📊 statistics

Direct Doubly Robust Estimation of Conditional Quantile Contrasts

यह शोध पत्र कंडीशनल क्वांटाइल कंपैरेटर (CQC) के लिए एक नवीन प्रत्यक्ष, दोहरी सुदृढ़ (डबली रोबस्ट) एस्टीमेटर का प्रस्ताव करता है जो मौजूदा इनवर्जन-आधारित विधियों की तुलना में बेहतर अनुमान सटीकता प्राप्त करने के साथ-साथ स्पष्ट मॉडलिंग और व्याख्या को सक्षम बनाता है, जैसा कि सैद्धांतिक विश्लेषण, सिमुलेशन और एक वास्तविक दुनिया के रोजगार अध्ययन के माध्यम से प्रदर्शित किया गया है।

मूल लेखक: Josh Givens, Song Liu, Henry W J Reeve, Katarzyna Reluga

प्रकाशित 2026-01-28

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Josh Givens, Song Liu, Henry W J Reeve, Katarzyna Reluga

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

मुख्य चित्र: "क्या होता अगर?" को मापना

कल्पना कीजिए कि आप एक डॉक्टर हैं जो यह पता लगाने की कोशिश कर रहे हैं कि क्या एक नई दवा काम करती है। आपके पास मरीजों के दो समूह हैं: वे जिन्होंने दवा ली (उपचार/Treatment) और वे जिन्होंने नहीं ली (नियंत्रण/Control)।

आमतौर पर, सांख्यिकीविद (statisticians) दो मुख्य प्रश्न पूछते हैं:

औसत वाला प्रश्न (CATE): "औसत रूप से, उपचारित समूह ने कितना बेहतर प्रदर्शन किया?" (जैसे, "दवा ने जीवन प्रत्याशा में 2 वर्ष जोड़ दिए।")
पर्सेंटाइल वाला प्रश्न (CQTE): "यदि आप स्वास्थ्य परिणामों के निचले 10% में होते, तो दवा ने आपकी कितनी मदद की? शीर्ष 10% के मामले में क्या हुआ?"

लेखक एक तीसरा, नया प्रश्न पेश करते हैं जिसे कंडीशनल क्वांटाइल कंपैरेटर (CQC) कहा जाता है। औसत या अमूर्त पर्सेंटाइल के बारे में पूछने के बजाय, CQC पूछता है:

"यदि एक विशिष्ट व्यक्ति, बिना दवा के, $50,000 कमा रहा होता, तो उनकी आयु और पृष्ठभूमि को देखते हुए, दवा के साथ वे कितना कमा सकते थे?"

यह एक विशिष्ट शुरुआती बिंदु (उपचार रहित परिणाम) को सीधे एक विशिष्ट अंतिम बिंदु (उपचारित परिणाम) से जोड़ता है।

समस्या: "घूमकर जाने वाला" रास्ता

इस पेपर से पहले, इस विशिष्ट संबंध (CQC) की गणना करना ऐसा था जैसे किसी दूसरे शहर तक गाड़ी चलाकर जाना, वहां मानचित्र देखना और फिर वापस वापस आना।

पुराना तरीका दो भ्रमित करने वाले चरणों में काम करता था:

चरण 1: दोनों समूहों के लिए इससे कम कमाने की संभावना (Cumulative Distribution Function) का अनुमान लगाना।
चरण 2: अंतिम डॉलर राशि का पता लगाने के लिए एक जटिल गणितीय "इनवर्जन" (inversion) करना।

यह बुरा क्यों था?

यह एक 'ब्लैक बॉक्स' था: आप इसके फॉर्मूले को आसानी से देख नहीं सकते थे। इसे अपने बॉस या मरीज को समझाना कठिन था।
यह नाजुक था: यदि आपके चरण 1 के अनुमान में थोड़ी सी भी गलती होती, तो अंतिम उत्तर बहुत गलत हो सकता था।
यह धीमा था: हर एक व्यक्ति के लिए "इनवर्जन" की गणना करने में बहुत अधिक कंप्यूटर पावर लगती थी।

समाधान: एक सीधा हाईवे

लेखक एक डायरेक्ट एस्टिमेटर (Direct Estimator) का प्रस्ताव करते हैं। घूमकर जाने वाले रास्ते के बजाय, उन्होंने एक हाईवे बनाया है जो सीधे "उपचार रहित परिणाम" से "उपचारित परिणाम" तक जाता है।

यह कैसे काम करता है?
Coliye कि CQC नॉब्स (पैरामीटर्स) वाली एक मशीन है। लेखकों ने एक नया "लॉस फंक्शन" (स्कोरकार्ड) बनाया है जो कंप्यूटर को बताता है: "यदि आप नॉब्स को इस तरह घुमाते हैं, तो आप सच्चाई के करीब पहुँच जाते हैं।"

