Design-based nested instrumental variable analysis

तकनीकी सारांश: डिज़ाइन-आधारित नेस्टेड इंस्ट्रूमेंटल वेरिएबल विश्लेषण

1. समस्या विवरण

पारंपरिक इंस्ट्रूमेंटल वेरिएबल (IV) विश्लेषण का लक्ष्य अनकहे कन्फाउंडिंग (unmeasured confounding) की उपस्थिति में कारण प्रभावों (causal effects) का अनुमान लगाना है, जो एक ऐसे स्रोत के उतार-चढ़ाव (variation) का लाभ उठाता है जो उपचार को प्रभावित करता है लेकिन सीधे परिणाम को नहीं। हालांकि, मानक IV विश्लेषण आमतौर पर केवल "कंप्लायर्स" (compliers) उपसमूह के लिए उपचार प्रभाव की पहचान करता है।

एक महत्वपूर्ण सीमा तब उत्पन्न होती है जब कई इंस्ट्रूमेंट्स मौजूद होते हैं जिनकी "शक्ति" (अनुपालन दर/compliance rates) अलग-अलग होती है। कई वास्तविक दुनिया के परिदृश्यों में—जैसे कि विभिन्न स्तरों के प्रोत्साहन वाले क्लिनिकल ट्रायल या नीतिगत परिवर्तन—व्यक्ति विभिन्न प्रकार के प्रोत्साहनों के प्रति अलग-अलग प्रतिक्रिया देते हैं। यह शोध पत्र एक नेस्टेड IV संरचना (nested IV structure) के भीतर विशिष्ट गुप्त उपसमूहों (latent subgroups) की पहचान करने और उनके लिए वैध सांख्यिकीय निष्कर्ष निकालने की चुनौती को संबोधित करता है:

• ऑलवेज-कंप्लायर्स (Always-compliers - ACO): वे व्यक्ति जो कमजोर और मजबूत दोनों प्रकार के इंस्ट्रूमेंट के तहत उपचार का पालन करते हैं।
• स्विचर्स (Switchers - SW): वे व्यक्ति जो कमजोर इंस्ट्रूमेंट के तहत पालन नहीं करते हैं लेकिन मजबूत इंस्ट्रूमेंट के तहत पालन करते हैं।

लेखक नोट करते हैं कि जबकि इन उपसमूहों की पहचान सैद्धांतिक रूप से संभव है, मानक तरीके अक्सर छोटे सैंपल साइज, स्विचर्स के कम अनुपात, या उन परिदृश्यों में संघर्ष करते हैं जहाँ "शक्ति" के असाइनमेंट (उदाहरण के लिए, एक रोगी किस क्लिनिकल साइट पर जाता है) का रैंडमाइजेशन नहीं किया गया है।

2. कार्यप्रणाली

लेखक तीन स्तंभों वाला एक व्यापक डिज़ाइन-आधारित ढांचा प्रस्तावित करते हैं:

A. पेयर-ऑफ-पेयर्स नेस्टेड IV (PoP-NIV) डिज़ाइन:
पहचान को सक्षम करने के लिए, लेखक एक पदानुक्रमित मिलान डिज़ाइन (hierarchical matching design) पेश करते हैं। प्रत्येक मैच किया गया स्ट्रैटम (stratum) चार इकाइयों से बना होता है जिन्हें दो जोड़ों में व्यवस्थित किया जाता है। एक जोड़ा "कमजोर" बाइनरी IV $\{0_a, 1_a\}$ सौंपा जाता है, और दूसरा जोड़ा "मजबूत" बाइनरी IV $\{0_b, 1_b\}$ सौंपा जाता है। यह संरचना शोधकर्ताओं को गणितीय रूप से स्विचर्स के प्रभावों को ऑलवेज-कंप्लायर्स से अलग करने की अनुमति देती है। इस डिज़ाइन का निर्माण एक कम्प्यूटेशनल रूप से कुशल मिनिमम-कॉस्ट नेटवर्क फ्लो एल्गोरिदम का उपयोग करके किया गया है ताकि चारों समूहों में कोवेरिएट बैलेंस (covariate balance) सुनिश्चित किया जा सके।

B. डिज़ाइन-आधारित निष्कर्ष (Design-Based Inference):
पारंपरिक स्ट्रक्चरल इक्वेशन मॉडलिंग के विपरीत, लेखक रैंडमाइजेशन इन्फरेंस (randomization inference) का उपयोग करते हैं। यह दृष्टिकोण संभावित परिणामों के वितरण के बजाय IV असाइनमेंट के ज्ञात तंत्र पर निर्भर करता है। वे विकसित करते हैं:

• ACO-SATE: ऑलवेज-कंप्लायर्स के लिए सैंपल एवरेज ट्रीटमेंट इफेक्ट।
• SW-SATE: स्विचर्स के लिए सैंपल एवरेज ट्रीटमेंट इफेक्ट।
• होमोजेनिटी टेस्ट (Homogeneity Test): यह निर्धारित करने के लिए एक औपचारिक सांख्यिकीय परीक्षण कि क्या दोनों उपसमूहों के लिए उपचार प्रभाव समान है ($\kappa = \lambda$)।

