Assumption-Lean Differential Variance Inference for Heterogeneous Treatment Effect Detection

तकनीकी सारांश: विषम उपचार प्रभाव (Heterogeneous Treatment Effect) का पता लगाने के लिए धारणा-मुक्त विभेदक प्रसरण अनुमान (Assumption-Lean Differential Variance Inference)

समस्या विवरण (Problem Statement)
नैदानिक अध्ययनों (clinical studies) में, विषम उपचार प्रभाव (HTE) का पता लगाने के लिए 'सशर्त औसत उपचार प्रभाव' (Conditional Average Treatment Effect - CATE) एक मानक उपकरण है। हालाँकि, CATE-आधारित निष्कर्ष पूरी तरह से आधारभूत कोवेरिएट सेट (baseline covariate set) में सभी वास्तविक प्रभाव संशोधकों (effect modifiers) के शामिल होने पर निर्भर करते हैं। जब संसाधन संबंधी बाधाओं, मापन त्रुटि (measurement error), या अपूर्ण यांत्रिक समझ के कारण प्रभाव संशोधकों को छोड़ दिया जाता है, तो CATE-आधारित विधियाँ समरूप उपचार प्रभाव (homogeneous treatment effect) की परिकल्पना के उल्लंघन का पता लगाने में विफल रहती हैं। यह निर्णय लेने वालों को यह मानने के लिए गुमराह कर सकता है कि उपचार प्रभाव समान हैं, जबकि वे वास्तव में नहीं होते हैं। इसके अतिरिक्त, CATE के लिए उच्च-आयामी (high-dimensional) निष्कर्षों के लिए अक्सर अपुष्ट स्पैरसिटी धारणाओं (sparsity assumptions) की आवश्यकता होती है और यह देखा गया है कि इनसे गलत सकारात्मक (false positive) और गलत नकारात्मक (false negative) दरें बढ़ जाती हैं। उपचार प्रभाव संशोधक (treatment effect modifiers - TEM-VIPs) के लिए मौजूदा 'वैरिएबल इम्पॉर्टेंस पैरामीटर' (VIP) दृष्टिकोण भी समान सीमाओं का सामना करते हैं, क्योंकि उन्हें भी डेटा में प्रभाव संशोधकों की उपस्थिति की आवश्यकता होती है। इसके अलावा, मानक CATE निष्कर्ष अवशिष्ट विषमता (residual heterogeneity) की अनदेखी करते हैं जहाँ माध्य उपचार प्रभाव स्थिर रहता है, लेकिन संभावित परिणामों का प्रसरण (variance) भिन्न होता है—यह परिदृश्य जोखिम-संवेदनशील निर्णय लेने के लिए प्रासंगिक है।

कार्यप्रणाली (Methodology)
लेखक "धारणा-मुक्त" (assumption-lean) निष्कर्ष के लिए एक ढांचे का प्रस्ताव करते हैं जो प्रभाव संशोधकों तक पहुँच की आवश्यकता के बिना HTE का पता लगाता है। इस दृष्टिकोण का मुख्य आधार विभेदक प्रसरण अनुमानित (differential variance estimands) का आकलन करना है, जो संभावित परिणामों के प्रसरणों (variances) के बीच अंतर को दर्शाते हैं।

1. अनुमानित (Estimands):

   • निरपेक्ष विभेदक प्रसरण ($\Psi$): इसे संभावित परिणामों के मानक विचलन के अंतर के रूप में परिभाषित किया गया है: $\Psi(P_0) = \sigma(P_0; 1) - \sigma(P_0; 0)$।
   • सापेक्ष विभेदक प्रसरण ($\Lambda$): इसे प्रसरणों के अनुपात के रूप में परिभाषित किया गया है: $\Lambda(P_0) = \sigma^2(P_0; 1) / \sigma^2(P_0; 0)$।
   • शोध पत्र में स्थापित किया गया है कि यदि $\Psi(P_0) \neq 0$ (या $\Lambda(P_0) \neq 1$) है, तो "द्वितीय-क्षण समरूप उपचार प्रभाव परिकल्पना" (second-moment homogeneous treatment effect hypothesis) का उल्लंघन होता है। यह परिकल्पना 'शार्प होमोजेनिटी' का एक शिथिल संस्करण है, जो अलग-अलग अवशिष्ट शोर (residual noise) पदों की अनुमति देती है जब तक कि उनके सशर्त द्वितीय क्षण (conditional second moments) समान हों। महत्वपूर्ण रूप से, ये अनुमानित मान डेटा में प्रभाव संशोधकों ($V$) के अनुपस्थित होने पर भी (जहाँ $V = \emptyset$), HTE का पता लगाने के लिए वैध हैं, बशर्ते कि सशर्त विनिमेयता (conditional exchangeability) बनी रहे।