वे ग्रेडिएंट डिसेंट (Gradient Descent) नामक तकनीक का उपयोग करते हैं (जैसे सबसे निचले बिंदु को खोजने के लिए पहाड़ी से गेंद को लुढ़काना) ताकि मशीन को तब तक एडजस्ट किया जा सके जब तक कि वह उपचारित परिणाम की सटीक भविष्यवाणी न करने लगे।

यह बेहतर क्यों है? (रूपक/Metaphors)

1. "ब्लूप्रिंट" बनाम "फोटो"

पुराना तरीका: पुराना तरीका एक इमारत की फोटो लेने और फिर उस फोटो को घूरकर उसके ब्लूप्रिंट का अनुमान लगाने जैसा था। आप इमारत को देख सकते थे, लेकिन आप डिजाइन को आसानी से बदल नहीं सकते थे या यह नहीं समझा सकते थे कि बीम कैसे जुड़े हुए हैं।
नया तरीका: यह पेपर आपको वास्तविक ब्लूप्रिंट देता है। क्योंकि मॉडल "स्पष्ट रूप से पैरामीटराइज्ड" (explicitly parameterized) है, आप नंबरों को देख सकते हैं और कह सकते हैं, "आयु के हर एक वर्ष के लिए, आय में वृद्धि 2% कम हो जाती है।" यह समझने योग्य है और इसमें बदलाव करना आसान है।

2. "दोधारी तलवार" (डबल रोबस्टनेस)
सांख्यिकी में, "नुइसेंस पैरामीटर्स" (nuisance parameters) होते हैं—ऐसी अतिरिक्त चीजें जिन्हें सही उत्तर पाने के लिए अनुमानित करना पड़ता है (जैसे कि उम्र के आधार पर किसी के उपचार प्राप्त करने की संभावना कितनी है)।

जादू: लेखक सिद्ध करते हैं कि उनका तरीका "डबली रोबस्ट" (Doubly Robust) है। कल्पना कीजिए कि आप दो अलग-अलग बंदूकों से लक्ष्य को हिट करने की कोशिश कर रहे हैं। यदि उनमें से कोई भी एक सटीक है, तो आप लक्ष्य को भेद लेंगे। भले ही आपके "नुइसेंस" कारकों के अनुमान अस्त-व्यस्त या अपूर्ण हों, जब तक गणित का एक हिस्सा ठीक है, अंतिम परिणाम सटीक रहेगा।

3. "जटिलता" का लाभ
पुराने तरीके की सटीकता इस बात पर निर्भर थी कि जटिल "संभावना मानचित्रों" (चरण 1) का अनुमान लगाना कितना कठिन था।
नए तरीके की सटीकता केवल इस बात पर निर्भर करती है कि स्वयं वह संबंध कितना जटिल है।

रूपक: यदि उपचारित और उपचार रहित आय के बीच का संबंध एक सरल सीधी रेखा है, तो नया तरीका इसे तुरंत सीख लेता है। पुराना तरीका संघर्ष करता था क्योंकि वह पहले संभावना डेटा के जटिल वक्रों (curves) को मैप करने में व्यस्त था, भले ही अंतिम उत्तर सरल था।

वास्तविक दुनिया का परीक्षण: रोजगार कार्यक्रम

लेखकों ने एक जॉब ट्रेनिंग प्रोग्राम के वास्तविक डेटा पर इसका परीक्षण किया।

निष्कर्ष: उन्होंने देखा कि कार्यक्रम ने विभिन्न आयु वर्ग के लोगों की आय को कैसे प्रभावित किया।
अंतर्दृष्टि: उन्होंने पाया कि युवा प्रतिभागियों के लिए, कार्यक्रम एक "मल्टीप्लायर" (गुणाक) की तरह काम करता था (यदि आप थोड़ा कमा रहे थे, तो आप बहुत अधिक कमा रहे थे)। वृद्ध प्रतिभागियों के लिए, यह उछाल एक "फ्लैट शिफ्ट" (एक समान बदलाव) की तरह था (सभी को एक समान बढ़त मिली, चाहे वे कहीं से भी शुरू कर रहे हों)।
क्योंकि उनका तरीका सीधा और व्याख्या योग्य था, वे इस पैटर्न को स्पष्ट रूप से देख सके। पुराना तरीका इस पैटर्न को पहचानना बहुत कठिन बना देता।

