📊 statistics

Two-stage Estimation for Causal Inference Involving a Semi-continuous Exposure

यह शोध पत्र एक नवीन दो-चरणीय अनुमान ढांचे (two-stage estimation framework) को प्रस्तावित करता है जिसमें एक दो-भाग वाली प्रोपेंसिटी संरचना (two-part propensity structure) है ताकि एक्सपोज़र की स्थिति और खुराक के प्रभावों को अलग करके अर्ध-सतत एक्सपोज़र (semi-continuous exposures) के लिए कारण अनुमान (causal inference) सक्षम किया जा सके, जबकि इसके सैद्धांतिक गुणों को स्थापित किया गया है और सिमुलेशन तथा एक प्रसवपूर्व अल्कोहल एक्सपोज़र अध्ययन के माध्यम से व्यावहारिक उपयोगिता प्रदर्शित की गई है।

मूल लेखक: Xiaoya Wang, Richard J. Cook, Yeying Zhu, Tugba Akkaya-Hocagil, R. Colin Carter, Sandra W. Jacobson, Joseph L. Jacobson, Louise M. Ryan

प्रकाशित 2026-04-07

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Xiaoya Wang, Richard J. Cook, Yeying Zhu, Tugba Akkaya-Hocagil, R. Colin Carter, Sandra W. Jacobson, Joseph L. Jacobson, Louise M. Ryan

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: क्या गर्भावस्था के दौरान शराब पीना बच्चे के मस्तिष्क के विकास को नुकसान पहुँचाता है?

वास्तविक दुनिया में, आप वैज्ञानिक प्रयोग के लिए गर्भवती महिलाओं को शराब पीने या न पीने के लिए मजबूर नहीं कर सकते (यह अनैतिक होगा)। इसलिए, आपको यह देखना होगा कि स्वाभाविक रूप से क्या हुआ। लेकिन यहाँ समस्या है: डेटा बहुत अव्यवस्थित (messy) है।

कुछ महिलाओं ने बिल्कुल कुछ नहीं पिया। कुछ ने थोड़ा पिया। कुछ ने बहुत अधिक पिया। "कुछ नहीं" वाला समूह डेटा का एक बड़ा ढेर है। दूसरा "पीने वाला" समूह एक लंबी, अव्यवस्थित रेखा की तरह है जो दाईं ओर फैली हुई है। सांख्यिकी (statistics) में, हम इसे सेमी-कंटीन्यूअस एक्सपोजर (semi-continuous exposure) कहते हैं। यह एक लाइट स्विच की तरह है जो या तो बंद (OFF) है (0) या चालू (ON) है (लेकिन जब यह चालू होता है, तो इसकी चमक एक मंद नाइटलाइट से लेकर एक चकाचौंध करने वाली स्पॉटलाइट तक कहीं भी हो सकती है)।

मानक जासूसी कार्य (सांख्यिकीय विधियों) की समस्या यह है कि वे आमतौर पर मानते हैं कि सब कुछ या तो एक सरल "हाँ/नहीं" (बाइनरी) है या एक सहज "कम-से-उच्च" (कंटीन्यूअस) है। वे इस "बंद/परिवर्तनीय-चालू" मिश्रण से भ्रमित हो जाते हैं। यदि आप एक ऐसी आकृति को मापने के लिए मानक पैमाने का उपयोग करने का प्रयास करते हैं जिसका फर्श सपाट है और दीवार ऊबड़-खाबड़ है, तो आपके माप गलत होंगे।

यह शोध पत्र इस नुकसान को मापने का एक नया, स्मार्ट तरीका प्रस्तावित करता है। लेखक इस तरीके को "टू-स्टेज एस्टीमेशन स्ट्रैटेजी" (Two-Stage Estimation Strategy) कहते हैं।

यह कैसे काम करता है, यहाँ एक सरल उपमा (analogy) दी गई है:

उपमा: "पार्टी" और "वॉल्यूम"

कल्पना कीजिए कि आप अध्ययन कर रहे हैं कि एक पार्टी लोगों के मूड को कैसे प्रभावित करती है।

