Local Variable and Neighborhood Selection for Firearm Fatality in the Southeast USA

तकनीकी सारांश: दक्षिण-पूर्व अमेरिका में आग्नेयास्त्र मृत्यु दर के लिए स्थानीय चर चयन और पड़ोस चयन

समस्या विवरण
संयुक्त राज्य अमेरिका में आग्नेयास्त्र (firearm) संबंधी मृत्यु दर नस्ल, आयु, लिंग और आय के स्थानीय विविधताओं द्वारा संचालित स्थानिक विषमता (spatial heterogeneity) प्रदर्शित करती है। जबकि स्वतंत्र डेटा (जैसे LASSO, SCAD) के लिए चर चयन पर व्यापक साहित्य मौजूद है और स्थानिक डेटा पर भी कुछ शोध उपलब्ध हैं, एक महत्वपूर्ण अंतराल बना हुआ है: स्थानिक रूप से सह-संबंधित, अति-विकेंद्रित (over-dispersed) गणना डेटा (count data) के लिए स्थानीय चर चयन और चयन-पश्चात अनुमान (post-selection inference) की विधियों का अभाव है। पारंपरिक दृष्टिकोण अक्सर वैश्विक चर महत्व को मानते हैं या अधोसंरचनात्मक (ad hoc) स्थानिक पड़ोस संरचनाएं (जैसे, निश्चित प्रथम-क्रम या द्वितीय-क्रम पड़ोसी) थोपते हैं जो दिशात्मक अनिसोट्रॉपी (directional anisotropy) या स्थानीय गुप्त स्थानिक यादृच्छिक प्रभाव संरचना के स्थानीय विविधताओं को पकड़ने में विफल रहते हैं। यह शोध पत्र उन स्थानों के लिए प्रभावशाली सामाजिक-आर्थिक कारकों और उपयुक्त स्थानिक पड़ोस संरचना की पहचान करने की चुनौती को संबोधित करता है जहाँ आग्नेयास्त्र मृत्यु की संख्या एक दहलीज (threshold) से अधिक होती है।

कार्यप्रणाली
लेखक स्थानिक रूप से अनुक्रमित नेगेटिव बाइनोमियल (NB) डेटा के लिए एक दो-चरणीय स्थानीयकृत चर चयन और अनुमान ढांचा (two-step localized variable selection and inference framework) प्रस्तावित करते हैं।

1. चरण 1: स्थानीय चर चयन (LSPMLE):

   • स्थानीयकरण (Localization): विधि टेलर श्रृंखला विस्तार (Taylor series expansion) का उपयोग करके एक संदर्भ स्थान $s^{(0)}_i$ के आसपास माध्य फलन (mean function) को स्थानीयकृत करती है। यह प्रतिगमन गुणांकों $\beta_k(s)$ को एक स्थानीय इंटरसेप्ट ($\gamma_k$), एक क्षैतिज ढलान ($\delta_k$), और एक ऊर्ध्वाधर ढलान ($\tau_k$) में विभाजित करता है, जिससे भविष्यवक्ताओं के प्रभावों में दिशात्मक भिन्नता संभव होती है।
   • दंड निर्धारण (Penalization): विशिष्ट स्थान के लिए सक्रिय कोवेरिएट्स (covariates) के सेट $\hat{A}^{(i)}_n$ की पहचान करने के लिए स्थानीयकृत छद्म-लॉग-लाइक्लीहुड (pseudo-log-likelihood) पर एक स्मूथली क्लिप्ड एब्सोल्यूट डेविएशन (SCAD) दंड लागू किया जाता है। यह प्रक्रिया शुरू में बिना यादृच्छिक प्रभावों (random effects) की धारणा के की जाती है।
   • अनुकूलन (Optimization): अनुकूलन उच्च-आयामी स्थानीय समस्याओं और सह-रैखिकता (collinearity) को कुशलतापूर्वक संभालने के लिए एंडरसन-त्वरित कोर्डिनेट डिसेंट एल्गोरिदम का उपयोग करता है। ट्यूनिंग पैरामीटर (बैंडविड्थ $h$ और दंड $\lambda$) को WQBIC मानदंड के माध्यम से चुना जाता है।

2. चरण 2: स्थानीय पड़ोस अनुमान:

   • पुनः फिटिंग (Refitting): चरण 1 में चयनित भविष्यवक्ताओं का उपयोग करते हुए, मॉडल को बिना दंड के प्रतिगमन गुणांकों और स्थानिक यादृच्छिक प्रभाव का अनुमान लगाने के लिए पुनः फिट किया जाता है।
   • पड़ोस चयन: विधि 15 विशिष्ट स्थानिक पड़ोस संरचनाओं का मूल्यांकन करती है (जिसमें मानक "रूक" (rook) पड़ोसी और उत्तर-केवल, पूर्व-पश्चिम, या दक्षिण-पश्चिम संयोजनों जैसे दिशात्मक अनिसोट्रोपिक संरचनाएं शामिल हैं)।
   • अनुमान (Inference): स्थानिक भार मैट्रिक्स (spatial weight matrix) को स्थानीयकृत किया जाता है, और वह पड़ोस संरचना जो डेटा को सर्वोत्तम रूप से फिट करती है (जो स्थानिक यादृच्छिक प्रभाव के लाइक्लीहुड योगदान को अधिकतम करती है), उसकी पहचान की जाती है। यह स्थानिक निर्भरता संरचना में दिशात्मक भिन्नता के अनुमान की अनुमति देता है।

सैद्धांतिक गुण
लेखक इन्फिल एसिम्प्टोटिक्स (infill asymptotics) के तहत सैद्धांतिक परिणाम स्थापित करते हैं, जहाँ एक निश्चित स्थानिक क्षेत्र के भीतर नमूना बिंदुओं की संख्या बढ़ती है।

• अस्तित्व और निरंतरता: लेखक दंडित लाइक्लीहुड के लिए एक स्थानीय मैक्सिमा (local maximizer) के अस्तित्व को सिद्ध करते हैं।
• अभिसरण दर (Convergence Rate): अनुमानकर्ता $O_P(\alpha_n)$ की दर से अभिसरित होता है, जहाँ $\alpha_n = \sqrt{K_n/N_n}$ ($K_n$ भविष्यवक्ताओं की संख्या है, $N_n$ नमूना आकार है)।
• विरलता चयन (Sparsity Selection): विशिष्ट नियमितता शर्तों (फिशर सूचना मैट्रिक्स और SCAD व्युत्पन्न के व्यवहार सहित धारणाओं) के तहत, विधि निरंतर विरलता चयन प्राप्त करती है, जिसका अर्थ है कि जैसे-जैसे नमूना आकार बढ़ता है, यह शून्य गुणांकों को एक के करीब प्रायिकता के साथ सही ढंग से पहचान लेती है।

प्रमुख योगदान

1. दो-चरणीय स्थानीयकृत दृष्टिकोण: एक ऐसे ढांचे की शुरुआत जो पहले SCAD (बिना यादृच्छिक प्रभावों के) का उपयोग करके स्थानीय स्तर पर भविष्यवक्ताओं का चयन करता है और फिर चयनित भविष्यवक्ताओं का उपयोग करके प्रतिगमन गुणांकों और पड़ोस टोपोलॉजी का अनुमान लगाता है।
2. दिशात्मक भिन्नता लक्षण वर्णन: यह विधि गुणांक सतह (coefficient surface) और स्थानिक पड़ोस संरचना में दिशात्मक भिन्नता को स्पष्ट रूप से मॉडल करती है और पहचानती है।
3. डेटा-संचालित पड़ोस चयन: एक निश्चित स्थानिक संरचना को मानने के बजाय, यह विधि विशिष्ट "हॉटस्पॉट" काउंटियों के लिए सबसे उपयुक्त स्थानिक पड़ोस प्रकार की पहचान करती है।
4. अति-विकेंद्रित क्षेत्रीय डेटा के लिए अनुप्रयोग: इसे ओवर-डिस्पर्सड एरियल डेटा (नेगेटिव बाइनोमियल वितरण के माध्यम से मॉडल किया गया) के लिए स्थानीय चर चयन करने वाला पहला कार्य प्रस्तुत किया गया है।

