📊 statistics

Surrogate-Assisted Targeted Learning for Delayed Outcomes under Administrative Censoring

यह शोधपत्र एक सरोगेट-असिस्टेड टार्गेटेड मिनिमम लॉस एस्टिमेटर प्रस्तावित करता है जो एडमिनिस्ट्रेटिव सेंसरिंग के तहत विलंबित परिणामों वाले कारण अनुमान (कॉज़ल इन्फरेंस) के लिए एसिम्प्टोटिक लीनियरिटी और डबल रोबस्टनेस प्राप्त करता है, जो अनिश्चित इनवर्स-प्रोबेबिलिटी वेटिंग से बचने और कंडीशनल सरोगेट लॉ का सीधे अनुमान लगाए बिना सेकंड-ऑर्डर बायस को समाप्त करने के लिए एक सरोगेट-ब्रिज रिप्रेजेंटेशन का लाभ उठाता है।

मूल लेखक: Lin Li

प्रकाशित 2026-03-12

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Lin Li

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

बड़ी समस्या: "जल्द स्नातक" (The "Rushed Graduation")

कल्पना कीजिए कि एक स्कूल जिला यह मापने की कोशिश कर रहा है कि एक नई शिक्षण पद्धति कितनी अच्छी तरह काम करती है। वे जानना चाहते हैं कि क्या छात्र अपनी अंतिम परीक्षाओं में पास होते हैं (प्राथमिक परिणाम - Primary Outcome)।

हालाँकि, यहाँ दो बड़ी समस्याएँ हैं:

देरी: अंतिम परीक्षा वर्ष के बिल्कुल अंत में होती है।
जल्दबाजी: स्कूल जिला मरम्मत के लिए जल्दी बंद हो रहा है (यह प्रशासनिक सेंसरिंग - Administrative Censoring है)।

स्कूल के जल्दी बंद होने के कारण, कई छात्र जिन्होंने वर्ष के अंत में नई शिक्षण पद्धति शुरू की थी, वे कभी अंतिम परीक्षा नहीं दे पाते। उनके लिए डेटा गायब है।

लेकिन, एक अच्छी खबर है: स्कूल में मिड-टर्म क्विज़ (सरोगेट - Surrogate) होते हैं जो बहुत पहले होते हैं। चाहे उन्होंने कब शुरुआत की हो या स्कूल कब बंद हुआ हो, सभी ने ये क्विज़ दिए थे।

दुविधा:

यदि आप केवल उन छात्रों को देखते हैं जिन्होंने वर्ष समाप्त किया और अंतिम परीक्षा दी (कम्प्लीट केस एनालिसिस - Complete Case Analysis), तो आपको गलत उत्तर मिल सकता है। शायद देर से शुरू करने वाले छात्र अलग थे, या शायद स्कूल के जल्दी बंद होने से परिणाम बिगड़ गए।
यदि आप भारी वजन देकर गायब डेटा को गणितीय रूप से "ठीक" करने की कोशिश करते हैं (इनवर्स प्रोबबिलिटी वेटिंग - Inverse Probability Weighting), तो गणित अस्थिर हो जाता है। यह एक सी-सॉ (seesaw) को संतुलित करने जैसा है जिसमें एक तरफ पंख है और दूसरी तरफ एक बड़ा पत्थर; जरा सा भी डगमगाना पूरे ढांचे को उथल-पुथल कर सकता है।

समाधान: "सरोगेट ब्रिज" (The "Surrogate Bridge")

लेखक, लीन ली के नेतृत्व में, इसे हल करने का एक नया तरीका प्रस्तावित करते हैं जिसे सरोगेट-असिस्टेड टार्गेटेड लर्निंग (SA-TMLE) कहा जाता है।

