Examining the Efficacy of Coarsened Exact Matching as an Alternative to Propensity Score Matching
यह शोध पत्र यह तर्क देता है कि कोअर्सन्ड एग्जैक्ट मैचिंग (CEM), प्रोपेंसिटी स्कोर मैचिंग (PSM) का एक बेहतर विकल्प नहीं है क्योंकि यह अपनी अनिश्चित प्रकृति के कारण अवशिष्ट भ्रामकता (residual confounding) से ग्रस्त है, यादृच्छिक भिन्नता को ध्यान में रखते हुए असंतुलन को कम करने में PSM से बेहतर प्रदर्शन करने में विफल रहता है, और उच्च-आयामी सेटिंग्स में अस्थिर और अक्षम हो जाता है, जबकि PSM मॉडल मिसस्पेसिफिकेशन के प्रति अधिक सुदृढ़ बना रहता है।
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 यह पता लगाने की कोशिश कर रहे हैं कि एक नई दवा काम करती है या नहीं। इसका स्वर्ण मानक (gold standard) एक रैंडमाइज्ड क्लिनिकल ट्रायल (RCT) है, जहाँ यह तय करने के लिए कि किसे दवा मिलेगी और किसे प्लेसबो (नकली दवा), एक सिक्का उछाला जाता है। क्योंकि यह रैंडम होता है, इसलिए दोनों समूह पूरी तरह से संतुलित होते हैं: जिन्हें दवा मिली, वे औसतन उतने ही स्वस्थ, वृद्ध और धनी हैं जितने कि वे लोग जिन्हें नहीं मिली।
लेकिन वास्तविक दुनिया में, हम अक्सर सिक्का नहीं उछाल सकते (यह बहुत महंगा या अनैतिक है)। इसलिए, हम अवलोकन संबंधी डेटा (observational data) (जैसे अस्पताल के रिकॉर्ड) देखते हैं। यहाँ, "दवा समूह" वाले लोग शुरुआत से ही नियंत्रण समूह (control group) की तुलना में अधिक बीमार या अधिक उम्र के हो सकते हैं। इसे कन्फाउंडिंग (confounding) कहा जाता है। इसे ठीक करने के लिए, सांख्यिकीविद "मैचिंग" तकनीकों का उपयोग करते हैं ताकि दवा समूह के बीमार लोगों को नियंत्रण समूह के समान बीमार लोगों के साथ जोड़ा जा सके, जिससे उस सटीक सिक्के उछालने वाले संतुलन को फिर से बनाया जा सके।
लंबे समय तक, इसके लिए मानक उपकरण प्रोपेंसिटी स्कोर मैचिंग (PSM) था। हाल ही में, कोर्सनड एक्ज़ैक्ट मैचिंग (CEM) नामक एक नया उपकरण बहुत लोकप्रिय हुआ। कई शोधकर्ताओं ने दावा किया कि CEM, PSм का "बेहतर" संस्करण है।
फेई वान द्वारा लिखित यह शोध पत्र तर्क देता है कि CEM वास्तव में वह सुपरहीरो नहीं है जैसा कि हर कोई इसे समझता है। वास्तव में, कई स्थितियों में, PSM एक बेहतर और अधिक विश्वसनीय उपकरण है।
यहाँ क्यों, सरल उपमाओं का उपयोग करके बताया गया है:
1. "धुंधली फोटो" बनाम "धुंधला स्नैपशॉट"
दावा: CEM को अक्सर "एक्ज़ैक्ट मैचिंग" कहा जाता है, लेकिन यह सटीक नहीं है। यह वास्तव में "फजी मैचिंग" (Fuzzy Matching) है।
- उपमा: कल्पना कीजिए कि आप लोगों को उनकी ऊंचाई के आधार पर मिलाने की कोशिश कर रहे हैं।
- PSM एक व्यक्ति की ऊंचाई की उच्च-रिज़ॉल्यूशन फोटो लेने और अपने लक्ष्य के आकार के सबसे करीब वाले व्यक्ति को खोजने जैसा है। भले ही वे बिल्कुल एक ही ऊंचाई के न हों, लेकिन गणित यह सुनिश्चित करता है कि यदि आप पूरे समूह को देखें, तो औसत ऊंचाई पूरी तरह से संतुलित है। कोई भी छोटा अंतर केवल रैंडम शोर (जैसे फोटो में हल्का धुंधलापन) है जो पर्याप्त लोगों के होने पर खुद को रद्द कर देता है।
- CEM सबको बर्तनों (buckets) में रखने जैसा है: "छोटा", "मध्यम", और "लंबा"। फिर आप उन लोगों को मिलाते हैं जो एक ही बकेट में हैं।
- समस्या: "मध्यम" बकेट के अंदर, आपके पास कोई व्यक्ति हो सकता है जिसकी ऊंचाई 5'6" है और कोई दूसरा 5'10" है। वे एक ही बकेट में हैं, लेकिन वे बहुत अलग हैं। यह एक व्यवस्थित त्रुटि (systematic error) (अवशिष्ट कन्फाउंडिंग) पैदा करता है जो तब तक दूर नहीं होती जब तक आप अध्ययन में और अधिक लोग नहीं जोड़ देते। यह सेब और संतरे की तुलना करने जैसा है क्योंकि वे दोनों "फल" की टोकरी में हैं।
2. जटिलता का "रस्सी पर चलना" (Tightrope)
दावा: CEM बहुत सारे वेरिएबल्स (variables) होने पर विफल हो जाता है ("कर्स ऑफ डायमेंशनलिटी")।