2. पहचान क्षमता (Identifiability):
   मानक कारण संबंधी धारणाओं (सशर्त विनिमेयता, निरंतरता और सकारात्मकता) के तहत, संभावित परिणाम प्रसरण (potential outcome variances) प्रेक्षित डेटा से पहचाने जा सकते हैं। लेखक सिद्ध करते हैं कि ये अनुमानित मान यादृच्छिक नियंत्रित परीक्षणों (RCTs) में कोवेरिएट्स पर शर्त लगाए बिना भी वैध रहते हैं, हालांकि भविष्योन्मुखी चरों (prognostic variables) पर शर्त लगाने से दक्षता में सुधार होता है।

3. अनुमानक (Estimators):
   लेखक एक नॉनपैरामीट्रिक मॉडल के भीतर कुशल प्रभाव कार्यों (Efficient Influence Functions - EIF) का उपयोग करके 'कारण मशीन लर्निंग' (causal machine learning) अनुमानकों को विकसित करते हैं:

   • एक-चरणीय अनुमानक (One-Step Estimators): संभावित परिणाम प्रसरणों के EIF का उपयोग करके निर्मित।
   • लक्षित अधिकतम संभावना अनुमानक (Targeted Maximum Likelihood Estimators - TMLE): EIF समीकरण को हल करने के लिए 'नायसे प्रहार' (nuisance parameter) अनुमानकों (आउटकम रिग्रेशन और प्रोपेंसिटी स्कोर) को टिल्टिंग (tilting) द्वारा विकसित।
   • क्रॉस-फिटेड संस्करण (Cross-Fitted Versions): डोंस्कर क्लास (Donsker class) की शर्तों से बचने के लिए सैंपल स्प्लिटिंग का उपयोग करने वाले उपरोक्त अनुमानकों के वेरिएंट।
   • ये अनुमानक नायसे पैरामीटर अनुमान के लिए लचीले मशीन लर्निंग एल्गोरिदम (जैसे सुपर लर्नर, रैंडम फॉरेस्ट) का उपयोग करते हैं।

4. अनंतस्पर्शी गुण (Asymptotic Properties):
   यह शोध पत्र सिद्ध करता है कि ये अनुमानक दोहरी सुदृढ़ (doubly robust) हैं (यदि प्रोपेंसिटी स्कोर या आउटकम रिग्रेशन में से कोई एक सही ढंग से निर्दिष्ट है) और सौम्य स्थितियों के तहत अनंतस्पर्शी रैखिक (asymptotically linear) हैं। विशेष रूप से, वे $n^{-1/2}$ अभिसरण दर प्राप्त करते हैं यदि नायसे पैरामीटर्स के अनुमान त्रुटियों का गुणनफल $n^{-1/2}$ से तेज़ दर से अभिसरित होता है। यह नॉनपैरामीट्रिक सेटिंग्स में वैध वाल्ड-टाइप (Wald-type) विश्वास अंतराल और परिकल्पना परीक्षणों के निर्माण की अनुमति देता है।

प्रमुख परिणाम (Key Results)