सोचिए कि गायब अंतिम परीक्षा के स्कोर एक नदी है जिसे आपको पार करना है।

पुराना तरीका: केवल उन कुछ लोगों का उपयोग करके पुल बनाने की कोशिश करें जो दूसरी ओर पहुँच पाए। यह अस्थिर और खतरनाक है।
नया तरीका (पुल): मिड-टर्म क्विज़ का उपयोग करके एक पुल बनाएं। चूंकि सभी ने क्विज़ दिए थे, इसलिए आपके पास एक ठोस आधार है। आप क्विज़ और अंतिम परीक्षाओं के बीच के संबंध का उपयोग करते हैं (उन छात्रों के लिए जिन्होंने वास्तव में परीक्षा पूरी की) ताकि उस अंतर को "ब्रिज" किया जा सके और भविष्यवाणी की जा सके कि गायब अंतिम परीक्षा के स्कोर क्या होते।

नया तरीका कैसे काम करता है (दो-चरणीय नृत्य)

लेखकों ने एक विशिष्ट सांख्यिकीय उपकरण बनाया है जिसे SA-TMLE कहा जाता है। यह एक नृत्य की तरह दो चरणों में काम करता है:

चरण 1: अनुमान (सुपर लर्नर - Super Learner):
कंप्यूटर एक "सुपर लर्नर" (विभिन्न AI मॉडलों की एक टीम जो मिलकर काम करती है) का उपयोग यह अनुमान लगाने के लिए करता है कि मिड-टर्म क्विज़ अंतिम परीक्षाओं से कैसे संबंधित हैं। यह उन छात्रों को देखता है जिन्होंने वर्ष पूरा किया और पैटर्न को सीखता है।
चरणक 2: सुधार (द टार्गेटेड फ्लिप - The Targeted Flip):
यही जादुई हिस्सा है। मानक तरीके अक्सर एक छोटी, छिपी हुई त्रुटि करते हैं क्योंकि गणित बहुत जटिल हो जाता है (एक "नेस्टेड" समस्या)। लेखकों ने महसूस किया कि यदि आप केवल अनुमान लगाते हैं, तो आप लक्ष्य से थोड़ा चूक सकते हैं।
इसलिए, उन्होंने अनुमान को "धकेलने" (nudge) के लिए एक दूसरा चरण जोड़ा। वे भविष्यवाणी को बस इतना समायोजित करते हैं कि गणित पूरी तरह से संतुलित हो जाए, बिना यह जाने कि स्कूल के जल्दी बंद होने की सटीक संभावना क्या थी। यह एक शेफ की तरह है जो नमक की सटीक केमिस्ट्री की गणना करने के बजाय, सूप का स्वाद चखकर उसमें एक चुटकी नमक डाल देता है ताकि स्वाद ठीक हो सके।

यह एक बड़ी बात क्यों है

यह शोध पत्र तीन मुख्य बातें सिद्ध करता है:

यह स्थिर है: भले ही स्कूल बहुत जल्दी बंद हो जाए और लगभग कोई भी वर्ष समाप्त न कर पाए, यह विधि शांत रहती है। यह पुराने तरीकों की तरह अनियable नहीं होती।
यह डबल रोबस्ट (Double Robust) है: यह कहने का एक फैंसी तरीका है कि, "हमारे पास एक सुरक्षा जाल है।" यह विधि आपको सही उत्तर देगी यदि या तो क्विज़ के लिए आपका मॉडल सटीक है या स्कूल बंद होने के लिए आपका मॉडल सटीक है। आपको दोनों के सटीक होने की आवश्यकता नहीं है, बस एक का होना पर्याप्त है।
यह समूहों को संभालता है: इन अध्ययनों में, छात्र समूहों (जैसे कक्षा या स्कूल) में होते हैं। यह गणित इस तथ्य को ध्यान में रखता है कि एक ही कक्षा के छात्र एक-दूसरे को प्रभावित करते हैं, जिसे पुराने तरीके अक्सर गलत कर देते हैं।