सारांश

यह पेपर एक जटिल, दो-चरणीय "अनुमान और इनवर्जन" प्रक्रिया को एक प्रत्यक्ष, पारदर्शी और कुशल तरीके से बदल देता है, जिससे यह पता चलता है कि एक उपचार किसी विशिष्ट परिणाम को कैसे बदलता है। यह शोधकर्ताओं को ऐसे मॉडल बनाने की अनुमति देता है जो समझने में आसान, गणना करने में तेज़ और अधिक सटीक हैं, भले ही बैकग्राउंड डेटा थोड़ा शोर भरा (noisy) हो।

तकनीकी सारांश: सशर्त क्वांटाइल तुलना (Conditional Quantile Contrast) का प्रत्यक्ष दोहरी सुदृढ़ अनुमान (Direct Doubly Robust Estimation)

समस्या का निरूपण

विषम उपचार प्रभाव (Heterogeneous Treatment Effect - HTE) विश्लेषण में, शोधकर्ता सहचरों (covariates) $X$ के सापेक्ष एक उपचार $A$ का परिणाम $Y$ पर प्रभाव को मापने का लक्ष्य रखते हैं। जबकि कंडीशनल एवरेज ट्रीटमेंट इफेक्ट (CATE) और कंडीशनल क्वांटाइल ट्रीटमेंट इफेक्ट (CQTE) मानक अनुमानित मान (estimands) हैं, उनकी विशिष्ट सीमाएँ हैं। CATE व्याख्यात्मकता प्रदान करता है लेकिन वितरण संबंधी बदलावों (distributional shifts) के बारें में सूक्ष्म विवरण की कमी होती है, जबकि CQTE क्वांटाइल-स्तर के सारांश प्रदान करता है लेकिन अक्सर रिस्पॉन्स स्पेस (जैसे, एक विशिष्ट क्वांटाइल स्तर के बजाय एक अनट्रिटेड रिस्पॉन्स वैल्यू से उपचार प्रभाव को जोड़ना) में प्रत्यक्ष व्याख्यात्मकता की कमी होती है।

कंडीशनल क्वांटाइल कंपैरेटर (CQC), जिसे $g^*(y_0|x)$ द्वारा दर्शाया गया है, इस अंतर को पाटने के लिए पेश किया गया था। यह एक अनट्रिटेड रिस्पॉन्स $y_0$ और सहचर $x$ को उस उपचारित रिस्पॉन्स वैल्यू से मैप करता है जो समान सशर्त क्वांटाइल साझा करती है। यह CQC के लिए एक स्वाभाविक व्याख्या की अनुमति देता है जैसे कि रिस्पॉन्स पर योगात्मक (additive) या गुणात्मक (multiplicative) बदलाव। हालाँकि, CQC के लिए मौजूदा अनुमान विधि (Givens et al., 2024) एक अप्रत्यक्ष दो-चरणीय प्रक्रिया पर निर्भर करती है:

एक मध्यवर्ती "CCDF कंट्रास्टिंग फंक्शन" $h(y_1, y_0, x) = F_1(y_1|x) - F_0(y_0|x)$ का अनुमान लगाना।
$h=0$ खोजने के लिए इस फंक्शन को उलटना (inverting)।

यह इनवर्जन (inversion) दृष्टिकोण तीन प्राथमिक कमियों से ग्रस्त है:

स्पष्ट रूप का अभाव: परिणामी अनुमान $\hat{g}$ स्पष्ट रूप से पैरामीटराइज्ड नहीं है, जो मॉडल बाधाओं (constraints), रेगुलाइजेशन और व्याख्यात्मकता में बाधा डालता है।
त्रुटि प्रसार (Error Propagation): अनुमान की सटीकता मध्यवर्ती फंक्शन $h$ की जटिलता पर निर्भर करती है, न कि लक्षित फंक्शन $g^*$ पर।
कंप्यूटेशनल लागत: अनुमान का मूल्यांकन करने के लिए प्रत्येक क्वेरी के लिए $y_1$ के ग्रिड के ऊपर सर्च करना आवश्यक है, जो कंप्यूटेशनल रूप से महंगा है।

कार्यप्रणाली

यह शोध पत्र CQC के लिए पहला प्रत्यक्ष अनुमानक (direct estimator) प्रस्तावित करता है, जो इनवर्जन स्टेप को दरकिनार करते हुए समस्या को M-एस्टिमेशन टास्क के रूप में तैयार करता है।

