( $\rho$ ) वेरिएंट ने उच्च-आयामी सेटिंग्स और पक्षपाती CATE एस्टिमेटर्स को सफलतापूर्वक संभाला जहाँ मूल CW( $\rho$ ) कम कवरेज (under-cover) दे सकता था।
वास्तविक दुनिया का डेटा: क्रॉस-ओवर अध्ययन और ट्विन्स (Twins) डेटासेट के विश्लेषण से पता चला कि कई वास्तविक दुनिया के परिदृश्यों में, $\rho$ वास्तव में सकारात्मक है और अक्सर पर्याप्त ( $\rho > 0.5$ ) है, जो इन धारणाओं के उपयोग को न्यायसंगत बनाता है।

5. महत्व और प्रभाव (Significance and Impact)

पहचान योग्यता के अंतराल को पाटना (Bridging the Identifiability Gap): यह शोध पत्र $\rho$ को "सिद्ध करने" के बजाय "विशेषज्ञ ज्ञान का उपयोग करके $\rho$ को बांधने" की ओर ध्यान केंद्रित करके ITE की "अनिश्चितता" (unidentifiability) की समस्या को सफलतापूर्वक हल करता है, जो कि अवलोकन संबंधी अध्ययनों में संवेदनशीलता विश्लेषण (sensitivity analysis) के समान एक प्रतिमान परिवर्तन (paradigm shift) है।
उच्च-दांव वाले निर्णय लेना (High-Stakes Decision Making): संकीर्ण, वैध प्रेडिक्शन इंटरवल प्रदान करके, यह विधि व्यक्तिगत रोगियों या नीति विषयों के लिए विश्वसनीय जोखिम मूल्यांकन को सक्षम बनाती है, जो व्यक्तिगत चिकित्सा और सटीक नीति के लिए अत्यंत महत्वपूर्ण है।
सांख्यिकीय वैधता (Statistical Validity): बिना किसी गारंटी के इंटरवल को संकीर्ण करने वाले ह्यूरिस्टिक (heuristic) दृष्टिकोणों के विपरीत, यह विधि कवरेज के लिए कठोर गणितीय प्रमाण प्रदान करती है, जिससे यह नियामक या नैदानिक अनुप्रयोगों के लिए उपयुक्त बन जाती है।
भविष्य की दिशाएँ: यह कार्य मेटा-लर्निंग, निरंतर उपचार सेटिंग्स और टाइम-सीरीज कॉज़ल इन्फरेंस में क्रॉस-वर्ल्ड धारणाओं को एकीकृत करने के मार्ग खोलता है।

संक्षेप में, यह शोध पत्र ITE अनिश्चितता मात्रा निर्धारण की समस्या को एक "ब्लैक बॉक्स" से बदलकर एक समाधान योग्य समस्या में बदल देता है, जो संभावित परिणामों के बीच अक्सर अनदेखी की जाने वाली सहसंबंध का लाभ उठाता है, जिसके परिणामस्वरूप प्रेडिक्शन इंटरवल सांख्यिकीय रूप से कठोर और व्यावहारिक रूप से उपयोगी दोनों होते हैं।

1. समस्या विवरण (Problem Statement)

2. कार्यप्रणाली: क्रॉस-वर्ल्ड धारणा (Methodology: The Cross-World Assumption)

A. क्रॉस-वर्ल्ड पैरामीटर (ρ\rhoρ)

B. CW(ρ\rhoρ) प्रेडिक्शन इंटरवल्स

C. CW+CI(ρ\rhoρ) वेरिएंट