Coarsening Bias from Variable Discretization in Causal Functionals

तकनीकी सारांश: परिवर्तनीय विविक्तीकरण (Variable Discretization) से उत्पन्न होने वाला कोर्सनिंग बायस (Coarsening Bias)

समस्या का विवरण
कारण संबंधी पहचान कार्यात्मक (Causal identification functionals), विशेष रूप से मध्यस्थता विश्लेषण (mediation analysis), पथ-विशिष्ट प्रभाव (path-specific effects), और छिपे हुए-चर वाले निर्देशित अचक्रीय ग्राफ़ (DAGs) के भीतर फ्रंट-डोर पहचान में, एक निरंतर मध्यस्थ (continuous mediator) के सशर्त घनत्व (conditional density) पर आउटकम रिग्रेशन के एकीकरण (integration) की आवश्यकता होती है। जब मध्यस्थ निरंतर या उच्च-आयामी (high-dimensional) होता है, तो इन घनत्वों का अनुमान लगाना और परिणामी समाकलों (integrals) की गणना करना सांख्यिकीय और गणनात्मक रूप से चुनौतीपूर्ण होता है। एक सामान्य व्यावहारिक समाधान निरंतर मध्यस्थ को विविक्त (discretize) करना और समाकलों को परिमित योगों (finite sums) से बदलना है।

यद्यपि यह सुविधाजनक है, यह विविक्तीकरण मूल जनसंख्या-स्तर के पैरामीटर को मौलिक रूप से बदल देता है जिसे अनुमानित किया जा रहा है। भले ही कारण संबंधी पहचान की धारणाएं सही हों और न्युसेंस पैरामीटर्स (nuisance parameters) का सुसंगत अनुमान लगाया गया हो, विविक्त कार्यात्मक मूल निरंतर कार्यात्मक से भिन्न लक्ष्य होता है। लेखक इस विसंगति को कोर्सनिंग बायस (या कोर्सनिंग एरर) के रूप में पहचानते हैं। शोध पत्र तर्क देता है कि यह बायस सांख्यिकीय अनुमान त्रुटि (statistical estimation error) से भिन्न है; यह एक अनुमान त्रुटि है जो स्वयं लक्षित कार्यात्मक के स्तर पर उत्पन्न होती है। पिछला साहित्य अक्सर इस बायस को अनदेखा करता है या इसे गौण मानता है, फिर भी यह सही पहचान के बावजूद गैर-नगण्य त्रुटियों को जन्म दे सकता है।

कार्यप्रणाली और सैद्धांतिक ढांचा
लेखक मूल कारण कार्यात्मक $\theta(Q)(c)$ और इसके विविक्त अनुरूप $\theta_h(Q)(c)$ के बीच के अंतर को औपचारिक रूप देते हैं। मान लें कि $M$ एक निरंतर मध्यस्थ है जिसे $K$ बिनों (bins) $B_k$ में विभाजित किया गया है जिनकी चौड़ाई $w_k$ है।

1. कोर्सनिंग एरर का लक्षण वर्णन:
   शोध पत्र दर्शाता है कि सहज विविक्त कार्यात्मक (naive discretized functional) एक प्रथम-क्रम की त्रुटि (first-order error) उत्पन्न करता है जो अधिकतम बिन चौड़ाई ($O(w_{\max, K})$) के समानुपाती है। यह त्रुटि मध्यस्थ के भीतर-बिन सशर्त माध्यों (within-bin conditional means) में उपचार स्तरों के बीच परिवर्तन ($m_k(a_1, c) - m_k(a_0, c)$) और आउटकम रिग्रेशन के स्थानीय ढलान (local slope) $\mu(m, a, c)$ द्वारा संचालित होती है।

• विशेष रूप से, त्रुटि पद $\mu'_m \times \Delta m_k$ के समानुपाती है।
• यह त्रुटि केवल तभी समाप्त होती है जब आउटकम रिग्रेशन प्रत्येक बिन के भीतर स्थानीय रूप से स्थिर हो या प्रत्येक बिन के भीतर मध्यस्थ का सशर्त वितरण उपचार समूहों के बीच भिन्न न हो।

2. डीबायस्ड कोसर्ड फंक्शनल (Debiased Coarsened Functional):
   इस अग्रणी त्रुटि को समाप्त करने के लिए, लेखक एक डीबायस्ड कोसर्ड कार्यात्मक, $\tilde{\theta}_h(Q)(c)$ प्रस्तावित करते हैं। बिन सीमाओं पर रिग्रेशन का मूल्यांकन करने या कच्चे बिन औसत का उपयोग करने के बजाय, यह विधि मध्यस्थ के भीतर-बिन सशर्त माध्य ($m_k(a_0, c)$) पर संदर्भ उपचार वितरण के तहत रिग्रेशन $\mu(m, a_1, c)$ का मूल्यांकन करती है।

• टेलर विस्तार (Taylor expansion) का उपयोग करते हुए, लेखक दिखाते हैं कि यह संशोधन प्रथम-क्रम के पद को रद्द कर देता है।
• परिणामी अनुमान त्रुटि अब बिन की चौड़ाई में द्वितीय-क्रम ($O(w_{\max, K}^2)$) की हो जाती है, जो मोटे बिनिंग के तहत भी बायस को काफी कम कर देती है।

3. सांख्यिकीय अनुमान:
   लेखक डीबायस्ड कार्यात्मक के लिए प्लग-इन (plug-in) और वन-स्टेप (one-step) अनुमानकों को व्युत्पन्न करते हैं।