एक्सपोजर (Exposure): पार्टी में जाना।
समस्या: कुछ लोग बिल्कुल नहीं गए (0)। कुछ गए, लेकिन संगीत का वॉल्यूम (आवाज़) फुसफुसाहट से लेकर एक रॉक कॉन्सर्ट तक बहुत अलग-अलग था।

आप दो अलग-अलग सवालों के जवाब देना चाहते हैं:

प्रश्न A (वॉल्यूम का प्रभाव): उन लोगों के लिए जो वास्तव में पार्टी में गए, क्या संगीत को और तेज़ करने से वे अधिक खुश होते हैं या दुखी?
प्रश्न B (पार्टी का प्रभाव): क्या घर पर रहने के बजाय पार्टी में जाना (एक मध्यम वॉल्यूम पर) बेहतर है या बदतर?

मानक तरीके इन दोनों सवालों का जवाब एक ही उलझे हुए समीकरण से देने की कोशिश करते हैं, जिससे अक्सर भ्रम पैदा होता है। यह शोध पत्र कहता है: "आइए काम को दो चरणों में विभाजित करें।"

चरण 1: "वॉल्यूम" जासूस

लक्ष्य: यह पता लगाना कि शराब की मात्रा का क्या प्रभाव पड़ता है, लेकिन केवल उन लोगों के लिए जिन्होंने वास्तव में शराब पी है।

विधि: शोधकर्ता केवल पीने वालों को देखते हैं। वे एक पल के लिए न पीने वालों को अनदेखा कर देते हैं।
ट्रिक: वे एक "प्रोपेंसिटी स्कोर" (Propensity Score) का उपयोग करते हैं। इसे एक "संभावना का बैज" (Likelihood Badge) समझें।
- एक वास्तविक अध्ययन में, शराब पीने वाले लोगों के साथ धूम्रपान करना, उच्च तनाव होना, या कुछ विशेष मोहल्लों में रहना भी जुड़ा हो सकता है। ये "कन्फाउंडर्स" (confounders) हैं (वे सुराग जो पानी में गंदगी फैला देते हैं)।
- प्रोपेंसिटी स्कोर यह गणना करता है कि किसी व्यक्ति की पृष्ठभूमि (तनाव, पड़ोस आदि) के आधार पर शराब पीने की कितनी संभावना थी।
- समान "संभावना वाले बैज" वाले लोगों का मिलान करके, शोधकर्ता एक निष्पक्ष खेल का मैदान तैयार करते हैं। यह यह कहने जैसा है, "ठीक है, हमारे पास ऐसे लोगों के समूह हैं जिनके शराब पीने की संभावना समान थी, लेकिन एक समूह ने थोड़ा पिया और दूसरे ने बहुत अधिक। आइए देखते हैं कि बच्चों के IQ में अंतर शराब की मात्रा के कारण है या नहीं।"
परिणाम: उन्हें एक स्पष्ट संख्या मिलती है: "हर अतिरिक्त ड्रिंक के लिए, बच्चे का स्कोर कितना कम होता है?"