C. आंशिक रूप से पक्षपाती रैंडमाइजेशन स्कीम (Partly Biased Randomization Scheme):
कई अध्ययनों में, जबकि एक साइट के भीतर IV असाइनमेंट रैंडमाइज्ड होता है, साइट का चयन स्वयं (जो IV की शक्ति निर्धारित करता है) पक्षपाती हो सकता है। लेखक एक पैरामीटर $\Gamma$ का उपयोग करके एक संवेदनशीलता विश्लेषण (sensitivity analysis) ढांचा पेश करते हैं। यह शुद्ध रैंडमाइजेशन से हटकर "मजबूत" बनाम "कमजोर" इंस्ट्रूमेंट के असाइनमेंट के पक्षपाती होने पर भी वैध निष्कर्ष निकालने की अनुमति देता है, जिससे संभावित पूर्वाग्रह को सीमित करने का एक तरीका मिलता है।

3. मुख्य योगदान

1. उपसमूह अपघटन (Subgroup Decomposition): वे कुल कंप्लायर प्रभाव को दो क्रियाशील उपसमूहों (ऑलवेज-कंप्लायर्स और स्विचर्स) में विभाजित करने के लिए एक औपचारिक ढांचा प्रदान करते हैं, जो इम्प्लीमेंटेशन साइंस के लिए महत्वपूर्ण है।
2. मजबूत निष्कर्ष (Robust Inference): एक डिज़ाइन-आधारित दृष्टिकोण का उपयोग करके, यह विधि "वीक इंस्ट्रूमेंट" वाले परिदृश्यों और छोटे सैंपल साइज में भी वैध रहती है, जहाँ टू-स्टेज लीस्ट स्क्वायर्स (2SLS) आमतौर पर विफल हो जाता है।
3. चयन पूर्वाग्रह को संभालना (Handling Selection Bias): आंशिक रूप से पक्षपाती रैंडमाइजेशन स्कीम का परिचय यह सुनिश्चित करता है कि फ्रेमवर्क को मल्टी-सेंटर ट्रायल्स के अवलोकन संबंधी डेटा पर लागू किया जा सके जहाँ साइट चयन रैंडम नहीं है।
4. एल्गोरिदम दक्षता: वे बड़े डेटासेट में इष्टतम मैच किए गए स्ट्रेटा के निर्माण के लिए एक पॉलिनॉमियल-टाइम एल्गोरिदम प्रदान करते हैं।

4. परिणाम

सिमुलेशन अध्ययन:

• प्रस्तावित परीक्षणों (ACO-SATE और SW-SATE के लिए) ने छोटे सैंपल साइज ($I=100$) के साथ भी उत्कृष्ट टाइप I एरर कंट्रोल (गलत सकारात्मक की संभावना) बनाए रखा।
• बड़े सैंपल साइज और स्विचर्स के उच्च अनुपात के साथ परीक्षणों की शक्ति (power) अनुमानित रूप से बढ़ी।
• आंशिक रूप से पक्षपाती रैंडमाइजेशन इन्फरेंस अत्यधिक मजबूत साबित हुआ; जहाँ मानक रैंडमाइजेशन इन्फरेंस पक्षपात की उपस्थिति में विफल रहा (टाइप I एरर बढ़ गया), वहीं लेखकों का नया तरीका वैध रहा।

केस स्टडी (PLCO कैंसर स्क्रीनिंग ट्रायल):
लेखकों ने यह समझाने के लिए PLCO ट्रायल को इस ढांचे पर लागू किया कि 1997 के बाद उच्च अनुपालन के बावजूद "इंटेंशन-टू-ट्रीट" प्रभाव क्यों नहीं बढ़ा।

• ऑलवेज-कंप्लायर्स (कोहोर्ट का 52.2%): कोलोरेक्टल कैंसर की दरों में गिरावट की ओर रुझान दिखाया ($-0.62\%$)।
• स्विचर्स (कोहोर्ट का 26.7%): कोई पता लगाने योग्य प्रभाव नहीं दिखाया ($1.46\%$)।
• निष्कर्ष: अनुपालन में वृद्धि उन "स्विचर्स" द्वारा संचालित थी जिन्हें ऑलवेज-कंप्लायर्स की तरह समान नैदानिक लाभ प्राप्त नहीं हुआ, जो समग्र ट्रायल प्रभावकारिता के ठहराव की व्याख्या करता है।

5. महत्व

यह शोध पत्र सार्वजनिक स्वास्थ्य और नीति अनुसंधान के लिए अत्यंत महत्वपूर्ण है। यह पारंपरिक IV विश्लेषण के "एक ही आकार सबके लिए" (one-size-fits-all) वाले दृष्टिकोण से आगे बढ़ता है। स्वाभाविक रूप से अनुपालन करने वालों और उन लोगों के बीच अंतर करके जो अनुपालन के लिए "प्रेरित" (nudged) किए जाते हैं, नीति निर्माता यह निर्धारित कर सकते हैं कि किसी हस्तक्षेप की सफलता उसकी अंतर्निहित प्रभावशीलता के कारण है या केवल इसके बढ़ते उपयोग के कारण। यह यह उत्तर देने के लिए एक कठोर गणितीय टूलकिट प्रदान करता है: "क्या हस्तक्षेप सभी के लिए काम कर रहा है, या केवल उनके लिए जो पहले से ही अनुपालन करने वाले थे?"