लॉस फंक्शन का निर्माण

लेखक एक लॉस फंक्शन $\bar{\ell}(y_1, y__0, x)$ को कंट्रास्टिंग फंक्शन $h$ के इंटीग्रल के आधार पर परिभाषित करते हैं:
$\bar{\ell}(y_1, y_0, x) = \int_{g^*(y_0|x)}^{y_1} h(t, y_0, x) \, dt$
जहाँ $h(t, y_0, x) = F_1(t|x) - F_0(y_0|x)$ है। फंडामेंटल थ्योरम ऑफ कैलकुलस के अनुसार, यह लॉस तब न्यूनतम होता है जब $y_1 = g^*(y_0|x)$ हो। लेखक CQC को $g_\theta(y_0|x)$ के रूप में पैरामीटराइज करते हैं और जनसंख्या लॉस $L(\theta) = \mathbb{E}[\ell(\theta, Y_0, X)]$ को परिभाषित करते हैं।

दोहरी सुदृढ़ ग्रेडिएंट अनुमानक (Doubly Robust Gradient Estimator)

चूंकि वास्तविक सशर्त वितरण $F_a$ और प्रोपेंसिटी स्कोर $\pi$ अज्ञात हैं, लेखक एम्पेरिकल लॉस पर ग्रेडिएंट डिसेंट करने के लिए एक दोहरी सुदृढ़ (DR) ग्रेडिएंट अनुमानक $\zeta_{dr}$ का निर्माण करते हैं। $\theta$ के सापेक्ष लॉस का ग्रेडिएंट निम्नलिखित का उपयोग करके अनुमानित किया जाता है:
$\zeta_{dr}(\theta, y_0, z) = \nabla_\theta g_\theta(y_0|x) \left[ \frac{A}{\pi(x)}\{1\{Y \le g_\theta(y_0|x)\} - F_1(g_\theta(y_0|x)|x)\} - \frac{1-A}{1-\pi(x)}\{1\{Y \le y_0\} - F_0(y_0|x)\} + F_1(y_1|x) - F_0(y_0|x) \right]$
यह अनुमानक यह सुनिश्चित करने के लिए सैंपल स्प्लिटिंग (या क्रॉस-फिटिंग) का उपयोग करता है कि न्यूसेंस पैरामीटर अनुमानों ( $\hat{\pi}, \hat{F}_0, \hat{F}_1$ ) और CQC पैरामीटर्स को फिट करने के लिए उपयोग किए गए डेटा के बीच स्वतंत्रता बनी रहे।

अनुकूलन (Optimization)

अनुमान प्रक्रिया (एल्गोरिदम 1) में शामिल है:

न्यूसेंस पैरामीटर्स का अनुमान लगाने और CQC को फिट करने के लिए डेटा को दो सेटों में विभाजित करना।
मॉन्टे कार्लो ग्रेडिएंट अनुमान $\hat{J}_{dr}$ की गणना करने के लिए अनुमानित न्यूसेंस पैरामीटर्स का उपयोग करना।
एम्पेरिकल लॉस को कम करने के लिए ग्रेडिएंट डिसेंट (जैसे, Adam) के माध्यम से $\theta$ को अपडेट करना।

मुख्य योगदान

प्रथम प्रत्यक्ष अनुमानक: यह शोध पत्र इनवर्जन स्टेप को दरकिनार करते हुए CQC के लिए सीधे अनुमान लगाने वाला पहला तरीका प्रदान करता है, जिससे स्पष्ट पैरामीटराइजेशन (जैसे, लीनियर मॉडल, न्यूरल नेटवर्क) संभव होता है।
सैद्धांतिक गारंटी: लेखक अनुमान त्रुटि पर परिमित-नमूना सीमाएं (finite-sample bounds) प्राप्त करते हैं। वे सिद्ध करते हैं कि यह विधि दोहरी सुदृढ़ता (double robustness) गुण को बनाए रखती है: अनुमानक इष्टतम अभिसरण दर (convergence rates) प्राप्त करता है, भले ही न्यूसेंस पैरामीटर्स (प्रोपेंसिटी स्कोर और CCDFs) का अनुमान धीमी दरों पर लगाया गया हो, बशर्ते कि उनकी त्रुटियों का गुणनफल पर्याप्त रूप से तेजी से अभिसरित हो।
त्रुटि निर्भरता: सैद्धांतिक विश्लेषण से पता चलता है कि अनुमान त्रुटि सीधे CQC की जटिलता पर निर्भर करती है, न कि मध्यवर्ती CCDF कंट्रास्ट फंक्शन की जटिलता पर।
उन्नत व्याख्यात्मकता और नियंत्रण: $g_\theta$ को स्पष्ट रूप से पैरामीटराइज करके, यह विधि संरचनात्मक बाधाओं (जैसे, स्मूथनेस, मोनोटोनिसिटी) को लागू करने की अनुमति देती है और प्रत्यक्ष मॉडल निरीक्षण की सुविधा प्रदान करती है।