चरण 2: "पार्टी" जासूस

लक्ष्य: यह पता लगाना कि बिल्कुल शराब पीना बनाम बिल्कुल न पीने का क्या प्रभाव है।

सेटअप: अब, वे चरण 1 से प्राप्त उत्तर ( "वॉल्यूम प्रभाव") को सुरक्षित रख लेते हैं। वे इसे एक ज्ञात तथ्य के रूप में मानते हैं।
ट्रिक: वे एक "रेफरेंस पॉइंट" (संदर्भ बिंदु) बनाते हैं। मान लीजिए कि औसत पीने वाले ने 2 ड्रिंक ली थीं। वे पूछते हैं: "यदि एक महिला ने ठीक 2 ड्रिंक ली थीं, तो उसके बच्चे का स्कोर एक महिला की तुलना में कैसा होगा जिसने 0 ड्रिंक ली थीं?"
"ऑफसेट" टूल (The "Offset" Tool): कल्पना कीजिए कि आप एक तराजू पर दो लोगों को तौल रहे हैं। एक व्यक्ति ने एक भारी बैग पहना हुआ है (शराब की खुराक)। उन्हें तौलने से पहले, आप बैग का वजन तराजू से हटाकर एक तरफ रख देते हैं। अब आप केवल व्यक्ति को तौल रहे हैं।
- इस अध्ययन में, वे गणितीय रूप से शराब की मात्रा के प्रभाव को "हटा" देते हैं (चरण 1 से), ताकि वे पीने के निर्णय के प्रभाव को अलग कर सकें।
डबल-चेक: वे एक विशेष तकनीक का उपयोग करते हैं जिसे AIPW (Augmented Inverse Probability Weighting) कहा जाता है।
- इसे खजाना खोजने के लिए दो अलग-अलग मानचित्रों के रूप में सोचें।
- मानचित्र 1: इस पर आधारित है कि किसने पीना चुना (प्रोपेंसिटी स्कोर)।
- मानचित्र 2: इस पर आधारित है कि परिणाम वास्तव में कैसा दिखा (इम्प्यूटेशन मॉडल)।
- सुपरपावर: यदि एक मानचित्र गलत है (उदाहरण के लिए, किसने पिया इसका डेटा अव्यवस्थित है), तो दूसरा मानचित्र स्थिति को संभाल सकता है। आपको सही उत्तर पाने के लिए केवल एक मानचित्र के सही होने की आवश्यकता है। यह परिणाम को बहुत मजबूत और विश्वसनीय बनाता है।

यह क्यों मायने रखता है (वास्तविक दुनिया का अनुप्रयोग)

लेखकों ने इस पद्धति का परीक्षण डेट्रॉइट के 377 बच्चों के एक वास्तविक अध्ययन पर किया।

पुराना तरीका: यदि आप केवल मानक गणित का उपयोग करते, तो आप भ्रमित हो सकते थे कि शराब का सकारात्मक प्रभाव पड़ा है (क्योंकि डेटा अव्यवस्थित था) या आप सूक्ष्म नुकसान को मिस कर सकते थे।
नया तरीका: उनके दो-चरणीय तरीके ने पाया कि:
1. शराब पीना (थोड़ा भी पीना) न पीने की तुलना में बच्चे के संज्ञानात्मक स्कोर (cognitive scores) पर नकारात्मक प्रभाव डालता है।
2. अधिक शराब पीना (अधिक मात्रा) भी स्कोर को कम करता है, लेकिन इस विशिष्ट बिंदु पर डेटा थोड़ा अधिक शोर भरा (noisy) था।

निष्कर्ष (The Takeaway)

यह शोध पत्र एक बहुत ही विशिष्ट, अजीब आकार के बोल्ट के लिए एक विशेष रिंच (wrench) बनाने जैसा है।

पुराने औजारों ने एक चौकोर खांचे को गोल छेद में डालने की कोशिश की, जिससे माप गलत हो गए।
यह नया औजार "बंद/चालू" स्विच को "वॉल्यूम नॉब" से अलग करता है, दोनों को अलग-अलग मापता है, और फिर परिणामों को एक "डबल-चेक" प्रणाली का उपयोग करके जोड़ता है।

यह वैज्ञानिकों को अंततः अधिक विश्वास के साथ यह कहने की अनुमति देता है: "हाँ, गर्भावस्था के दौरान शराब पीना हानिकारक है, और हम केवल शराब शुरू करने के नुकसान और बहुत अधिक पीने के नुकसान के बीच अंतर कर सकते हैं।" यह स्पष्टता डॉक्टरों को गर्भवती माताओं को बेहतर सलाह देने में मदद करती है।

यहाँ "सेमी-कंटीन्यूअस एक्सपोजर (Semi-Continuous Exposures) से संबंधित कॉज़ल इन्फरेंस (Causal Inference) के लिए टू-स्टेज एस्टीमेशन" पेपर का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