परिणाम

• सिमुलेशन अध्ययन: LSPMLE का परीक्षण 800 भविष्यवक्ताओं और बदलते नमूना आकार वाले सिम्युलेटेड स्थानिक गणना डेटा पर किया गया। परिणामों ने प्रदर्शित किया कि LSPMLE ने विशेष रूप से नमूना आकार बढ़ने के साथ, ट्रू लोकल वेरिएबल सिलेक्शन प्रोबेबिलिटी (TLVSP) और ट्रू ग्लोबल वेरिएबल सिलेक्शन प्रोबेबिलिटी (TGVSP) के मामले में ग्लोबल SCAD और ग्लोबल एडेप्टिव लास्सो (AL) को पछाड़ दिया। विधि ने वास्तविक स्थानीय चर सेटों और गुप्त पड़ोस संरचनाओं को सफलतापूर्वक पुनः प्राप्त किया।
• वास्तविक डेटा विश्लेषण (दक्षिण-पूर्व USA, 2024): इस ढांचे को दक्षिण-पूर्व अमेरिका के काउंटियों में आग्नेयास्त्र मृत्यु दर डेटा पर लागू किया गया।
  • काउंटी-विशिष्ट निष्कर्ष: विश्लेषण से पता चला कि प्रभावशाली भविष्यवक्ता काउंटी के अनुसार भिन्न होते हैं। उदाहरण के लिए, फ्लोयड और नॉट काउंटी (केंटकी) में, पुरुष/महिला आबादी की मध्यम आयु और नेटिव हवाईयन/पैसिफिक आइलैंडर महिला आबादी को चुना गया, जबकि डॉघर्टी काउंटी (जॉर्जिया) में, श्वेत पुरुष और अमेरिकन इंडियन आबादी से संबंधित चर महत्वपूर्ण थे।
  • पड़ोस संरचना: इष्टतम स्थानिक पड़ोस संरचना स्थान के अनुसार भिन्न थी। उदाहरण के लिए, फ्रैंकलिन काउंटी (फ्लोरिडा) मुख्य रूप से पश्चिम की ओर स्थानिक निर्भरता प्रदर्शित करता था, जबकि फ्लोयड काउंटी (केंटकी) को एक मानक "रूक" (प्रथम-क्रम) संरचना द्वारा बेहतर ढंग से मॉडल किया जा सकता था।
  • तुलना: ग्लोबल विधियों (AL और SCAD) ने भविष्यवक्ताओं का एक समान सेट और एक एकल वैश्विक पड़ोस संरचना (मुख्य रूप से उत्तर-दिशात्मक) चुनी, जो प्रस्तावित विधि द्वारा पहचानी गई स्थानीय विषमता को पकड़ने में विफल रही।

महत्व और दावे
यह शोध पत्र दावा करता है कि इसका प्राथमिक महत्व स्थानिक रूप से सह-संबंधित, अति-विकेंद्रित डेटा के लिए स्थानीय चर चयन के संबंध में साहित्य में मौजूद "शून्य" (vacuum) को संबोधित करना है। वैश्विक धारणाओं से दूर जाकर, यह विधि प्रदान करती है:

1. स्थानीय अनुमान: किसी स्थान के सामाजिक-जनसांख्यिकीय संदर्भ के विशिष्ट चर चुनने की क्षमता (जैसे, एक काउंटी में जोखिम कारक के रूप में युवा अश्वेत पुरुषों को चुनना जबकि दूसरे में वृद्ध श्वेत महिलाओं को कारक के रूप में चुनना)।
2. दिशात्मक अंतर्दृष्टि: यह पहचानना कि चयनित भविष्यवक्ता दिशात्मक रूप से कैसे प्रभाव डालते हैं (जैसे, उत्तर-दक्षिण अक्ष के बजाय पूर्व-पश्चिम दिशा में मजबूत प्रभाव)।
3. संरचनात्मक लचीलापन: अधोसंरचनात्मक स्थानिक पड़ोस संरचनाओं के बारे में 'एड हॉक' धारणाओं को समाप्त करना, जिससे डेटा को उपयुक्त स्थानिक निर्भरता प्रकार (जैसे, अनिसोट्रोपिक बनाम आइसोट्रोपिक) निर्धारित करने की अनुमति मिलती है।

लेखक निष्कर्ष निकालते हैं कि यह दृष्टिकोण आग्नेयास्त्र मृत्यु के कारणों की अधिक सूक्ष्म समझ प्रदान करता है, जो लक्षित सार्वजनिक स्वास्थ्य हस्तक्षेपों के लिए महत्वपूर्ण है। वे उल्लेख करते हैं कि भविष्य के कार्य इसे पूर्ण सामान्यीकृत रैखिक मॉडल (GLM), स्थानिक यादृच्छिक प्रभावों के साथ एकीकृत दंडित लाइक्लीहुड ढांचे, और स्पैटियो-टेम्पोरल संदर्भों तक विस्तारित कर सकते हैं।