तकनीकी सारांश: हस्तक्षेप के तहत कारण अनुमान (Causal Inference) के लिए एक संवेदनशीलता विश्लेषण ढांचा

1. समस्या विवरण

कारण अनुमान (Causal inference) में, हस्तक्षेप न होने की धारणा (स्थिर इकाई उपचार मूल्य धारणा, या SUTVA) यह मानती है कि एक इकाई का परिणाम केवल उसके अपने उपचार पर निर्भर करता है। हालांकि, कई अनुप्रयोगों में, जैसे कि संक्रामक रोग अध्ययन, एक इकाई द्वारा प्राप्त उपचार दूसरी इकाई के परिणाम को प्रभावित कर सकता है, जिसे हस्तक्षेप (Interference) या स्पिलओवर प्रभाव (Spillover effects) के रूप में जाना जाता है। हस्तक्षेप की अनदेखी करने से व्यवस्थित पूर्वाग्रह (Systematic bias) उत्पन्न होता है जिसे नमूना आकार बढ़ाकर कम नहीं किया जा सकता है।

हस्तक्षेप पर मौजूदा साहित्य अक्सर यह मानता है कि सभी प्रासंगिक भ्रमकारक (Confounders) देखे गए हैं और अध्ययन जनसंख्या लक्षित जनसंख्या का प्रतिनिधित्व करती है। हालांकि, अभ्यासी अक्सर तीन चुनौतियों का एक साथ सामना करते हैं:

1. अनदेखा हस्तक्षेप (Ignored Interference): स्पिलओवर प्रभावों को समायोजित करने में विफलता।
2. अमूर्त भ्रमकार (Unmeasured Confounding): अनपेक्षित चरों की उपस्थिति जो उपचार और परिणाम दोनों को प्रभावित करते हैं।
3. परिवहन क्षमता का अभाव (Lack of Transportability): संदर्भ जनसंख्या से लक्षित जनसंख्या तक कारण निष्कर्षों को सामान्यीकृत करने में असमर्थता, जो सहचरों (Covariates) के वितरण या उपचार तंत्र में अंतर के कारण होती है।

वर्तमान संवेदनशीलता विश्लेषण ढांचे आमतौर पर इन मुद्दों को अलग-तलग से संबोधित करते हैं। उदाहरण के लिए, जबकि VanderWeele et al. (2015) ने हस्तक्षेप के तहत अमूर्त भ्रमकार के लिए एक ढांचा विकसित किया, यह अनदेखे हस्तक्षेप या परिवहन क्षमता को ध्यान में नहीं रखता है। इसी तरह, Forastiere et al. (2021) इन कारकों से होने वाले पूर्वाग्रह पर चर्चा करते हैं लेकिन व्याख्या योग्य मापदंडों के साथ एक संरचित संवेदनशीलता विश्लेषण दृष्टिकोण प्रदान नहीं करते हैं। यह शोध पत्र इन तीन जटिलताओं के संयोजन से उत्पन्न व्यवस्थित पूर्वाग्रह का आकलन करने के लिए एक एकीकृत ढांचे का प्रस्ताव करके इस अंतराल को संबोधित करता है।

2. कार्यप्रणाली

2.1 ढांचा और धारणाएं

लेखक पड़ोस संबंधी हस्तक्षेप (Neighborhood interference) के तहत संभावित परिणामों (Potential outcomes) के ढांचे को अपनाते हैं। वे एक परिणाम एक्सपोजर मैपिंग (धारणा 1) पेश करते हैं, जहाँ एक स्केलर फलन $g_i(\mathbf{A}_{N_i})$ एक इकाई के पड़ोसियों के उपचारों का सारांश प्रस्तुत करता है, जिससे संभावित परिणामों की आया (Dimensionality) कम हो जाती है। प्रेक्षित परिणाम $Y$ को निरंतरता धारणा (धारणा 2) के माध्यम से संभावित परिणामों से जोड़ा जाता है।