प्रयोगात्मक परिणाम

लेखक अपने तरीके (जिसे "Est. DR" लेबल किया गया है) का मौजूदा इनवर्जन-आधारित तरीके ("Est. Inv. DR") और एक इनवर्स प्रोबेबिलिटी वेटिंग (IPW) वेरिएंट के विरुद्ध सिम्युलेटेड और वास्तविक दुनिया के डेटासेट पर मूल्यांकन करते हैं।

सिमुलेशन (10-आयामी):
- स्लोप संवेदनशीलता (Slope Sensitivity): जैसे-जैसे वास्तविक CQC की ढलान बढ़ती है, प्रत्यक्ष अनुमानक कम त्रुटि बनाए रखता है, जबकि इनवर्जन-आधारित विधि की त्रुटि काफी बढ़ जाती है।
- न्यूसेंस त्रुटि: प्रत्यक्ष अनुमानक न्यूसेंस पैरामीटर अनुमानों में शोर के बढ़ते स्तरों के तहत इनवर्जन विधि की तुलना में बेहतर या तुलनीय प्रदर्शन करता है।
- नमूना आकार: प्रत्यक्ष अनुमानक विभिन्न नमूना आकारों में लगातार कम मीन एब्सोल्यूट एरर (MAE) प्राप्त करता है।
वास्तविक दुनिया के अनुप्रयोग:
- रोजगार योजना (Employment Scheme): रोजगार हस्तक्षेपों के डेटा पर लागू करने पर, मॉडल ने खुलासा किया कि हालांकि हस्तक्षेप आम तौर पर आय में सुधार करता है, लेकिन संभावित सुधार की सीमा आयु बढ़ने के साथ घटती जाती है। लीनियर पैरामीटराइजेशन ने आयु-निर्भर स्केलिंग प्रभावों की स्पष्ट व्याख्या की अनुमति दी।
- कोलन कैंसर ट्रायल: एक न्यूरल नेटवर्क पैरामीटराइजेशन का उपयोग करते हुए, पद्धति ने एक गैर-रेखीय उपचार प्रभाव को कैप्चर किया जहाँ युवा रोगियों ने महत्वपूर्ण सुधार दिखाया, जबकि वृद्ध रोगियों के लिए प्रभाव अधिक बाइनरी (binary) था। प्रत्यक्ष अनुमान ने इनवर्जन विधि के शोर वाले आउटपुट की तुलना में एक सहज, अधिक व्याख्या योग्य सतह प्रदान की।

महत्व और दावे

शोध पत्र का दावा है कि यह प्रत्यक्ष अनुमान प्रक्रिया मौजूदा CQC विधियों की तुलना में एक महत्वपूर्ण सुधार का प्रतिनिधित्व करती है। इनवर्जन स्टेप को हटाकर, लेखक तर्क देते हैं कि यह विधि:

सटीकता में सुधार करती है: लक्षित जटिलता को न्यूसेंस जटिलता से अलग करके अनुमान त्रुटि को कम करती है।
व्याख्यात्मकता को बढ़ाती है: एक फंक्शन $g_\theta(y_0|x)$ प्रदान करती है जिसका सीधे विश्लेषण, नियंत्रण और विज़ुअलाइज़ेशन किया जा सकता है, जो इसे वास्तविक दुनिया के निर्णय लेने के लिए अधिक उपयुक्त बनाता है जहाँ विशिष्ट रिस्पॉन्स वैल्यूज पर उपचार प्रभाव को समझना महत्वपूर्ण है।
सुदृढ़ता बनाए रखती है: मॉडल मिसस्पेसिफिकेशन की स्थिति में कॉज़ल इन्फरेंस के लिए आवश्यक वांछनीय दोहरी सुदृढ़ता गुण को सुरक्षित रखती है।

लेखक स्वीकार करते हैं कि हालांकि प्रत्यक्ष अनुमान सैद्धांतिक रूप से सुदृढ़ है, यह कुछ स्थितियों में इनवर्जन विधि की तुलना में न्यूसेंस पैरामीटर त्रुटियों के प्रति व्यावहारिक रूप से अधिक संवेदनशील हो सकता है, जो एक ऐसा ट्रेड-ऑफ है जिसे वे आगे की जांच की आवश्यकता बताते हैं। वे यह भी नोट करते हैं कि भविष्य के कार्य इस अभिसरण परिणामों को बेयसियन एडिटिव रिग्रेशन ट्री जैसे अधिक जटिल नॉन-लीनियर आर्किटेक्चर तक विस्तारित कर सकते हैं।