Measures for Assessing Causal Effect Heterogeneity Unexplained by Covariates

तकनीकी सारांश: अनकही सहचरों (Covariates) द्वारा अनस्पष्टित कारण प्रभाव विषमता के आकलन के उपाय

लेखक: युटा कावाकामी और जिन तियान (मोहम्मद बिन ज़ायद यूनिवर्सिटी ऑफ आर्टिफिशियल इंटेलिजेंस)
दिनांक: 10 फरवरी, 2026

---

1. समस्या: अनस्पष्टित विषमता (Unexplained Heterogeneity)

कारण अनुमान (Causal inference) में, शोधकर्ता आमतौर पर कंडीशनल एवरेज कॉज़ल इफेक्ट (CACE), जिसे CATE भी कहा जाता है, का अनुमान लगाते हैं ताकि यह समझा जा सके कि एक उपचार ($X$), देखे गए सहचरों ($W$) द्वारा परिभाषित विभिन्न उप-जनसंख्याओं में परिणाम ($Y$) को कैसे प्रभावित करता है।

CACE की मौलिक सीमा यह है कि यह मान लेता है कि सभी उपचार प्रभाव विषमता (treatment effect heterogeneity) देखे गए सहचरों द्वारा स्पष्ट की जाती है। हालाँकि, कई वास्तविक दुनिया के परिदृश्यों में, पर्याप्त विषमता अनकहे चरों ($U_Y$) के कारण बनी रहती है जो उपचार के साथ परस्पर क्रिया करते हैं। उदाहरण के लिए, भले ही किसी समूह के लिए औसत प्रभाव सकारात्मक हो, लेकिन उस समूह के भीतर कुछ व्यक्तियों को गुप्त कारकों के कारण नकारात्मक प्रभाव का अनुभव हो सकता है। मौजूदा शोध मुख्य रूप से बाइनरी उपचारों और बाइनरी परिणामों के लिए इस "अनस्पष्टित" विषमता को मापने पर केंद्रित रहा है, जिससे निरंतर परिणामों (continuous outcomes) और निरंतर उपचारों (continuous treatments) के लिए एक अंतराल रह गया है।

2. कार्यप्रणाली (Methodology)

लेखक संभावित परिणामों के आधार पर व्यक्तियों को वर्गीकृत करने के लिए स्ट्रक्चरल कॉज़ल मॉडल (SCM) ढांचे और प्रिंसिपल स्ट्रैटिफिकेशन (Principal Stratification) का उपयोग करते हैं। वे निरंतर परिणामों और निरंतर उपचारों को संभालने के लिए स्टोकेस्टिक इंटरवेंशन (stochastic interventions) के माध्यम से इन अवधारणाओं का विस्तार करते हैं।

लेखक दो अलग-अलग प्रकार के उपाय विकसित करते हैं:

A. बाइनरी उपचार और निरंतर परिणाम के लिए:
लेखक "उपयोगी" और "हानिकारक" समूहों की अवधारणा को निरंतर परिणामों के लिए विस्तारित करते हैं, यह परिभाषित करते हुए कि विषय (subjects) वे हैं जिनके लिए उपचार उनके परिणाम को एक दहलीज (threshold) $y$ के पार ले जाता है।

• P-CACE (पॉजिटिवली अफेक्टेड CACE): उस विशिष्ट उप-जनसंख्या के लिए औसत कारण प्रभाव को मापता है जो सकारात्मक प्रभाव ($Y_1 > Y_0$) का अनुभव करती है।
• N-CACE (नेगेटिवली अफेक्टेड CACE): उस उप-जनसंख्या के लिए प्रभाव के परिमाण को मापता है जो नकारात्मक प्रभाव ($Y_1 < Y_0$) का अनुभव करती है।

B. निरंतर उपचार और निरंतर परिणाम के लिए:
स्टोकेस्टिक इंटरवेंशन ($do(X_{\pi})$) का उपयोग करते हुए, जो अधिक लचीले उपचार परिदृश्यों (जैसे, एक निश्चित मात्रा द्वारा खुराक को बदलना) की अनुमति देते हैं, वे पेश करते हैं:

• P-CPICE (पॉजिटिवली अफेक्टेड CPICE): सकारात्मक स्टोकेस्टिक उपचार प्रभावों द्वारा लक्षित उप-जनसंख्याओं के भीतर औसत कारण प्रभाव।
• N-CPICE (नेगेटिवली अफेक्टेड CPICE): नकारात्मक स्टोकेस्टिक उपचार प्रभावों द्वारा लक्षित उप-जनसंख्याओं के भीतर औसत कारण प्रभाव।