• सिमुलेशन अध्ययन 1 (दोहरी सुदृढ़ता): प्रदर्शित किया कि प्रस्तावित अनुमानक शून्य पूर्वाग्रह (negligible empirical bias) दिखाते हैं जब प्रोपेंसिटी स्कोर या आउटकम रिग्रेशन में से कोई भी सही ढंग से निर्दिष्ट होता है, जो दोहरी सुदृढ़ता की पुष्टि करता है।
• सिमुलेशन अध्ययन 2 (अनंतस्पर्शी रैखिकता): दिखाया कि अनुमानक सीमित नमूनों (finite samples) में अनंतस्पर्शी रैखिकता प्राप्त करते हैं, जिसमें नमूना आकार बढ़ने के साथ कवरेज प्रायिकताएं नाममात्र स्तरों पर अभिसरित होती हैं। क्रॉस-फिटेड अनुमानकों ने बड़े नमूनों में बेहतर प्रदर्शन दिखाया, जिससे लचीले मशीन लर्निंग से जुड़े बायस-वेरिएंस ट्रेड-ऑफ को कम किया गया।
• सिमुलेशन अध्ययन 3 (मापन त्रुटि के तहत पहचान): एक RCT सेटिंग में, जहाँ एक गलत मापा गया प्रभाव संशोधक था, विभेदक प्रसरण अनुमानकों ने HTE का पता लगाने के लिए उच्च सांख्यिकीय शक्ति (statistical power) बनाए रखी। इसके विपरीत, CATE विषमता के लिए एक मानक 'कॉज़ल फॉरेस्ट-आधारित ओम्निबस टेस्ट' ने मापन त्रुटि बढ़ने के साथ अपनी शक्ति खो दी, और प्रभाव संशोधक के पूरी तरह से गलत मापे जाने पर भी विषमता का पता लगाने में विफल रहा।
• अनुप्रयोग (TTM और TTM2 परीक्षण): इस कार्यप्रणाली को 'टारगेट टेम्परेचर मैनेजमेंट' (TTM) और TTM2 परीक्षणों के पुन: विश्लेषण के लिए लागू किया गया। जबकि TTM परीक्षण ने कोई महत्वपूर्ण विभेदक प्रसरण नहीं दिखाया (संभवतः छोटे नमूना आकार के कारण), TTM2 परीक्षण ने द्वितीय-क्षण समरूप उपचार प्रभाव परिकल्पना को खारिज कर दिया ($p < 0.01$)। हालांकि, मानक विचलन में अनुमानित अंतर एक दिन से भी कम था, जो यह सुझाव देता है कि यद्यपि सांख्यिकीय विषमता मौजूद है, यह नैदानिक रूप से कार्रवाई योग्य (clinically actionable) हो भी सकती है और नहीं भी।

महत्व और दावे (Significance and Claims)
यह शोध पत्र उन स्थितियों में उपचार प्रभाव विषमता का पता लगाने के लिए CATE-आधारित निष्कर्षों के विकल्प के रूप में एक व्यावहारिक विकल्प प्रदान करने का दावा करता है जहाँ प्रभाव संशोधक अनुपस्थित या गलत मापे गए हैं। संभावित परिणामों के प्रसरण पर ध्यान केंद्रित करके, लेखक एक ऐसी विधि प्रदान करते हैं जो:

• विशिष्ट प्रभाव संशोधकों की पहचान या मापन की आवश्यकता नहीं करती है।
• जोखिम-संवेदनशील निर्णय लेने के लिए व्याख्या योग्य मेट्रिक्स (निरपेक्ष या सापेक्ष प्रसरण कंट्रास्ट) प्रदान करती है।
• रैंडम और ऑब्जर्वेशनल दोनों अध्ययनों में अनंतस्पर्शी गारंटी के साथ औपचारिक परिकल्पना परीक्षण प्रदान करती है।
• CATE और TEM-VIP वर्कफ़्लो के पूरक संवेदनशीलता विश्लेषण (sensitivity analysis) के रूप में कार्य करती है; विभेदक प्रसरण निष्कर्ष में एक महत्वपूर्ण परिणाम, जो CATE के 'नल' (null) परिणाम के बाद आता है, यह संकेत दे सकता है कि विषमता मौजूद है लेकिन वह अनमापित कारकों द्वारा संचालित है।

लेखक इस बात पर जोर देते हैं कि जबकि उनकी विधि विषमता की उपस्थिति का पता लगाती है, यह प्रभाव के स्रोत या दिशात्मकता की पहचान नहीं करती है, जो कि मार्जिनल वेरिएंस कंट्रास्ट की एक अंतर्निहित सीमा है। फिर भी, वे तर्क देते हैं कि जब अंतर्निहित तंत्र अज्ञात हो, तब भी कार्रवाई योग्य विषमता का पता लगाना मूल्यवान है।