Doubly Robust Machine Learning for Population Size Estimation with Missing Covariates: Application to Gaza Conflict Mortality

तकनीकी सारांश: लुप्त सहचरों (Missing Covariates) के साथ जनसंख्या आकार अनुमान के लिए दोहरी सुदृढ़ मशीन लर्निंग (Doubly Robust Machine Learning)

1. समस्या विवरण

कैप्चर-रिकैप्चर (CR) विधियों के माध्यम से जनसंख्या आकार का अनुमान लगाना कठिन-से-पहुंच या संवेदनशील आबादी (जैसे, संघर्ष के शिकार, नशीली दवाओं का उपयोग करने वाले लोग) के अध्ययन के लिए आवश्यक है। जबकि शास्त्रीय मॉडल (जैसे लिनकन-पीटरसन) सजातीय कैप्चर संभावनाओं की धारणा रखते हैं, आधुनिक दृष्टिकोण व्यक्तिगत विषमता को समझने के लिए सहायक सहचरों (auxiliary covariates) को शामिल करते हैं।

हालाँकि, एक महत्वपूर्ण पद्धतिगत अंतराल मौजूद है: लुप्त सहचर जानकारी (missing covariate information)। वास्तविक दुनिया के परिवेश में, संवेदनशील डेटा अक्सर रोक लिया जाता है, रिकॉर्ड अधूरे होते हैं, या संभाव्यता आधारित रिकॉर्ड लिंकेज विरोधाभासी विशेषताओं का निर्माण करता है। मौजूदा समाधान—जैसे पूर्ण-मामला विश्लेषण (complete-case analysis) या ए प्रियोरी (a priori) प्रतिस्थापन (imputation)—अक्सर महत्वपूर्ण पूर्वाग्रह (bias) उत्पन्न करते हैं, विशेष रूप से जब लुप्त होने की प्रक्रिया (missingness mechanism) सहचरों और कैप्चर प्रक्रिया दोनों से संबंधित होती है।

2. कार्यप्रणाली

लेखक एक नवीन गैर-पैरामीट्रिक अनुमान ढांचा प्रस्तावित करते हैं जो लुप्त सहचरों को संभालने के लिए अर्ध-पैरामीट्रिक दक्षता सिद्धांत (semiparametric efficiency theory) को मशीन लर्निंग (ML) के साथ एकीकृत करता है।

A. पहचान संबंधी धारणाएं (Identification Assumptions):
अवलोकित डेटा से कुल जनसंख्या आकार ($n$) को पहचानने के लिए, शोध पत्र दो प्रमुख धारणाओं पर निर्भर करता है:

1. कोई उच्चतम-क्रम अंतःक्रिया नहीं (No Highest-Order Interaction - NHOI): एक सशर्त लॉग-लीनियर मॉडल के भीतर, यह माना जाता है कि $K$-वे अंतःक्रिया पद शून्य है। यह मॉडल को अवलोकित कैप्चर पैटर्न से अवलोकित न किए गए जनसंख्या तक विस्तार करने की अनुमति देता है बिना सभी सूचियों के बीच पूर्ण स्वतंत्रता की आवश्यकता के।
2. रैंडम मिसिंग एट रैंडम (Missing at Random - MAR): लुप्त होने का संकेतक ($R$), हमेशा-अवलोकित सहचरों ($V$) और कैप्चर प्रोफाइल ($Y$) के सापेक्ष, लुप्त सहचरों ($X$) से सशर्त स्वतंत्र है। यह मॉडल को लुप्त जानकारी को "भारित" (weight) करने के लिए अवलोकित डेटा का उपयोग करने की अनुमति देता है।

B. अनुमान ढांचा (Estimation Framework):
लेखक व्युत्क्रम कैप्चर संभावना ($\psi^{-1}$) के लिए कुशल प्रभाव फलन (Efficient Influence Function - EIF) को व्युत्पन्न करते हैं। इसका उपयोग करते हुए, वे दो अनुमानक (estimators) विकसित करते हैं:

• प्लग-इन अनुमानक (Plug-in Estimator): एक आधारभूत दृष्टिकोण जो पहचान सूत्र में अनुमानित न्युसेंस कार्यों (nuisance functions) को प्रतिस्थापित करता है। यह लचीले ML मॉडलों का उपयोग करने पर प्रथम-क्रम के पूर्वाग्रह के प्रति संवेदनशील है।
• वन-स्टेप ML अनुमानक (दोहरी सुदृढ़/Doubly Robust): मुख्य योगदान। यह प्लग-इन अनुमानक को EIF से प्राप्त पूर्वाग्रह-सुधार पद (bias-correction term) के साथ संवर्धित करता है। यह अनुमानक दोहरी सुदृढ़ (doubly robust) है, जिसका अर्थ है कि यदि लुप्त होने की प्रवृत्ती मॉडल (missingness propensity model) या कैप्चर संभावना मॉडल सही ढंग से निर्दिष्ट (specified) है, तो भी यह सुसंगत बना रहता है।