3. प्रमुख योगदान

• नवीन विषमता उपाय: P-CACE, N-CACE, P-CPICE, और N-CPICE का परिचय कुल कारण प्रभावों को सकारात्मक और नकारात्मक घटकों में विभाजित करने का एक गणितीय तरीका प्रदान करता है।
• विघटन प्रमेय (Decomposition Theorems): लेखक सिद्ध करते हैं कि कुल कारण प्रभाव (CACE या CPICE) को सकारात्मक और नकारात्मक घटकों के अंतर (जैसे, $CACE = P\text{-}CACE - N\text{-}CACE$) के रूप में स्वाभाविक रूप से विभाजित किया जा सकता है।
• पहचान और बाउंडिंग (Identification and Bounding):
  • वे मोनोटोनिसिटी धारणा (यह धारणा कि संभावित परिणामों का क्रम उलट नहीं जाता है) के तहत पहचान प्रमेय (identification theorems) स्थापित करते हैं।
  • यह पहचानते हुए कि मोनोटोनिसिटी अक्सर अवास्तविक होती है, वे शार्प बाउंडिंग प्रमेय (sharp bounding theorems) प्रदान करते हैं जो शोधकर्ताओं को केवल देखे गए सशर्त वितरणों का उपयोग करके संभावित विषमता की सीमा का अनुमान लगाने की अनुमति देते हैं।
• अनुमान ढांचा (Estimation Framework): वे कंडीशनल CDFs के लिए लोकल लीनियर (LL) एस्टिमेटर्स और मोंटे कार्लो इंटीग्रेशन का उपयोग करके एक व्यावहारिक अनुमान विधि प्रदान करते हैं।

4. परिणाम और अनुभवजन्य सत्यापन (Empirical Validation)

• संख्यात्मक प्रयोग: सिमुलेशन प्रदर्शित करते हैं कि भले ही औसत प्रभाव (CACE) शून्य हो, नए उपाय गुप्त अंतःक्रियाओं (latent interactions) के कारण होने वाली महत्वपूर्ण विषमता का सफलतापूर्वक पता लगा सकते हैं।
• वास्तविक दुनिया का अनुप्रयोग: एक मेडिकल इंश्योरेंस डेटासेट (BMI का चिकित्सा खर्चों पर प्रभाव का विश्लेषण करते हुए) पर इन उपायों को लागू करते हुए, लेखकों ने दिखाया कि जबकि BMI बढ़ाने का औसत प्रभाव सकारात्मक है, N-CPICE ने खुलासा किया कि जनसंख्या का एक महत्वपूर्ण हिस्सा वास्तव में अनकहे कारकों के कारण नकारात्मक प्रभाव (कम लागत) का अनुभव करता है।
• उच्च-आयामी सुदृढ़ता (High-Dimensional Robustness): लेखक प्रदर्शित करते हैं कि जबकि मानक एस्टिमेटर्स उच्च आयामों में विफल हो जाते हैं, उनके ढांचे पर Lasso रेगुलराइजेशन लागू करने से इन नए उपायों का स्थिर और सटीक अनुमान लगाने की अनुमति मिलती है।

5. महत्व

यह शोध पत्र कारण विषमता अनुसंधान के फोकस को "कौन से सहचर प्रभाव को स्पष्ट करते हैं" से बदलकर "कितना प्रभाव अनस्पष्टित रहता है" पर स्थानांतरित करता है।

व्यावहारिक प्रभाव:

• जोखिम न्यूनीकरण: नीति निर्माताओं और चिकित्सकों के लिए, औसत प्रभाव जानना पर्याप्त नहीं है। एक उच्च N-CACE या N-CPICE इस बात की चेतावनी है कि एक हस्तक्षेप, जो औसतन फायदेमंद है, जनसंख्या के एक विशिष्ट समूह को महत्वपूर्ण नुकसान पहुँचा सकता है।
• व्यक्तिगत चिकित्सा (Personalized Medicine): "अनस्पष्टित" हिस्से को मात्रात्मक रूप से मापकर, ये उपाय वास्तव में व्यक्तिगत हस्तक्षेप प्राप्त करने के लिए गुप्त चरों (जैसे, आनुवंशिकी, जीवनशैली) की आगे की जांच की आवश्यकता को रेखांकित करते हैं।