Treatment effect: a critique

तकनीकी सारांश: उपचार प्रभाव: एक आलोचना

समस्या विवरण
यह शोध पत्र सांख्यिकी के भीतर "उपचार प्रभाव" (treatment effect) की परिभाषा में एक मौलिक विचलन को संबोधित करता है। एक समूह, जो फिशरियन परंपरा (Fisherian tradition) में निहित है, उपचार प्रभाव को एक सांख्यिकीय मॉडल के भीतर एक स्थिर पैरामीटर (जैसे, एक प्रतिगमन गुणांक/regression coefficient) के रूप में परिभाषित करता है। दूसरा समूह, जो रुबिन के कारण मॉडल (Rubin causal model) और काउंटरफैक्चुअल फ्रेमवर्क (Rubin, 1974; Rosenbaum and Rubin, 1983) से जुड़ा है, उपचार प्रभाव को संभावित परिणामों (potential outcomes) या काउंटरफैक्चुअल्स (counterfactuals) के मॉडल-मुक्त जनसंख्या-स्तरीय अंतर के रूप में परिभाषित करता है। जबकि साहित्य ने काउंटरफैक्चुअल प्रभावों की पहचान (identifiability) और अनुमान (estimation) पर व्यापक बहस की है, यह शोध पत्र इस बात पर सवाल उठाता है कि क्या मॉडल-मुक्त परिभाषा (विशेष रूप से संभावित परिणामों का औसत अंतर) वैज्ञानिक सामान्यीकरण (scientific generalization) के लक्ष्य के लिए एक उपयुक्त अनुमान लक्ष्य (target for inference) है। लेखक तर्क देते हैं कि मॉडल-मुक्त परिभाषाओं में, आदर्श स्थितियों में भी जहाँ काउंटरफैक्चुअल्स अवलोकन योग्य होते हैं, स्थिरता और वैज्ञानिक सुसंगतता का अभाव हो सकता है।

कार्यप्रणाली
लेखक "काल्पनिक आदर्शता" (fictitious idealization) का उपयोग करते हुए एक तुलनात्मक सैद्धांतिक विश्लेषण का प्रयोग करते हैं। यह अलग करने के लिए कि क्या मापा जा रहा है बनाम इस बात के कि इसका अनुमान कैसे लगाया जाता है (अर्थात, अनऑब्जर्वेबल्स के बारे में अपरीक्षणीय धारणाएं), वे एक ऐसी स्थिति की कल्पना करते हैं जहाँ काउंटरफैक्चुअल प्रक्रिया पूरी तरह से ज्ञात है, और प्रत्येक व्यक्ति के लिए दोनों संभावित परिणाम ($Y_i(0)$ और $Y_i(1)$) अवलोकन योग्य हैं। इस आदर्श सेटिंग में, समस्या एक मैच-पेयर डिज़ाइन (matched-pair design) में बदल जाती है जहाँ प्रत्येक व्यक्ति को एक पूर्ण प्रतिलिपि (perfect copy) के साथ जोड़ा गया है।

इसके बाद लेखक "मॉडल-मुक्त" उपचार प्रभाव, जिसे व्यक्तिगत अंतर के नमूना औसत के रूप में परिभाषित किया गया है, की तुलना करता है:
$$\tau_n := \frac{1}{n} \sum_{i=1}^n E_i(Y_i(1) - Y_i(0))$$
बनाम "मॉडल-आधारित" उपचार प्रभाव, जिसे एक स्थिर पैरामीटर $\theta$ (या $\Delta$) के रूप में परिभाषित किया गया है जो परिणाम के संभाव्यता वितरण (probability distribution) के रूपांतरण को नियंत्रित करता है (McCullagh, 2002, 2022 के अनुसार)।

वे इन दो परिभाषाओं की अनुकूलता का परीक्षण करने के लिए पांच विशिष्ट उदाहरणों का विश्लेषण करते हैं:

1. रेखीय मॉडल (Linear Model): माध्य पर योगात्मक प्रभाव (Additive effects on the mean)।
2. एक्सपोनेंशियल मॉडल (Exponential Model): दर पर गुणात्मक प्रभाव (Multiplicative effects on the rate)।
3. वेइबुल मॉडल (Weibull Model): दर पर गुणात्मक प्रभाव जिसमें एक आकार पैरामीटर $\alpha$ है।
4. एक्सपोनेंशियल मॉडल (योगात्मक दर) (Exponential Model - Additive Rate): दर पर योगात्मक प्रभाव।
5. लॉजिस्टिक्स मॉडल (Logistic Model): लॉग-ऑड्स (log-odds) पर योगात्मक प्रभाव (बाइनरी परिणामों के लिए)।

मुख्य योगदान और परिणाम
विश्लेषण निम्नलिखित तकनीकी निष्कर्ष प्रदान करता है:

• रूपांतरण परिवारों में अनुकूलता (Compatibility in Transformation Families): उन मामलों में जहाँ उपचार प्रभाव आधारभूत वितरण के मापदंडों (baseline distribution parameters) पर एक समूह रूपांतरण के रूप में कार्य करता है (जैसे, एक रेखीय मॉडल में योगात्मक बदलाव या एक एक्सपोनेंशियल रेट में गुणात्मक बदलाव), मॉडल-मुक्त औसत $\tau_n$ मॉडल-आधारित पैरामीटर (या उसके एक सरल रूपांतरण) को पुनः प्राप्त करता है।
• गैर-रूपांतरण परिवारों में अस्थिरता (Instability in Non-Transformation Families): उन मामलों में जहाँ उपचार प्रभाव को मॉडल में स्थिर रूप से परिभाषित किया जाता है (जैसे, एक एक्सपोनेंशियल रेट में योगात्मक बदलाव $\Delta$, या लॉजिस्टिक लॉग-ऑड्स में एक योगात्मक बदलाव $\Delta$), मॉडल-मुक्त औसत $\tau_n$ एक स्थिर पैरामीटर को पुनः प्राप्त करने में विफल रहता है। इसके बजाय, $\tau_n$ नमूने के विशिष्ट आधारभूत मापदंडों ($\gamma_i$) का एक जटिल फलन बन जाता है।
  • उदाहरण: योगात्मक एक्सपोनेंशियल रेट मॉडल में, $\tau_n = \frac{1}{n} \sum \log((\gamma_i + \Delta)/\gamma_i)$ होता है। यह मान $\gamma_i$ के वितरण के आधार पर नाटकीय रूप से भिन्न होता है। यदि $\gamma_i$ छोटे हैं, तो $\tau_n$ बड़ा होगा; यदि $\gamma_i$ बड़े हैं, तो $\tau_n$ बहुत छोटा होगा।
  • उदाहरण: लॉजिस्टिक मॉडल में, $\tau_n नमूना इकाइयों के विशिष्ट लीनियर प्रेडिक्टर्स$\gamma_i$ पर निर्भर करता है।
• समानता के लिए आवश्यक शर्तें (Necessary Conditions for Equivalence): लेखक तीन ऐसे मानदंड व्युत्पन्न करते हैं जिनके तहत मॉडल-मुक्त और मॉडल-आधारित परिभाषाएँ किसी भी नमूने के लिए समान उत्तर देती हैं:
  1. उपचार प्रभाव आधारभूत वितरण पर आधारभूत पैरामीटर स्पेस के माध्यम से कार्य करता है।
  2. समूह क्रिया (group action) अवलोकनों पर सुसंगत (consistent) है।
  3. प्रासंगिक अपेक्षा (expectation) को स्पष्ट करने के लिए आधारभूत पैरामीटर के अलावा किसी अन्य न्युसेंस पैरामीटर (nuisance parameters) की आवश्यकता नहीं है।
     इन शर्तों का उल्लंघन (जैसा कि अंतिम दो उदाहरणों में देखा गया है) मॉडल-मुक्त लक्ष्य को चुने गए विशिष्ट नमूने पर निर्भर बना देता है, जो स्थिर मापदंडों के सिद्धांत का उल्लंघन करता है।