C. सांख्यिकीय गुण:
यह ढांचा परिमित-नमूना गारंटी (finite-sample guarantees) प्रदान करता है। कई अनंत-नमूना (asymptotic) विधियों के विपरीत, लेखक सिद्ध करते हैं कि वन-स्टेप अनुमानक लगभग सामान्य रूप से वितरित (normally distributed) है और किसी भी नमूना आकार $N$ के लिए निकट-इष्टतम दक्षता प्राप्त करता है, बशर्ते कि ML न्युसेंस कार्य पर्याप्त दर (जैसे, $o_P(N^{-1/4})$) से अभिसरित (converge) हों।

3. प्रमुख योगदान

• सैद्धांतिक नवाचार: NHOI और MAR धारणाओं के संयुक्त प्रभाव के तहत कैप्चर संभावनाओं के लिए एक नया पहचान अभिव्यक्ति स्थापित की।
• एल्गोरिदम संबंधी सुदृढ़ता: एक दोहरी सुदृढ़, वन-स्टेप ML अनुमानक विकसित किया जो कैप्चर-रिकैप्चर सेटिंग्स में लचीले मशीन लर्निंग मॉडलों द्वारा आमतौर पर उत्पन्न होने वाले पूर्वाग्रह को कम करता है।
• अनुमान वैधता: कैप्चर संभावना और कुल जनसंख्या आकार दोनों के लिए लगभग वैध विश्वास अंतराल (confidence intervals) बनाने के लिए एक विधि प्रदान की, भले ही नमूना आकार मध्यम हो।
• व्यावहारिक उपकरण: एक ऐसा ढांचा बनाया जो डेटा-अनुकूलित ML विधियों (जैसे, रैंडम फॉरेस्ट) के माध्यम से उच्च-आयामी या निरंतर सहचरों को समायोजित कर सकता है।

4. परिणाम

A. सिमुलेशन अध्ययन:
लेखकों ने अपने तरीके की तुलना 'नेइव इम्प्यूटेशन' (लुप्त मानों को भरने के लिए रैंडम फॉरेस्ट का उपयोग करना) से की।

• पूर्वाग्रह/RMSE: जैसे-जैसे लुप्त होने की दर बढ़ी (70% तक), इम्प्यूटेशन-आधारित तरीकों में पूर्वाग्रह और त्रुटि तेजी से बढ़ती देखी गई। MAR-आधारित दोहरी सुदृढ़ अनुमानकों ने लगातार कम पूर्वाग्रह और RMSE बनाए रखा।
• कवरेज: इम्प्यूटेशन-आधारित विश्वास अंतराल विफल रहे (75% कवरेज से नीचे गिर गए), जबकि प्रस्तावित विधि ने लगभग नाममात्र 95% कवरेज बनाए रखा।

B. गाजा संघर्ष मृत्यु दर पर अनुप्रयोग:
इस कार्यप्रणाली को तीन-सूची डेटा (अस्पताल, सर्वेक्षण और सोशल मीडिया) का उपयोग करके गाजा पट्टी में मौतों के पुनर्मूल्यांकन के लिए लागू किया गया था (7 अक्टूबर, 2023 – 30 जून, 2024)।

• निष्कर्ष: दोहरी सुदृढ़ अनुमानक ने 59,441 मौतों का अनुमान दिया (95% CI: 50,708–68,173)।
• तुलना: यह अनुमान पिछले अनुमानों (जिन्होंने इम्प्यूटेशन का उपयोग किया था) की तुलना में लगभग 10% कम था, लेकिन फिर भी यह दर्शाता है कि वास्तविक मृत्यु संख्या आधिकारिक आंकड़ों से लगभग 26% अधिक है।

5. महत्व

यह शोध पत्र उच्च-आयामी मशीन लर्निंग और शास्त्रीय कैप्चर-रिकैप्चर सिद्धांत के बीच एक व्यवस्थित सांख्यिकीय सेतु प्रदान करता है। लुप्त सहचरों की समस्या को हल करके, यह मानवीय संगठनों, महामारी विज्ञानियों और पारिस्थितिकीविदों को एक अधिक विश्वसनीय उपकरण प्रदान करता है जो "शोरपूर्ण" (noisy) या अधूरे डेटासेट के साथ काम कर रहे हैं। संघर्ष स्थितियों में—जहाँ डेटा अक्सर खंडित और संवेदनशील होता है—वैध निष्कर्ष निकालने की क्षमता का गहरा व्यावहारिक और नैतिक महत्व है।