Covariate Adjustment Cannot Hurt: Treatment Effect Estimation under Interference with Low-Order Outcome Interactions

यहाँ शिनयी वांग (Xinyi Wang) और शुआंगनिंग ली (Shuangning Li) के शोध पत्र "Covariate Adjustment Cannot Hurt: Treatment Effect Estimation under Interference with Low-Order Outcome Interactions" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र उन यादृच्छिक प्रयोगों (randomized experiments) में कुल उपचार प्रभाव (Total Treatment Effect - TTE) के अनुमान की चुनौती को संबोधित करता है जहाँ स्थिर इकाई उपचार मूल्य धारणा (Stable Unit Treatment Value Assumption - SUTVA) का उल्लंघन होता है क्योंकि वहाँ हस्तक्षेप (interference) मौजूद है (अर्थात, एक इकाई का उपचार दूसरी इकाई के परिणाम को प्रभावित करता है)।

• संदर्भ: वास्तविक दुनिया की कई स्थितियों में (जैसे सामाजिक नेटवर्क, सार्वजनिक स्वास्थ्य हस्तक्षेप), इकाइयाँ आपस में जुड़ी होती हैं, और परिणाम पड़ोसियों के उपचार असाइनमेंट पर निर्भर करते हैं।
• अंतराल (The Gap): जबकि कोवेरिएट एडजस्टमेंट (जैसे रिग्रेशन) SUTVA सेटिंग्स में विचरण (variance) को कम करने के लिए एक मानक तकनीक है (Lin, 2013), हस्तक्षेप के तहत इसका अनुप्रयोग गैर-तुच्छ (non-trivial) है। सीधा रिग्रेशन एडजस्टमेंट अनजाने में विचरण (variance) को बढ़ा सकता है क्योंकि यह नेटवर्क हस्तक्षेप द्वारा प्रेरित जटिल सह-प्रसरण (covariance) संरचनाओं को ध्यान में रखने में विफल रहता है।
• लक्ष्य: हस्तक्षेप के तहत TTE के लिए कोवेरिएट-समायोजित अनुमानकों (estimators) का एक वर्ग विकसित करना जो एक "कोई नुकसान नहीं" (no-harm) गुण की गारंटी देता है: समायोजित अनुमानक का स्पर्शोन्मुखी विचरण (asymptotic variance), अनअडजस्टेड अनुमानक की तुलना में अधिक नहीं होना चाहिए।

2. कार्यप्रणाली (Methodology)

2.1. मॉडल और सेटअप

• हस्तक्षेप मॉडल: लेखक नेबरहुड इंटरफेरेंस मॉडल (Neighborhood Interference Model) को लो-ऑर्डर इंटरेक्शन आउटकम मॉडल (Low-Order Interaction Outcome Model) (Cortez-Rodriguez et al., 2023) के साथ अपनाते हैं।
  • एक इकाई का परिणाम केवल उसके अपने उपचार और ज्ञात हस्तक्षेप नेटवर्क में उसके पड़ोसियों के उपचारों पर निर्भर करता है।
  • संभावित परिणाम (potential outcome) को पड़ोसियों के उपचार असाइनमेंट के $\beta$ डिग्री (लो-ऑर्डर इंटरेक्शन) के बहुपद (polynomial) के रूप में मॉडल किया गया है।
• बेसलाइन अनुमानक: यह शोध पत्र स्ट्रक्चर्ड नेबरहुड इंटरफेरेंस पॉलिनॉमियल एस्टीमेटर (SNIPE) पर आधारित है, जिसे $\hat{\tau}_{unadj}$ द्वारा दर्शाया गया है, जो लो-ऑर्डर इंटरेक्शन मॉडल के तहत TTE के लिए निष्पक्ष (unbiased) है।

2.2. सामान्य कोवेरिएट-समायोजित अनुमानक (General Covariate-Adjusted Estimator)

लेखक $\theta$ द्वारा पैरामीटराइज्ड अनुमानकों का एक सामान्य वर्ग प्रस्तावित करते हैं:
$$\hat{\tau}(\theta) = \frac{1}{n} \sum_{i=1}^n \omega_i (Y_i - \theta^\top X_i)$$
जहाँ:

• $Y_i$ देखा गया परिणाम (observed outcome) है।
• $X_i$ कोवेरिएट वेक्टर है (इसमें नेटवर्क-व्युत्पन्न विशेषताएं शामिल हो सकती हैं)।
• $\omega_i$ भार (weights) हैं जो SNIPE अनुमानक से प्राप्त होते हैं, जिनका माध्य शून्य है ($E[\omega_i]=0$)।
• यह सूत्रीकरण कंट्रोल वेरिएट्स (Control Variates) पद्धति के समान है। चूंकि $E[\omega_i]=0$ है, इसलिए यह किसी भी निश्चित $\theta$ के लिए निष्पक्ष रहता है।

2.3. $\theta$ के लिए प्रस्तावित अनुमानक

शोध पत्र $\theta$ के चयन के लिए दो विशिष्ट रणनीतियों की जांच करता है:

1. रिग्रेशन-आधारित एडजस्टमेंट ($\hat{\theta}_{Reg}$):

   • यह बिना हस्तक्षेप के अनुमानित विचरण को न्यूनतम करता है (वेटेड लीस्ट स्क्वायर्स)।
   • सीमा: शोध पत्र एक खिलौना उदाहरण (toy example) के माध्यम से प्रदर्शित करता है कि हस्तक्षेप की उपस्थिति में, मार्जिनल विचरण को न्यूनतम करने से इकाइयों के बीच सह-प्रसरण (covariance) बढ़ सकता है, जिससे अनअडजस्टेड अनुमानक की तुलना में कुल विचरण में शुद्ध वृद्धि हो सकती है।

2. वैरिएंस-इम्प्रूवमेंट-मैक्सिमाइज्ड (VIM) एडजस्टमेंट ($\hat{\theta}_{VIM}$):

   • मुख्य नवाचार: सीधे तौर पर कुल विचरण को न्यूनतम करने के बजाय (जो हस्तक्षेप के तहत अनबायस्ड तरीके से अनुमान लगाना कठिन है), लेखक अनअडजस्टेड अनुमानक के सापेक्ष अनुमानित विचरण कमी (estimated variance reduction) को अधिकतम करते हैं।
   • वे विचरण के अंतर, $\Delta(\theta) = \text{Var}(\hat{\tau}(0)) - \text{Var}(\hat{\tau}(\theta))$, के लिए एक निष्पक्ष अनुमानक विकसित करते हैं।
   • $\hat{\theta}_{VIM}$ को इस अनुमानित अंतर को अधिकतम करने के लिए चुना जाता है।
   • मुख्य विशेषता: यह दृष्टिकोण हस्तक्षेप नेटवर्क संरचना (क्रॉस-यूनिट इंटरेक्शन टर्म्स के माध्यम से) को अनुकूलन (optimization) में स्पष्ट रूप से शामिल करता है, जिससे यह सुनिश्चित होता है कि विचरण में कमी, सह-प्रसरण में किसी भी संभावित वृद्धि से अधिक हो।

2.4. विचरण अनुमान (Variance Estimation)

• लेखक समायोजित अनुमानकों के लिए एक रूढ़िवादी विचरण अनुमानक (conservative variance estimator) विकसित करते हैं।
• मौजूदा रूढ़िवादी अनुमानकों (जैसे Cortez-Rodriguez et al., 2023) के विपरीत, जो 'वर्स्ट-केस बाउंड्स' पर निर्भर करते हैं और अक्सर अत्यधिक रूढ़िवादी होते हैं (जिससे कॉन्फिडेंस इंटरवल बहुत चौड़े हो जाते हैं), प्रस्तावित अनुमानक लो-ऑर्डर इंटरेक्शन संरचना का लाभ उठाता है।
• यह जहाँ तक संभव हो सके दूसरे क्रम के पदों (second-order terms) के लिए निष्पक्ष अनुमानकों का उपयोग करता है और जहाँ आवश्यक हो केवल कॉची-श्वार्ज़ (Cauchy-Schwarz) बाउंड्स लागू करता है, जिसके परिणामस्वरूप परिमित नमूनों (finite samples) में काफी सटीक (tighter) कॉन्फिडेंस इंटरवल प्राप्त होते हैं।

3. मुख्य योगदान (Key Contributions)

1. नो-हार्म गारंटी (No-Harm Guarantee): शोध पत्र सिद्ध करता है कि हस्तक्षेप नेटवर्क पर स्पर्सिटी (sparsity) की शर्तों के तहत, VIM-आधारित अनुमानक ($\hat{\tau}(\hat{\theta}_{VIM})$) स्पर्शोन्मुखी रूप से निष्पक्ष है और इसका स्पर्शोन्मुखी विचरण, अनअडजस्टेड SNIPE अनुमानक से अधिक नहीं है। यह Lin (2013) के SUTVA सेटिंग्स वाले परिणाम के समानांतर है, लेकिन इसे हस्तक्षेप की दुनिया में विस्तारित करता है।
2. इष्टतमता (Optimality): $\theta$ द्वारा पैरामीटराइज्ड अनुमानकों के वर्ग के भीतर, VIM अनुमानक को मीन स्क्वेर्ड एरर (MSE) के संदर्भ में स्पर्शोन्मुखी रूप से इष्टतम दिखाया गया है।
3. कोवेरिएट निर्भरता के प्रति मजबूती (Robustness to Covariate Dependence): यह ढांचा कोवेरिएट्स को एक-दूसरे पर और यहाँ तक कि हस्तक्षेप नेटवर्क पर भी मनमाने ढंग से निर्भर होने की अनुमति देता है, बशर्ते वे उपचार असाइनमेंट से स्वतंत्र हों।
4. बेहतर निष्कर्ष (Improved Inference): प्रस्तावित विचरण अनुमानक स्पर्शोन्मुखी रूप से रूढ़िवादी है लेकिन अनुभवजन्य रूप से पिछले तरीकों की तुलना में बहुत कम रूढ़िवादी है, जिससे सटीक कॉन्फिडेंस इंटरवल प्राप्त होते हैं।

