Sensitivity analysis for contamination in egocentric-network randomized trials with interference

तकनीकी सारांश: हस्तक्षेप वाले इगोसेंट्रिक-नेटवर्क रैंडमाइज्ड ट्रायल्स में संदूषण (Contamination) के लिए संवेदनशीलता विश्लेषण

समस्या विवरण
जब पूर्ण सामाजिक-केंद्रित नेटवर्क डेटा एकत्र करना लॉजिस्टिक रूप से अव्यवहार्य हो, तो पूर्ण सामाजिक-केंद्रित नेटवर्क डेटा के बिना कारण प्रभावों (causal effects) का अनुमान लगाने के लिए इगोसेंट्रिक-नेटवर्क रैंडमाइज्ड ट्रायल्स (ENRTs) का उपयोग तेजी से किया जा रहा है। एक ENRT में, "ईगो" (indexes) का एक सेट चुना जाता है, और प्रत्येक ईगो अपने पड़ोसियों ("अल्टर") के एक उपसमुच्चय (subset) को भर्ती करता है। उपचारों (treatments) को ईगो के बीच रैंडमाइज किया जाता है। मानक विश्लेणात्मक दृष्टिकोण यह मानते हैं कि देखे गए ईगो-नेटवर्क अंतर्निहित जनसंख्या नेटवर्क में विलगित (disjoint) होते हैं; अर्थात, अल्टर केवल एक ईगो से जुड़े होते हैं, और ईगो अन्य ईगो से जुड़े नहीं होते हैं।

हालाँकि, वास्तविक जनसंख्या नेटवर्क में अक्सर इन विलगित घटकों को जोड़ने वाले किनारे (edges) होते हैं (जैसे, एक अल्टर जो कई ईगो से जुड़ा हो, या ईगो जो एक-दूसरे से जुड़े हों)। यह घटना, जिसे संदूषण (contamination) कहा जाता है, देखे गए नेटवर्क में लुप्त किनारों (missing edges) की ओर ले जाती है। इसके परिणामस्वरूप, देखे गए नेटवर्क से गणना किया गया एक्सपोजर स्टेटस (कि क्या किसी इकाई के पास उपचारित पड़ोसी है) गलत निर्दिष्ट (misspecified) हो जाता है। लेखक प्रदर्शित करते हैं कि एक डिज़ाइन-आधारित निष्कर्ष ढांचे के तहत, प्रत्यक्ष और अप्रत्यक्ष प्रभावों के लिए मानक हॉरविट्ज़-थॉमसन (HT) एस्टिमेटर्स (estimators) तब पक्षपाती (biased) होते हैं जब ऐसा संदूषण मौजूद होता है। विशेष रूप से, सहज (naive) एस्टिमेटर्स अप्रत्यक्ष प्रभावों को कम करके आंकते हैं और प्रत्यक्ष प्रभावों को बढ़ाकर आंकते हैं।

कार्यप्रणाली
यह शोध पत्र एक डिज़ाइन-आधारित संवेदनशीलता विश्लेषण ढांचे का प्रस्ताव करता है जो एक स्टोकेस्टिक सुपरपॉपुलेशन मॉडल की धारणा बनाए बिना संदूषण को संबोधित करता है। अंतर्निहित जनसंख्या नेटवर्क को आंशिक रूप से अप्राप्य (unobserved) लेकिन स्थिर माना जाता है।

1. पक्षपात-सुधारित एस्टिमेटर्स (Bias-Corrected Estimators):

   • अप्रत्यक्ष प्रभाव (Indirect Effect): लेखक अल्टर्स पर अप्रत्यक्ष प्रभाव के लिए एक पक्षपात-सुधारित एस्टिमेटर ($\widehat{IE}_{adj}$) व्युत्पन्न करते हैं। यह एस्टिमेटर लुप्त अल्टर-ईगो किनारों की संभावना ($\pi^a_i$) या अपेक्षित संख्या का प्रतिनिधित्व करने वाले संवेदनशीलता मापदंडों का उपयोग करके सहज HT एस्टिमेटर को समायोजित करता है।
   • प्रत्यक्ष प्रभाव (Direct Effect): ईगो पर प्रत्यक्ष प्रभाव के लिए एक पक्षपात-सुधारित एस्टिमेटर ($\widehat{DE}_{adj}$) व्युत्पन्न किया गया है। इसके लिए दो संवेदनशीलता मापदंडों की आवश्यकता होती है: लुप्त ईगो-ईगो किनारों की संभावना ($\pi^e_i$) और एक अनुपात पैरामीटर ($\kappa$), जो कम से कम एक उपचारित पड़ोसी वाले ईगो के औसत प्रत्यक्ष प्रभाव और अन-एक्सपोज्ड ईगो के बीच के अनुपात का प्रतिनिधित्व करता है।
   • विचरण अनुमान (Variance Estimation): लेटेंट (latent) किनारों के बीच प्रेरित निर्भरता को ध्यान में रखते हुए रूढ़िवादी विचरण एस्टिमेटर्स विकसित किए गए हैं।