• स्मूदनिंग अनुमान (Smoothed Estimation): चूंकि अनुमानित माध्यों पर रिग्रेशन का बिंदु मूल्यांकन (point evaluation) पथवार अवकलनीयता (pathwise differentiability) की आवश्यकताओं का उल्लंघन कर सकता है (जब $M$ निरंतर हो), लेखक एक स्मूदनिंग संस्करण पेश करते हैं। यह बिंदु मूल्यांकन को एक कर्नल फ़ंक्शन और बैंडविड्थ $b$ का उपयोग करके एक स्थानीयकृत औसत से बदल देता है।
• इन्फ्लुएंस फंक्शन्स (Influence Functions): लेखक स्मूदनेड डीबायस्ड कार्यात्मक के लिए कुशल इन्फ्लुएंस फंक्शन (EIF) को व्युत्पन्न करते हैं, जिससे आसिम्प्टोटिक रूप से रैखिक वन-स्टेप अनुमानकों का निर्माण संभव होता है जो न्युसेंस मॉडल मिसस्पेसिफिकेशन के प्रति रोबस्ट होते हैं।

प्रमुख परिणाम

• सैद्धांतिक सीमाएं: सुचारूता (smoothness) की शर्तों के तहत, सहज विविक्त अनुमानक में $O(1/K)$ (समान-चौड़ाई वाले बिनों के लिए) की आसिम्प्टोटिक बायस होती है, जबकि प्रस्तावित डीबायस्ड अनुमानक $O(1/K^2)$ प्राप्त करता है।
• सिमुलेशन अध्ययन:
  • बायस में कमी: सिमुलेशन पुष्टि करते हैं कि सहज विविक्त अनुमानक में पर्याप्त बायस बना रहता है जो नमूना आकार $n$ बढ़ने के साथ समाप्त नहीं होता है (जो जनसंख्या-स्तर की त्रुटि को दर्शाता है)। इसके विपरीत, डीबायस्ड अनुमानक विभिन्न नमूना आकारों और बिन गणनाओं में लगभग शून्य बायस प्रदर्शित करता है।
  • कवरेज: डीबायस्ड अनुमानक मोटे बिनिंग के साथ भी लगभग नाममात्र विश्वास अंतराल कवरेज (जैसे 95%) प्राप्त करता है, जबकि सहज अनुमानक अनियंत्रित बायस के कारण खराब कवरेज से ग्रस्त होता है।
  • मजबूती (Robustness): डीबायस्ड दृष्टिकोण सही स्पेसिफिकेशन और न्युसेंस मॉडल मिसस्पेसिफिकेशन के विभिन्न रूपों के तहत भी अच्छा प्रदर्शन करता है, विशेष रूप से वन-स्टेप सुधारों के साथ संयोजन में।
  • विविक्तीकरण योजनाएं: अध्ययन समान-आवृत्ति (equal-frequency), अनुभवजन्य समान-चौड़ाई (empirical equal-width), और पूर्व-निर्धारित-चौड़ाई वाले विविक्तीकरणों की तुलना करता है। हालांकि बिनिंग के चयन से सहज बायस का परिमाण प्रभावित होता है, डीबायस्ड अनुमानक सभी योजनाओं में सुदृढ़ और सटीक रहता है।
• वास्तविक डेटा अनुप्रयोग: मोबाइल स्ट्रोक यूनिट डिस्पैच के B_PROUD अध्ययन के विश्लेषण में, डीबायस्ड अनुमानक ने एक अनुक्रमिक रिग्रेशन दृष्टिकोण (जो घनत्व अनुमान को पूरी तरह से टाल देता है) के अनुरूप परिणाम दिए और विशेष रूप से मोटे बिनिंग ($K=2$) के साथ सहज कोसर्ड अनुमानक से काफी भिन्न था।

महत्व और दावे
यह शोध पत्र दावा करता है कि यह कारण अनुमान पर परिवर्तनीय विविक्तीकरण के प्रभाव को नियंत्रित करने के लिए एक औपचारिक आधार प्रदान करता है। इसके प्राथमिक योगदान हैं:

1. त्रुटियों का पृथक्करण: यह फंक्शनल एप्रोक्सिमेशन एरर (कोर्सनिंग बायस) को सांख्यिकीय अनुमान त्रुटि से स्पष्ट रूप से अलग करता है, और नोट करता है कि मानक इन्फ्लुएंस-फंक्शन सुधार (जैसे वन-स्टेप अनुमानक) बाद वाली त्रुटि को संबोधित करते हैं लेकिन पहली त्रुटि को ठीक करने में विफल रहते हैं यदि विविक्तीकरण द्वारा लक्षित कार्यात्मक स्वयं गलत तरीके से निर्दिष्ट है।
2. सरल सुधार: यह एक सरल सुधार प्रस्तावित करता है (माध्यों पर मूल्यांकन करना) जो जटिल घनत्व अनुमान की आवश्यकता के बिना अग्रणी बायस पद को समाप्त करता है।
3. व्यावहारिक उपयोगिता: परिणाम बताते हैं कि शोधकर्ता अपने कारण अनुमानों की वैधता से समझौता किए बिना, कम्प्यूटेशनल सुविधा या व्याख्यात्मकता (जैसे नैदानिक थ्रेशोल्ड) के लिए विविक्तीकरण का उपयोग कर सकते हैं, बशर्ते वे प्रस्तावित डीबायसिंग सुधार लागू करें।

लेखक निष्कर्ष निकालते हैं कि यद्यपि व्यवहार में विविक्तीकरण अक्सर आवश्यक होता है, लेकिन परिणामी कोर्सनिंग बायस को अनदेखा करने से अमान्य निष्कर्ष निकल सकते हैं। प्रस्तावित ढांचा इस बायस को नियंत्रित करने की अनुमति देता है, जिससे निरंतर चरों के कोसर्ड होने पर भी वैध सांख्यिकीय अनुमान सक्षम होता है।