अमूर्त भ्रमकार और परिवहन क्षमता को संभालने के लिए, लेखक मानक पहचान धारणाओं को शिथिल करते हैं:

• कमजोर सशर्त विनिमयशीलता (Weak Conditional Exchangeability - धारणा 5): यह अमूर्त भ्रमकारों ($U$) की अनुमति देता है लेकिन देखे गए सहचरों ($X$) और अमूर्त भ्रमकारों के दिए जाने पर सशर्त स्वतंत्रता मानता है। महत्वपूर्ण रूप से, इसके लिए व्यक्तिगत उपचार ($A$) और पड़ोस उपचार ($G$) के साथ-साथ $A$ और जनसंख्या संकेतक ($S$) के सामान्य कारणों पर शर्त रखना आवश्यक है।
• नमूनाकरण की सशर्त अनभिज्ञता (Conditional Ignorability of Sampling - धारणा 7): यह संदर्भ ($S=1$) और लक्षित ($S=2$) जनसंख्याओं के बीच अमूर्त अंतरों की अनुमति देता है, बशर्ते कि $G$ और विशिष्ट सहचरों के दिए जाने पर, नमूनाकरण अनभिज्ञ (Ignorable) हो।

2.2 वेटिंग एरर (Weighting Errors) के माध्यम से पूर्वाग्रह अपघटन

मुख्य कार्यप्रणाली एक "नाइव" (Naive) अनुमानक (जो हस्तक्षेप, अमूर्त भ्रमकार और परिवहन क्षमता के मुद्दों को अनदेखा करता है) की तुलना शिथिल धारणाओं के तहत प्राप्त वास्तविक पहचान सूत्रों से करके की जाती है। लेखक दो प्रकार के वेटिंग एरर (Weighting errors) को परिभाषित करते हैं:

1. भार में गुणात्मक त्रुटि (Multiplicative Error in Weights, MEW, $\varepsilon_a$): वास्तविक प्रोपेंसिटी स्कोर (सभी प्रासंगिक $X$ और $U$ पर आधारित) और छद्म प्रोपेंसिटी स्कोर (केवल देखे गए $X_{AY}$ पर आधारित) का अनुपात। यह अनदेखे हस्तक्षेप और अमूर्त भ्रमकार से होने वाले पूर्वाग्रह को पकड़ता है।
2. भार में अंतर त्रुटि (Difference Error in Weights, DEW, $\tilde{\varepsilon}_S$): एक पद जो नैविव नमूनाकरण भार (1) और परिवहन क्षमता के लिए आवश्यक वास्तविक नमूनाकरण भार के बीच के अंतर का प्रतिनिधित्व करता है। यह परिवहन क्षमता के अभाव से होने वाले पूर्वाग्रह को पकड़ता है।

2.3 संवेदनशीलता पैरामीटर (Sensitivity Parameters)

पूर्वाग्रह को सहप्रसरण पदों के योग के रूप में विघटित किया जाता है, जिनमें से प्रत्येक को सहसंबंध गुणांक और दो मानक विचलन के उत्पाद के रूप में व्यक्त किया जाता है। ये घटक संवेदनशीलता पैरामीटर के रूप में कार्य करते हैं जिन्हें अभ्यासी अपने डोमेन ज्ञान के आधार पर निर्दिष्ट कर सकते हैं:

• हस्तक्षेप/भ्रमकार के लिए (पद T1 और T2):
  • $\sigma_{Y(a,0)}$: आधारभूत संभावित परिणामों का मानक विचलन।
  • $\sigma_{\varepsilon_a}$: MEW स्कोर की परिवर्तनशीलता (अनदेखे भ्रमकार/हस्तक्षेप की शक्ति को दर्शाती है)।
  • $\rho_{Y(a,0), \varepsilon_a}$: आधारभूत परिणामों और वेटिंग एरर के बीच सहसंबंध।
  • $\sigma_{\gamma(a)}$: प्राकृतिक व्यक्तिगत स्पिलओवर प्रभावों की परिवर्तनशीलता।
  • $\rho_{\gamma(a), \varepsilon_a}$: स्पिलओवर प्रभावों और वेटिंग एरर के बीच सहसंबंध।
• परिवहन क्षमता के लिए (पद T3 और T4):
  • $\sigma_{\tau(0)}$: नियंत्रित व्यक्तिगत मुख्य प्रभावों की परिवर्तनशीलता।
  • $\sigma_{\tilde{\varepsilon}_S}$: DEW स्कोर की परिवर्तनशीलता।
  • $\rho_{\tau(0), \tilde{\varepsilon}_S}$: प्रत्यक्ष प्रभावों और नमूनाकरण भार के बीच सहसंबंध।
  • $\sigma_{\gamma(1)-\gamma(0)}$: स्पिलओवर प्रभावों के अंतर की परिवर्तनशीलता।
  • $\rho_{\gamma(1)-\gamma(0), \tilde{\varepsilon}_S}$: स्पिलओवर अंतर और नमूनाकरण भार के बीच सहसंबंध।

लेखक इन मापदंडों को सीमित करने के लिए दिशा-निर्देश प्रदान करते हैं (जैसे, परिणाम सीमाओं के लिए पॉपोविसी असमानता या भार सीमाओं के लिए भटिया-डेविस असमानता का उपयोग करना) और सबसे खराब स्थिति के परिदृश्यों के लिए पूर्वाग्रह को अधिकतम करने हेतु सहसंबंध संकेतों को सेट करने का सुझाव देते हैं।

2.4 अपरिभाषित संभावित परिणामों तक विस्तार

यह शोध पत्र उन सेटिंग्स में ढांचे का विस्तार करता है जहाँ अपर्याप्त पड़ोसियों वाली इकाइयों के लिए संभावित परिणाम अपरिभाषित होते हैं (जैसे, 0 पड़ोसियों वाली इकाई 2 के पड़ोस उपचार का अनुभव नहीं कर सकती)। $N$ के लिए एक चर $N$ (पड़ोसियों की संख्या) पेश करके और विश्लेषण को $N$ पर आधारित करके, लेखक पहचान सूत्र और पूर्वाग्रह अपघटन (प्रमेय 3) प्राप्त करते हैं जो तब भी मान्य रहते हैं जब एक्सपोजर मैपिंग डोमेन प्रति इकाई भिन्न होता है।

3. मुख्य परिणाम

• प्रमेय 1 ( $\phi_1$ के लिए पूर्वाग्रह अपघटन): संदर्भ जनसंख्या में प्राकृतिक औसत उपचार प्रभाव के लिए एक नाइवв अनुमानक के पूर्वाग्रह को दो भागों में विभाजित किया गया है:
  • T1: MEW स्कोर और आधारभूत संभावित परिणामों के बीच सहप्रसरण (जो अमूर्त भ्रमकार और हस्तक्षेप के आधारभूत स्तर द्वारा संचालित होता है)।
  • T2: MEW स्कोर और प्राकृतिक स्पिलओवर प्रभावों के बीच सहप्रसरण। यह पद रेखांकित करता है कि भले ही $A$ और $G$ के सामान्य कारण अनुपस्थित हों, फिर भी अमूर्त भ्रमकार पूर्वाग्रह उत्पन्न कर सकता है यदि वह स्पिलओवर प्रभावों की विषमता के साथ सहसंबंधित हो।
• प्रमेय 2 ( $\phi_2$ के लिए पूर्वाग्रह अपघटन): ट्रांसपोर्टेड (Transported) प्राकृतिक औसत उपचार प्रभाव के लिए पूर्वाग्रह, $\phi_1$ के पूर्वाग्रह और दो अतिरिक्त पदों का योग है:
  • T3: DEW स्कोर और नियंत्रित प्रत्यक्ष प्रभावों के बीच सहप्रसरण।
  • T4: DEW स्कोर और उपचार भुजाओं के बीच स्पिलओवर प्रभावों के अंतर के बीच सहप्रसरण।
• उपप्रमेय (Corollaries): शोध पत्र प्रदर्शित करता है कि यदि जनसंख्याओं के बीच पड़ोस उपचार ($G$) का सीमांत वितरण समान है, तो परिवहन क्षमता का पूर्वाग्रह समाप्त हो जाता है। यह यह भी दिखाता है कि हस्तक्षेप की अनुपस्थिति में, ढांचा परिवहन क्षमता के लिए मौजूदा संवेदनशीलता विश्लेषण विधियों (जैसे, Huang, 2024) में बदल जाता है।
• प्रमेय 3: अपरिभाषित संभावित परिणामों वाले परिदृश्यों में पूर्वाग्रह अपघटन का विस्तार करता है, यह दिखाते हुए कि पूर्वाग्रह की संरचना समान रहती है लेकिन इसके लिए पड़ोसियों की संख्या पर शर्त रखना आवश्यक है।