- उपमा: कल्पना कीजिए कि आप 10 अलग-अलग गुणों (ऊंचाई, वजन, आंखों का रंग, जूते का आकार, पसंदीदा पिज्जा, आदि) के आधार पर किसी व्यक्ति के लिए एक आदर्श जुड़वां खोजने की कोशिश कर रहे हैं।
- CEM उन सभी 10 गुणों के आधार पर एक साथ लोगों को बक्सों में डालने की कोशिश करता है। जैसे-जैसे आप अधिक गुण जोड़ते हैं, बक्से इतने विशिष्ट हो जाते हैं कि उनमें से अधिकांश खाली रह जाते हैं। आप इतना डेटा खो देते हैं (वे लोग जो किसी भी बॉक्स में फिट नहीं होते) कि आपके परिणाम अस्थिर और अविश्वसनीय हो जाते हैं। यह घास के ढेर में सुई खोजने जैसा है, लेकिन घास का ढेर सिकुड़ता जाता है जब तक कि कुछ भी शेष न रह जाए।
- PSM सीधे तौर पर सभी 10 गुणों पर मैच करने की कोशिश नहीं करता है। इसके बजाय, यह एक एकल "स्कोर" (सभी 10 गुणों का सारांश) की गणना करता है और उस स्कोर के आधार पर लोगों को मिलाता है। यह खाली बक्सों की समस्या से बचता है और बहुत सारे वेरिएबल्स होने पर भी डेटा को स्थिर रखता है।
3. "अनुमान लगाने का खेल" (Model Dependence)
दावा: CEM आपको बाद में डेटा के बारे में सटीक अनुमान लगाने के लिए मजबूर करता है, जबकि PSM अधिक लचीला है।
- उपमा:
- CEM एक पहेली की तरह है जहाँ आप टुकड़ों को रगड़कर (coarsening) फिट होने के लिए मजबूर करते हैं। क्योंकि आपने उन्हें रगड़ा है, वे अब पूरी तरह से फिट नहीं होते। सही तस्वीर पाने के लिए, अब आपको अंतराल को "ठीक" करने के लिए एक बहुत ही जटिल, सटीक फॉर्मूले का उपयोग करना होगा। यदि आपका फॉर्मूला थोड़ा भी गलत है, तो पूरी तस्वीर खराब हो जाएगी।
- PSM एक ऐसी पहेली की तरह है जहाँ टुकड़े स्वाभाविक रूप से फिट होते हैं। भले ही आप परिणाम देखने के लिए एक सरल, थोड़ी अपूर्ण फॉर्मूला का उपयोग करें, तस्वीर अभी भी काफी हद तक सही दिखेगी क्योंकि टुकड़ों को पहले से ही संतुलित किया गया था। PSM "रोबस्ट" (robust) है, जिसका अर्थ है कि जब आप अपनी गणित में छोटी सी गलती करते हैं, तो यह आसानी से टूटता नहीं है।
4. "रूलर" (Scale) की समस्या
दावा: पिछले अध्ययनों ने कहा कि PSM समूहों को संतुलित करने में बुरा था क्योंकि उन्होंने गलत मापने वाला पैमाना इस्तेमाल किया था।
- उपमा: कुछ शोधकर्ताओं ने दावा किया कि PSM विफल हो रहा था क्योंकि उन्होंने एक ऐसा रूलर इस्तेमाल किया जो लोगों के बीच की दूरी को मापता था, लेकिन दिशा को अनदेखा कर देता था।
- लेखक का तर्क है कि PSM में, यदि एक व्यक्ति थोड़ा लंबा है और दूसरा थोड़ा छोटा है, तो ये रैंडम अंतर एक-दूसरे को रद्द कर देते हैं।
- पुराने मापने के उपकरण (जैसे महलानोबिस डिस्टेंस) इन रैंडम उतार-चढ़ाव को "त्रुटियों" के रूप में देखते थे जो बदतर होती जा रही हैं।
- लेखक एक नया तरीका प्रस्तावित करते हैं (स्टैंडर्डाइज्ड मीन डिफरेंस) जो इन रैंडम उतार-चढ़ाव को ध्यान में रखता है। जब आप इस नए रूलर का उपयोग करते हैं, तो PSM समूहों को संतुलित करने में CEM की तुलना में बहुत बेहतर दिखता है।
निष्कर्ष
लेख का निष्कर्ष है कि CEM कोई जादुई समाधान नहीं है।
- यदि आपके पास कम संख्या में वेरिएबल्स हैं, तो CEM ठीक काम कर सकता है, लेकिन इसमें अभी भी छिपे हुए दोष हैं।
- यदि आपके पास कई वेरिएबल्स हैं (जो वास्तविक दुनिया के डेटा में आम है), तो CEM बहुत अधिक डेटा खो देता है और व्यवस्थित त्रुटियां पैदा करता है जिन्हें ठीक करना कठिन होता है।
- PSM अधिक रोबस्ट और विश्वसनीय विकल्प बना हुआ है क्योंकि यह रैंडमनेस को बेहतर तरीके से संभालता है, अच्छे परिणाम प्राप्त करने के लिए कम सटीक गणित की आवश्यकता होती है, और यह बहुत अधिक डेटा को फेंकता नहीं है।
लेखक चेतावनी देते हैं कि कई डॉक्टर और शोधकर्ता CEM का उपयोग यह सोचकर कर रहे हैं कि यह "सटीक" समाधान है, लेकिन वास्तव में यह एक "अनाड़ी" (inexact) शॉर्टकट है जो अत्यधिक सावधानी के बिना हेरफेर किए जाने पर पक्षपाती परिणाम दे सकता है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।