2. संवेदनशीलता मापदंड और विशिष्टता (Sensitivity Parameters and Specification):
   यह ढांचा लुप्त किनारों की संभावना या अपेक्षित संख्या ($\rho^e_{ij}$ और $\rho^a_{ij}$) को निर्दिष्ट करने पर निर्भर करता है। लेखक इन मापदंडों को निर्दिष्ट करने के लिए चार व्यावहारिक दिशानिर्देश प्रदान करते हैं:

   • सजातीय संभावनाएँ (सभी संभावित लुप्त किनारों के लिए निरंतर संभावना)।
   • सजातीय किनारों की संख्या (लुप्त किनारों की कुल अपेक्षित संख्या निर्दिष्ट करना)।
   • विषम संभावनाएँ (कोवेरिएट्स और होमोफिली उपायों का उपयोग करना, जैसे दूरी के आधार पर लॉजिस्टिक लिंक फंक्शन)।
   • विषम किनारों की संख्या (अपेक्षित गणनाओं को विषम संभावनाओं के साथ जोड़ना)।

3. संवर्धन और क्रॉस-फिटिंग (Augmentation and Cross-Fitting):
   डिज़ाइन-आधारित वैधता से समझौता किए बिना एसिम्प्टोटिक परिशुद्धता (asymptotic precision) में सुधार करने के लिए, लेखक अपने पक्षपात-सुधारित एस्टिमेटर्स को वर्किंग आउटकम रिग्रेशन मॉडल के साथ संवर्धित (augment) करते हैं। वे ENRT डिज़ाइन के अनुरूप एक कंडीशनल टू-फोल्ड क्रॉस-फिटिंग प्रक्रिया लागू करते हैं (जो व्यक्तिगत इकाइयों के बजाय ईगो-नेटवर्क को विभाजित करती है) ताकि स्वतंत्रता धारणाओं को सुरक्षित रखते हुए परिमित-नमूना पक्षपात (finite-sample bias) से बचा जा सके।

4. विश्लेषण दृष्टिकोण:
   इस ढांचे को दो विधियों के माध्यम से लागू किया गया है:

   • ग्रिड संवेदनशीलता विश्लेषण (GSA): संभावित संवेदनशीलता पैरामीटर मानों के ग्रिड पर अनुमानों का मूल्यांकन करना।
   • प्रोबेबिलिस्टिक बायस एनालिसिस (PBA): संवेदनशीलता मापदंडों को निर्दिष्ट वितरणों (जैसे, Beta, Poisson, Uniform) से नमूना लेकर पक्षपात-सुधारित अनुमानों का वितरण उत्पन्न करना, जो सांख्यिकीय अनिश्चितता और पक्षपात अनिश्चितता दोनों को ध्यान में रखता है।

5. आंतरिक सत्यापन (Internal Validation):
   यह ढांचा रिकॉल सर्वे (जैसे, प्रतिभागियों द्वारा हस्तक्षेप शब्दों के संपर्क में आने की रिपोर्ट करना) जैसे आंतरिक सत्यापन डेटा का उपयोग करके संवेदनशीलता मापदंडों को कैलिब्रेट करने की रूपरेखा तैयार करता है। यह एक्सपोजर संभावनाओं का सीधे अनुमान लगाने की अनुमति देता है, जिससे शुद्ध संवेदनशीलता विश्लेषण पर निर्भरता कम हो जाती है।