4. सैद्धांतिक परिणाम (Theoretical Results)

• संगति (Consistency): मानक नियमितता धारणाओं (boundedness, network sparsity, design matrices की invertibility) के तहत $\hat{\theta}_{Reg}$ और $\hat{\theta}_{VIM}$ दोनों सुसंगत (consistent) हैं।
• स्पर्शोन्मुखी सामान्यता (Asymptotic Normality): समायोजित अनुमानक सेंट्रल लिमिट थ्योरम (CLT) का पालन करते हैं, जिससे वैध बड़े-नमूना निष्कर्ष (large-sample inference) संभव होता है।
• विचरण सीमा (Variance Bound): थ्योरम 1 स्थापित करता है कि $n[\text{Var}(\hat{\tau}_{unadj}) - \text{Var}(\hat{\tau}(\hat{\theta}_{VIM}))] \to \theta^{*\top} V_X \theta^* \geq 0$, जो "नो-हार्म" गुण की पुष्टि करता है।

5. अनुभवजन्य परिणाम (Empirical Results - Simulation Study)

लेखकों ने विभिन्न नेटवर्क मॉडलों (Erdős–Rényi और Soft Random Geometric Graphs) और इंटरेक्शन ऑर्डर्स ($\beta=1, 2$) में व्यापक सिमुलेशन आयोजित किए।

• पूर्वाग्रह (Bias): सभी प्रस्तावित अनुमानक ($\hat{\tau}_{unadj}$, $\hat{\tau}(\hat{\theta}_{Reg})$, $\hat{\tau}(\hat{\theta}_{VIM})$) निष्पक्ष रहे, जबकि डिफरेंस-इन-मीन (DM) और लिन के अनुमानक (जो SUTVA के लिए डिज़ाइन किए गए हैं) हस्तक्षेप के तहत महत्वपूर्ण पूर्वाग्रह प्रदर्शित करते हैं।
• दक्षता (MSE):
  • $\hat{\tau}(\hat{\theta}_{VIM})$ ने MSE के मामले में अनअडजस्टेड अनुमानक की तुलना में लगातार बेहतर प्रदर्शन किया।
  • मजबूत हस्तक्षेप वाले परिदृश्यों में, $\hat{\tau}(\hat{\theta}_{Reg})$ कभी-कभी अनअडजस्टेड अनुमानक से भी खराब प्रदर्शन करता है (विचरण बढ़ने के जोखिम की पुष्टि करता है), जबकि $\hat{\tau}(\hat{\theta}_{VIM})$ ने ऐसा कभी नहीं किया।
• कॉन्फिडेंस इंटरवल: प्रस्तावित विचरण अनुमानक ने Cortez-Rodriguez et al. (2023) के रूढ़िवादी अनुमानक की तुलना में काफी संकीर्ण (अक्सर कई गुना कम) कॉन्फिडेंस इंटरवल दिए, जबकि वैध कवरेज बनाए रखा।

6. महत्व (Significance)

यह शोध पत्र हस्तक्षेप के तहत कारण अनुमान (causal inference) के एक महत्वपूर्ण खुले प्रश्न को हल करता है: क्या हम विचरण बढ़ने के जोखिम के बिना परिशुद्धता (precision) में सुधार करने के लिए सुरक्षित रूप से कोवेरिएट्स का उपयोग कर सकते हैं?

• व्यावहारिक प्रभाव: यह शोधकर्ताओं को उपचार प्रभाव के अनुमान में समृद्ध कोवेरिएट जानकारी (नेटवर्क विशेषताओं सहित) शामिल करने के लिए एक "सुरक्षित" कार्यप्रणाली प्रदान करता है, जिससे वास्तविक दुनिया के नेटवर्क प्रयोगों में अधिक सटीक अनुमान और संकीर्ण कॉन्फिडेंस इंटरवल प्राप्त होते हैं।
• सैद्धांतिक प्रगति: यह "कोवेरिएट एडजस्टमेंट नुकसान नहीं पहुँचा सकता" (covariate adjustment cannot hurt) के प्रतिमान को SUTVA की दुनिया से हस्तक्षेप की दुनिया में विस्तारित करता है, जो एक सिद्धांतपूर्ण VIM ढांचा प्रदान करता है जो नेटवर्क हस्तक्षेप द्वारा उत्पन्न जटिल निर्भरताओं को ध्यान में रखता है।
• सामान्यीकरण (Generalizability): लेखक उल्लेख करते हैं कि आधारभूत अनुमानकों और अन्य कारण अनुमानों (जैसे डायरेक्ट और इनडायरेक्ट इफेक्ट्स) के लिए आधारभूत तर्क (बेसलाइन अनुमानक के सापेक्ष विचरण कमी को अनुकूलित करना) को लागू किया जा सकता है।