अवलोकनात्मक सार्वजनिक स्वास्थ्य अनुसंधान (Observational Public Health Research) में, कई एक्सपोजर सेमी-कंटीन्यूअस (semi-continuous) होते हैं: इनमें शून्य पर एक बड़ा द्रव्यमान (mass) होता है (जो गैर-एक्सपोज़र को दर्शाता है) और जो लोग एक्सपोज़्ड हैं उनके बीच एक निरंतर (continuous), अक्सर दाईं ओर झुका हुआ (right-skewed) वितरण होता है (जैसे, अल्कोहल का सेवन, धूम्रपान, ड्रग का उपयोग)।

मौजूदा विधियों की सीमाएँ: मानक प्रोपेंसिटी स्कोर (PS) विधियाँ बाइनरी या शुद्ध रूप से निरंतर एक्सपोजर के लिए अच्छी तरह से विकसित हैं। हालाँकि, सेमी-कंटीन्यूअस डेटा के लिए सामान्यीकृत PS विधियों (इनवर्स डेंसिटी वेटिंग) को लागू करने से अक्सर अत्यधिक परिवर्तनशील एस्टिमेटर्स (extreme weights के कारण) प्राप्त होते हैं। इसके अलावा, मौजूदा टू-पार्ट मॉडलिंग दृष्टिकोणों में अक्सर एक एकीकृत कॉज़ल फ्रेमवर्क की कमी होती है जो एक्सपोज़र स्टेटस (पीने बनाम न पीने) और एक्सपोज़र डोज़ (पीने वालों के बीच तीव्रता) के लिए अलग-अलग कॉज़ल एस्टिमैंड्स (estimands) को स्पष्ट रूप से परिभाषित करता है।
प्रेरक उदाहरण: लेखक प्रसवपूर्व अल्कोहल एक्सपोजर (Prenatal Alcohol Exposure - PAE) और बाल संज्ञा (child cognition) पर इसके प्रभाव पर ध्यान केंद्रित करते हैं। डेटा में शून्य पर एक पॉइंट मास (point mass) है (वे माताएं जो परहेज करती हैं) और पीने वालों के लिए एक निरंतर वितरण है। शोध का लक्ष्य किसी भी पीने बनाम न पीने के कॉज़ल प्रभाव को, और पीने वालों के बीच डोज़-रिस्पॉन्स प्रभाव को अलग करना है।

2. कार्यप्रणाली (Methodology)

लेखक एक टू-पार्ट प्रोपेंसिटी स्कोर (PS) संरचना पर आधारित एक टू-स्टेज एस्टीमेशन रणनीति का उपयोग करते हुए एक सामान्य कॉज़ल फ्रेमवर्क का प्रस्ताव करते हैं।

A. कॉज़ल फ्रेमवर्क और एस्टिमैंड्स (Causal Framework and Estimands)

एक्सपोज़र $T$ को एक बाइनरी इंडिकेटर $A = I(T > 0)$ और एक निरंतर डोज़ $D = \log(T)$ (जब $A=1$ हो) में विभाजित किया गया है। फ्रेमवर्क एक मार्जिनल स्ट्रक्चरल मॉडल (MSM) के भीतर दो अलग-अलग कॉज़ल एस्टिमैंड्स को परिभाषित करता है:

$\Delta_D$ (डोज़-रिस्पॉन्स प्रभाव): एक्सपोज़्ड आबादी ( $A=1$ ) के बीच डोज़ को एक इकाई बढ़ाने का कॉज़ल प्रभाव।
$\Delta_D = E\{Y(1, d+1) - Y(1, d) \mid A=1\}$
$\Delta_0(c)$ (स्टेटस प्रभाव): एक विशिष्ट संदर्भ डोज़ $c$ पर एक्सपोज़र होने का प्रभाव बनाम गैर-एक्सपोज़्ड ( $A=0$ ) होने का प्रभाव।
$\Delta_0(c) = E\{Y(1, c) - Y(0, 0)\}$