4. महत्व और योगदान

यह शोध पत्र दावा करता है कि यह एक व्यापक संवेदनशीलता विश्लेषण ढांचे को विकसित करने वाला पहला कार्य है जो एक साथ अनदेखे हस्तक्षेप, अमूर्त भ्रमकार और परिवहन क्षमता की कमी को ध्यान में रखता है।

• नवीनता: पिछले कार्यों के विपरीत जो इन मुद्दों को अलग-अलग मानते हैं या परिणाम उत्पन्न करने वाली प्रक्रिया या अमूर्त भ्रमकार के वितरण के बारे में कड़े अनुमानों की आवश्यकता रखते हैं, यह ढांचा विभिन्न डेटा जटिलताओं के प्रति मजबूत वेटिंग-आधारित पूर्वाग्रह अपघटन पर निर्भर करता है।
• व्यावहारिक उपयोगिता: पूर्वाग्रह को आसानी से व्याख्या योग्य संवेदनशीलता मापदंडों (सहसंबंधों और मानक विचलन) के माध्यम से पैरामीटराइज़ करके, यह ढांचा अभ्यासियों को यह मूल्यांकन करने की अनुमति देता है कि उनके निष्कर्ष मानक धारणाओं के उल्लंघन के प्रति कितने सुदृढ़ हैं। यह शोधकर्ताओं को यह मापने में सक्षम बनाता है कि अपने निष्कर्षों को बदलने के लिए हस्तक्षेप या भ्रमकार की शक्ति कितनी आवश्यक है।
• सामान्यीकरण: यह पद्धति पिछले वेटिंग-आधारित परिणामों (जैसे, Shen et al., 2011; Hong et al., 2021) को सामान्य करती है और उन्हें हस्तक्षेप और परिवहन क्षमता की जटिल सेटिंग में विस्तारित करती है।
• अपरिभाषित परिणामों को संभालना: अपरिभाषित संभावित परिणामों के लिए विस्तार हस्तक्षेप साहित्य में एक महत्वपूर्ण सैद्धांतिक अंतर को संबोधित करता है, यह स्वीकार करता है कि हर इकाई के लिए सभी संभावित परिणाम अच्छी तरह से परिभाषित नहीं होते हैं।

संक्षेप में, यह शोध पत्र उन अभ्यासियों के लिए एक संरचित, लचीला और सैद्धांतिक रूप से सुदृढ़ दृष्टिकोण प्रदान करता है जो यह आकलन करना चाहते हैं कि जब डेटा में हस्तक्षेप, अमूर्त भ्रमकार और परिवहन क्षमता के मुद्दे मौजूद हों लेकिन अनपेक्षित या असमायोजित हों, तो अनुमानित कारण अनुमानों में व्यवस्थित पूर्वाग्रह कितना होगा।