मुख्य परिणाम

• सैद्धांतिक निष्कर्ष: लेखक सिद्ध करते हैं कि संदूषण के तहत सहज HT एस्टिमेटर्स पक्षपाती होते हैं। अप्रत्यक्ष प्रभाव के लिए पक्षपात की दिशा आम तौर पर शून्य की ओर (कम करके आंकना) होती है। प्रत्यक्ष प्रभाव के लिए पक्षपात $\kappa$ के अनुपात पर निर्भर करता है; यदि उपचारित पड़ोसियों की उपस्थिति में प्रत्यक्ष प्रभाव अधिक है, तो सहज एस्टिमेटर शून्य से दूर (बढ़ाकर आंकना) पक्षपाती होता है।
• सिमुलेशन अध्ययन: HPTN 037 डिज़ाइन पर आधारित सिमुलेशन दिखाते हैं कि जैसे-जैसे संदूषण बढ़ता है, सहज एस्टिमेटर्स पर्याप्त पक्षपात और खराब कवरेज प्रदर्शित करते हैं। प्रस्तावित पक्षपात-सुधारित एस्टिमेटर्स (संवर्धित और मानक दोनों) विभिन्न परिदृश्यों में नगण्य पक्षपात प्रदर्शित करते हैं। संवर्धित एस्टिमेटर्स वैध विचरण अनुमान और नाममात्र कवरेज दर प्रदान करते हैं, जबकि गैर-संवर्धित एस्टिमेटर्स रूढ़िवादी हो सकते हैं। अध्ययन यह भी पाता है कि $\kappa$ की दिशा को गलत निर्दिष्ट करने से गंभीर पक्षपात हो सकता है, जबकि इसके परिमाण (लेकिन सही दिशा) को गलत निर्दिष्ट करने पर भी सहज एस्टिमेटर से बेहतर प्रदर्शन होता है।
• HPTN 037 पर अनुप्रयोग: इस ढांचे का उपयोग HPTN 037 अध्ययन के पुन: विश्लेषण के लिए किया गया था।
  • आंतरिक सत्यापन डेटा (हस्तक्षेप शब्दों की याद/रिकॉल) का उपयोग करके, लेखकों ने लुप्त किनारों की संख्या का अनुमान लगाया।
  • ग्रिड और प्रोबेबिलिस्टिक विश्लेषण ने संकेत दिया कि संदूषण को अनदेखा करने से अप्रत्यक्ष प्रभाव का महत्वपूर्ण कम आकलन (कुछ परिदृश्यों में कम से कम 18%) और प्रत्यक्ष प्रभाव का मामूली अधिक आकलन होता है।
  • पक्षपात-सुधारित अनुमानों ने विलगित नेटवर्क मानकर किए गए पिछले विश्लेषणों की तुलना में काफी बड़े अप्रत्यक्ष प्रभाव और छोटे प्रत्यक्ष प्रभाव का सुझाव दिया।

महत्व और दावे
यह शोध पत्र दावा करता है कि यह ENRTs में नेटवर्क संदूषण के प्रति कारण अनुमानों की मजबूती का आकलन करने के लिए एक लचीला, डिज़ाइन-आधारित उपकरण प्रदान करता है। इसके प्राथमिक योगदान हैं:

1. पक्षपात सुधार: प्रत्यक्ष और अप्रत्यक्ष प्रभावों के लिए स्पष्ट पक्षपात-सुधारित एस्टिमेटर्स प्रदान करना जो लुप्त किनारों को ध्यान में रखते हैं, जो विलगित ईगो-नेटवर्क की प्रतिबंधात्मक धारणा से आगे बढ़ते हैं।
2. संवेदनशीलता ढांचा: एक नवीन संवेदनशीलता विश्लेषण ढांचा पेश करना जो जेनरेटिव नेटवर्क मॉडल की आवश्यकता के बिना लेटेंट किनारों के बारे में एपिस्टेमिक अनिश्चितता (epistemic uncertainty) को मात्रात्मक रूप देता है।
3. व्यावहारिक कार्यान्वयन: संवेदनशीलता मापदंडों को निर्दिष्ट करने के लिए ठोस दिशानिर्देश प्रदान करना और आंतरिक सत्यापन डेटा का उपयोग करके इन मापदंडों को कैलिब्रेट करने की उपयोगिता प्रदर्शित करना।
4. अनुभवजन्य प्रभाव: यह प्रदर्शित करना कि विलगित नेटवर्क के मानक अनुमानों से नीतिगत निष्कर्ष भ्रामक हो सकते हैं, विशेष रूप से पीयर-ड्रिवन (peer-driven) हस्तक्षेपों के स्पिलओवर (अप्रत्यक्ष) लाभों को कम करके आंकना।

लेखक इस बात पर जोर देते हैं कि उनका दृष्टिकोण नमूने के भीतर मजबूत आंतरिक वैधता को प्राथमिकता देता है, जिससे भर्ती प्रक्रिया या जनसंख्या नेटवर्क निर्माण के बारे में मजबूत unverifiable (असिद्ध करने योग्य नहीं) धारणाओं से बचा जा सके, जिनकी वैकल्पिक मॉडल-आधारित दृष्टिकोणों में अक्सर आवश्यकता होती है।