B. टू-पार्ट प्रोपेंसिटी स्कोर (Two-Part Propensity Score)

कन्फाउंडिंग (confounding) को एडजस्ट करने के लिए, लेखक एक टू-पार्ट PS वेक्टर $S(X; \alpha) = (S_1, S_2)'$ पेश करते हैं:

$S_1$ (डोज़ PS): एक्सपोज़्ड के बीच कोवेरिएट्स के दिए गए डोज़ का कंडीशनल एक्सपेक्टेशन: $S_1 = E(D \mid A=1, Z_1)$ ।
$S_2$ (स्टेटस PS): कोवेरिएट्स के दिए गए एक्सपोज़र की कंडीशनल प्रोबेबिलिटी: $S_2 = P(A=1 \mid Z_2)$ ।
नोट: कन्फाउंडर्स के सेट $Z_1$ और $Z_2$ भिन्न हो सकते हैं, जो एक्सपोज़र स्टेटस बनाम एक्सपोज़र तीव्रता को चलाने वाले अलग-अलग तंत्रों की अनुमति देते हैं।

C. टू-स्टेज एस्टीमेशन प्रक्रिया (The Two-Stage Estimation Procedure)

डोज़ प्रभाव के पहचान (identification) को स्टेटस प्रभाव से अलग करने के लिए एस्टीमेशन क्रमिक (sequential) है:

चरण I: डोज़-रिस्पॉन्स प्रभाव ( $\Delta_D$ ) का अनुमान लगाना
- लक्ष्य: $A=1$ वाले व्यक्ति।
- विधि: प्रोपेंसिटी स्कोर रिग्रेशन एडजस्टमेंट।
- मॉडल: $Y$ को देखे गए डोज़ $D$ और डोज़ PS $S_1$ पर रिग्रेट करना।
- एस्टिमेटर: $D$ का गुणांक (coefficient) निरंतर डोज़-रिस्पॉन्स प्रभाव ( $\psi_{11}$ ) का एक सुसंगत (consistent) अनुमान प्रदान करता है, बशर्ते कि $S_1$ के लिए मॉडल सही ढंग से निर्दिष्ट (specified) हो।
चरण II: स्टेटस प्रभाव ( $\Delta_0(c)$ ) का अनुमान लगाना
- लक्ष्य: $A=1$ (संदर्भ डोज़ $c$ पर) और $A=0$ के बीच तुलना।
- रणनीति: चरण I से प्राप्त अनुमानित डोज़-रिस्पॉन्स प्रभाव ( $\hat{\gamma}_{11}$ ) को चरण II मॉडल में एक निश्चित ऑफसेट (offset) के रूप में माना जाता है। यह संदर्भ डोज़ से विचलन के कारण परिणाम में होने वाले बदलाव को हटा देता है, जिससे "स्टेटस" प्रभाव अलग हो जाता है।
- विधियाँ: लेखक चरण II के लिए तीन दृष्टिकोण प्रस्तावित करते हैं, जो सभी स्टेटस PS ( $S_2$ $S_{2}$ ) का उपयोग करते हैं:
  1. PS रिग्रेशन एडजस्टमेंट: $Y$ को $A$ और $S_2$ (ऑफसेट के साथ) पर रिग्रेट करना।
  2. इनवर्स प्रोबेबिलिटी वेटिंग (IPW): अवलोकनों को $1/S_2$ (या $1/(1-S_2)$ ) द्वारा वेट करना।
  3. ऑगमेंटेड इनवर्स प्रोबेबिलिटी वेटिंग (AIPW): IPW को आउटकम इम्प्यूटेशन मॉडल के साथ जोड़ता है। यह एस्टिमेटर डबली रोबस्ट (doubly robust) है: यह तब सुसंगत रहता है जब या तो स्टेटस PS मॉडल ( $S_2$ ) या आउटकम इम्प्यूटेशन मॉडल सही ढंग से निर्दिष्ट हो।