महत्व और दावे
शोध पत्र का दावा है कि मॉडल-मुक्त उपचार प्रभाव $\tau_n$ की अस्थिरता एक गंभीर दोष है जब वैज्ञानिक निष्कर्षों का उद्देश्य सामान्यीकरण करना होता है। लेखक कॉक्स (Cox, 1958b, 2012) द्वारा उठाए गए चिंताओं को दोहराते हैं कि मॉडल-मुक्त औसतों (model-free averages) की अनुमान के लक्ष्य के रूप में उपयुक्तता पर सवाल उठाया गया है।

• सामान्यीकरण (Generalizability): क्योंकि $\tau_n$ आधारभूत विशेषताओं के विशिष्ट वितरण पर निर्भर करता है, इसलिए एक अध्ययन से प्राप्त निष्कर्ष दूसरे जनसंख्या (जिसमें $\gamma_i$ का वितरण भिन्न है) में सामान्यीकृत नहीं किए जा सकते, भले ही अंतर्निहित कारण तंत्र (causal mechanism/model parameter) समान हो।
• वैज्ञानिक अभ्यास (Scientific Practice): लेखक तर्क देते हैं कि यदि उपचार प्रभाव इकाइयों के बीच व्यवस्थित रूप से भिन्न होते हैं, तो इस भिन्नता को एक स्थिर मॉडल के भीतर इंटरेक्शन टर्म्स (interaction terms) के माध्यम से समझाया जाना चाहिए (मैकुलघ के फॉर्मलिज्म के अनुसार), न कि एक अस्थिर, नमूना-निर्भर औसत में समाहित किया जाना चाहिए।
• सामान्य बचावों का खंडन (Rebuttal to Common Defenses): शोध पत्र मॉडल-मुक्त परिभाषाओं के तीन सामान्य तर्कों को संबोधित करता है:
  • विषमता (Heterogeneity): मॉडल-आधारित ढांचा इंटरेक्शन घटकों के माध्यम से व्यक्तिगत-विशिष्ट प्रभावों को समायोजित कर सकता है, जबकि पैरामीटर स्थिरता बनाए रखता है।
  • मॉडल मिसस्पेसिफिकेशन (Model Misspecification): जबकि मॉडल-मुक्त दृष्टिकोण मिसस्पेसिफिकेशन से बचते हैं, वे स्थिरता और व्याख्यात्मकता का त्याग करते हैं। यदि मॉडल गलत निर्दिष्ट (misspecified) है, तो वह भी स्थिरता खो देगा, जो मॉडल पर्याप्तता जाँच (model adequacy checks) की आवश्यकता को रेखांकित करता है।
  • डबल रोबस्टनेस (Double Robustness): डबल रोबस्टनेस का गुण केवल तभी प्रासंगिक है जब $\tau_n$ को एक वैध वैज्ञानिक मात्रा के रूप में स्वीकार किया जाता है; लेखक इस स्वीकृति को चुनौती देते हैं।

निष्कर्ष
शोध पत्र निष्कर्ष निकालता है कि मॉडल-मुक्त उपचार प्रभाव की परिभाषा अनुमान के लिए सार्वभौमिक रूप से उपयुक्त लक्ष्य नहीं है। कई मानक वैज्ञानिक सेटिंग्स में (जैसे लॉजिस्टिक या योगात्मक एक्सपोनेंशियल मॉडल), मॉडल-मुक्त औसत एक अस्थिर मात्रा है जो नमूने की संरचना के साथ बदलती है, जबकि मॉडल-आधारित पैरामीटर एक स्थिर, वैज्ञानिक रूप से अर्थपूर्ण मात्रा बना रहता है। लेखकों का सुझाव है कि कॉज़ल इन्फरेंस साहित्य में सशर्त वैधता (conditional validity) या उप-जनसंख्या औसतों को संभालने के तरीकों की वृद्धि, मॉडल-मुक्त परिभाषा में इस अंतर्निहित अस्थिरता का एक लक्षण है।