D. सैद्धांतिक गुण (Theoretical Properties)

सुसंगतता और एसिम्प्टोटिक नॉर्मलिटी (Consistency & Asymptotic Normality): लेखक सिद्ध करते हैं कि उनके एस्टिमेटर्स मानक रेगुलैरिटी कंडीशंस और सही मॉडल स्पेसिफिकेशन के तहत सुसंगत और एसिम्प्टोटिकली नॉर्मल हैं।
मिसस्पेसिफिकेशन विश्लेषण (Misspecification Analysis): वे विभिन्न मिसस्पेसिफिकेशन परिदृश्यों के तहत एस्टिमेटर्स के सीमित मानों (limiting values) को व्युत्पन्न करते हैं।
- चरण I ( $S_1$ ) में मिसस्पेसिफिकेशन डोज़ के अनुमान को पक्षपाती (bias) बनाता है और चरण II के स्टेटस अनुमान में भी बायस को प्रसारित करता है।
- चरण II ( $S_2$ ) में मिसस्पेसिफिकेशन स्टेटस एस्टिमेट को पक्षपाती बनाता है, जब तक कि AIPW का उपयोग न किया जाए और इम्प्यूटेशन मॉडल सही न हो।

3. मुख्य योगदान (Key Contributions)

एकीकृत कॉज़ल फ्रेमवर्क: यह पेपर सेमी-कंटीन्यूअस एक्सपोजर के लिए पोटेंशियल आउटकम्स फ्रेमवर्क के भीतर दो अलग-अलग कॉज़ल एस्टिमैंड्स को औपचारिक रूप से परिभाषित करता है, जो मौजूदा साहित्य के उस अंतर को भरता है जहाँ इन एक्सपोजर्स को अक्सर एक एकल संरचना या डिस्क्रीटाइज (discretized) माना जाता था।
टू-स्टेज एस्टीमेशन रणनीति: डोज़-रिस्पॉन्स और स्टेटस प्रभावों के अनुमान को अलग करके, यह विधि लचीले मॉडलिंग (जैसे, स्टेटस बनाम डोज़ के लिए अलग-अलग कन्फाउंडर्स) की अनुमति देती है और स्टेटस प्रभाव को अलग करने के लिए ऑफसेट तकनीक का उपयोग करने में सक्षम बनाती है।
डबली रोबस्ट विकल्प: चरण II में AIPW का एकीकरण बाइनरी एक्सपोज़र घटक के लिए मॉडल मिसस्पेसिफिकेशन के विरुद्ध सुरक्षा प्रदान करता है, जो टू-पार्ट PS विश्लेषणों में पहले की कमी थी।
बायस का सैद्धांतिक लक्षण वर्णन: वे विभिन्न मिसस्पेसिफिकेशन परिदृश्यों के तहत एसिम्प्टोटिक बायस के लिए स्पष्ट गणितीय व्युत्पन्न प्रदान करते हैं, जिससे यह स्पष्ट होता है कि निरंतर डोज़ मॉडल में त्रुटियां बाइनरी स्टेटस एस्टिमेट को कैसे प्रभावित करती हैं।

4. परिणाम (Results)

सिमुलेशन अध्ययन (Simulation Studies)

प्रदर्शन: सही मॉडल स्पेसिफिकेशन के तहत, सभी प्रस्तावित विधियों (PS रिग्रेशन, IPW, AIPW) ने नगण्य बायस और नाममात्र 95% स्तर के करीब कवरेज प्रोबेबिलिटी दिखाई।
रोबस्टनेस:
- चरण I मिसस्पेसिफिकेशन: यदि डोज़ PS ( $S_1$ ) मिसस्पेसिफाइड है, तो चरण I और चरण II दोनों के अनुमान पक्षपाती हो जाते हैं, जो निरंतर एक्सपोज़र घटक को सही ढंग से मॉडल करने के महत्वपूर्ण महत्व को उजागर करता है।
- चरण II मिसस्पेसिफिकेशन: AIPW एस्टिमेटर ने डबल रोबस्टनेस प्रदर्शित की। जब स्टेटस PS ( $S_2$ ) मिसस्पेसिफाइड था, तब भी एस्टिमेटर सुसंगत रहा, बशर्ते कि आउटकम इम्प्यूटेशन मॉडल सही हो। इसके विपरीत, यदि इम्प्यूटेशन मॉडल मिसस्पेसिफाइड था, तो स्थिरता बनी रही यदि $S_2$ सही था।
वैरिएंस: वेटिंग-आधारित विधियों (IPW/AIPW) ने आमतौर पर रिग्रेशन एडजस्टमेंट की तुलना में बड़े स्टैंडर्ड एरर दिए, जो रोबस्टनेस के लिए एक ज्ञात ट्रेड-ऑफ है।

अनुप्रयोग: प्रसवपूर्व अल्कोहल एक्सपोजर (डेट्रॉइट कोहॉर्ट)

डेटा: डेट्रॉइट लॉन्गिट्यूडिनल कोहॉर्ट से 377 बच्चे, जिसमें फुल स्केल IQ (WISC-III) आउटकम था।
निष्कर्ष:
- पारंपरिक कोवेरिएट एडजस्टमेंट: पीने की स्थिति (drinking status) का एक छोटा सकारात्मक प्रभाव बताया (संभवतः अवशिष्ट कन्फाउंडिंग के कारण)।
- प्रोपेंसिटी स्कोर विधियाँ: सभी PS-आधारित विधियों (टू-पार्ट, टू-स्टेज PS, IPW, AIPW) ने डोज़ प्रभाव और स्टेटस प्रभाव दोनों के लिए नकारात्मक अनुमान दिए, जो संज्ञा (cognition) पर हानिकारक प्रभाव का सुझाव देते हैं।
- महत्व: हालांकि पॉइंट एस्टिमेट्स ने नुकसान का संकेत दिया, लेकिन इस विशिष्ट सैंपल में कोई भी 5% स्तर पर सांख्यिकीय रूप से महत्वपूर्ण नहीं था। हालांकि, PS-आधारित अनुमान नैव (naive) कोवेरिएट एडजस्टमेंट की तुलना में पूर्व महामारी विज्ञान साक्ष्यों के अधिक सुसंगत थे।
- मिसिंग डेटा को संभालना: लेखकों ने वैधता बनाए रखने के लिए प्रत्येक इम्प्यूटेड डेटासेट के भीतर प्रोपेंसिटी स्कोर का अनुमान लगाकर मल्टीपल इम्प्यूटेशन (MICE) को टू-स्टेज फ्रेमवर्क के साथ सफलतापूर्वक लागू किया।

5. महत्व (Significance)

यह पेपर महामारी विज्ञान और सामाजिक विज्ञानों में एक सामान्य लेकिन चुनौतीपूर्ण डेटा संरचना के लिए एक कठोर पद्धतिगत समाधान प्रदान करता है। सेमी-कंटीन्यूअस एक्सपोजर को स्टेटस और डोज़ घटकों में विभाजित करके, प्रस्तावित फ्रेमवर्क शोधकर्ताओं को निम्नलिखित की अनुमति देता है:

अलग-अलग वैज्ञानिक प्रश्नों का उत्तर देना (जैसे, "क्या कोई भी पीना हानिकारक है?" बनाम "क्या अधिक पीना अधिक नुकसान पहुँचाता है?")।
मनमाने डिस्क्रीटाइजेशन या अस्थिर इनवर्स डेंसिटी वेटिंग के खतरों से बचना।
बाइनरी एक्सपोज़र घटक के लिए मॉडल मिसस्पेसिफिकेशन से बचने के लिए डबली रोबस्ट एस्टीमेशन का लाभ उठाना।

यह कार्यप्रणाली किसी भी अध्ययन के लिए व्यापक रूप से लागू करने योग्य है जिसमें सेमी-कंटीन्यूअस उपचार शामिल हैं, जैसे पर्यावरणीय विष विज्ञान (प्रदूषक स्तर), व्यवहार संबंधी स्वास्थ्य (पदार्थ का सेवन), और स्वास्थ्य सेवा उपयोग (लागत या दौरों की आवृत्ति)।