वास्तविक दुनिया का परीक्षण

लेखकों ने एक वास्तविक दुनिया के परिदृश्य पर इसका परीक्षण किया: वॉशिंगटन राज्य में क्लैमिडिया (Chlamydia) के उपचार के बारे में एक सार्वजनिक स्वास्थ्य परीक्षण।

स्थिति: कुछ क्लीनिकों ने कार्यक्रम देर से शुरू किया। चूंकि अध्ययन एक निश्चित तिथि पर समाप्त हो गया था, इसलिए उन देर से शुरू होने वाले क्लीनिकों के पास दीर्घकालिक परिणाम (12-महीने की टेस्ट पॉजिटिविटी) देखने के लिए पर्याप्त समय नहीं था।
परिणाम: नए तरीके (SA-TMLE) ने एक स्पष्ट, स्थिर उत्तर और एक सटीक कॉन्फिडेंस इंटरवल दिया। पुराने तरीकों ने या तो बहुत व्यापक, अस्थिर उत्तर दिया (बहुत अधिक अनिश्चितता) या एक संकीर्ण लेकिन गलत उत्तर दिया (क्योंकि उन्होंने गायब डेटा को अनदेखा कर दिया था)।

निष्कर्ष (The Takeaway)

जब आपके पास एक ऐसा अध्ययन हो जहाँ मुख्य परिणाम विलंबित हो और अध्ययन जल्दी समाप्त होने के कारण कुछ डेटा गायब हो, तो घबराएं नहीं और डेटा को फेंकने की गलती न करें।

इसके बजाय, आपके पास मौजूद शुरुआती "सरोगेट" डेटा का उपयोग करें ताकि गायब परिणामों तक पहुँचने के लिए एक पुल बनाया जा सके। इस पेपर में वर्णित नया तरीका एक मजबूत, गणितीय रूप से सिद्ध पुल प्रदान करता है जो आपके निष्कर्षों को विश्वसनीय रखता है, भले ही डेटा अव्यवस्थित क्यों न हो।

यहाँ Lin Li के शोध पत्र "Surrogate-Assisted Targeted Learning for Delayed Outcomes under Administrative Censoring" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र आधुनिक अनुदैर्ध्य अध्ययनों (longitudinal studies), विशेष रूप से स्टेप्ड-वेज क्लस्टर रैंडमाइज्ड ट्रायल्स (SW-CRTs) में उत्पन्न होने वाली एक विशिष्ट अर्ध-पैरामीट्रिक अनुमान समस्या को संबोधित करता है, जहाँ:

विलंबित प्राथमिक परिणाम (Delayed Primary Outcomes): रुचि का मुख्य परिणाम ( $Y$ ) केवल एक पर्याप्त विलंब के बाद देखा जाता है।
प्रशासनिक सेंसरिंग (Administrative Censoring): अध्ययन सभी इकाइयों (क्लस्टर्स) को विलंबित परिणाम प्राप्त करने के लिए पर्याप्त समय मिलने से पहले ही समाप्त हो जाता है। फलस्वरूप, "लेट-क्रॉसिंग" क्लस्टर्स के लिए $Y$ अनुपलब्ध रहता है।
प्रारंभिक सरोगेट (Early Surrogates): फॉलो-अप के शुरुआती चरण में सभी इकाइयों के लिए एक अल्पकालिक सरोगेट परिणाम ( $S$ ) देखा जाता है।

मुख्य चुनौती:
मानक एस्टिमेटर इस "नियर-बाउंड्री" (near-boundary) शासन में विफल हो जाते हैं जहाँ लेट-क्रॉसिंग क्लस्टर्स के लिए प्राथमिक परिणाम देखने की संभावना ( $g_\Delta$ ) शून्य के करीब पहुँच जाती है:

इनवर्स प्रोबेबिलिटी वेटिंग (IPW): अत्यधिक भार (extreme weights, $1/g_\Delta \to \infty$ ) के कारण अस्थिर हो जाता है, जिससे विचरण (variance) में भारी वृद्धि होती है।
कम्प्लीट-केस एनालिसिस (Complete-Case Analysis): लेट-क्रॉसिंग क्लस्टर्स को पूरी तरह से त्याग देता है, जिससे यदि मिसिंगनेस पूरी तरह से रैंडम नहीं है तो पूर्वाग्रह (bias) उत्पन्न होता है, और दक्षता (efficiency) की हानि होती है।
पैरामीट्रिक मिक्स्ड मॉडल्स (Parametric Mixed Models): सख्त मॉडल विनिर्देशों (जैसे रैखिक समय रुझान) पर निर्भर करते हैं जो जटिल वास्तविक दुनिया के परिवेश में अक्सर गलत (misspecified) हो सकते हैं।

2. कार्यप्रणाली: सरोगेट-असिस्टेड TMLE (SA-TMLE)

लेखक एक सरोगेट-असिस्टेड टार्गेटेड मिनिमम लॉस एस्टिमेटर (SA-TMLE) प्रस्तावित करते हैं जो स्वयं टार्गेट पैरामीटर में इनवर्स ऑब्जर्वेशन वेट्स के उपयोग से बचता है।

A. पहचान रणनीति: द सरोगेट ब्रिज (The Surrogate Bridge)

यह शोध पत्र औसत उपचार प्रभाव (ATE), $\Psi(P_0) = E[Y(1) - Y(0)]$ के लिए एक नेस्टेड ब्रिज रिप्रेजेंटेशन स्थापित करता है।

धारणा: सरोगेट-मीडिएटेड मिसिंग एट रैंडम (MAR)। सरोगेट $S$ के सापेक्ष, सेंसरिंग इंडिकेटर $\Delta$ , परिणाम $Y$ से स्वतंत्र है। (अर्थात, $Y \perp \Delta \mid S, A, W, t$ )।
सूत्र: $1/g_\Delta$ द्वारा भार देने के बजाय, ATE को देखे गए-परिणाम प्रतिगमन (observed-outcome regression) को सशर्त सरोगेट वितरण पर एकीकृत करके पहचाना जाता है:
$\Psi(P_0) = E_{W,t} \left[ E_{S|A=1,W,t}[E[Y|S, A=1, W, t, \Delta=1]] - E_{S|A=0,W,t}[E[Y|S, A=0, W, t, \Delta=1]] \right]$
यह सूत्र अस्थिर इनवर्स वेट के स्थान पर $Y$ का $S$ पर प्रतिगमन के लिए एक सपोर्ट पॉजिटिविटी (support positivity) स्थिति का उपयोग करता है, जिसे संतुष्ट करना बहुत आसान है।

B. अर्ध-पैरामीट्रिक सिद्धांत और संरचनात्मक विशेषताएं

शोध पत्र एफिशिएंट इन्फ्लुएंस कर्व (EIC) को व्युत्पन्न करता है और दो महत्वपूर्ण संरचनात्मक विशेषताओं की पहचान करता है:

लुप्त होता सेंसरिंग घटक (Vanishing Censoring Component): सरोगेट-मीडिएटेड MAR धारणा के तहत, सेंसरिंग तंत्र ( $g_\Delta$ ) एफिशिएंट इन्फ्लुएंस फंक्शन में कोई अलग टैंजेंट-स्पेस घटक योगदान नहीं देता है। $g_\Delta$ का अनुमान लगाना दक्षता सीमा में सुधार नहीं करता है, और यदि परिणाम मॉडल सही है, तो इसका मिसस्पेसिफिकेशन एस्टिमेटर को खराब नहीं करता है।
क्लस्टर-स्तरीय एकत्रीकरण (Cluster-Level Aggregation): क्योंकि डेटा क्लस्टर्ड है, इसलिए एक क्लस्टर के लिए EIC व्यक्तिगत EIC का योग (न कि औसत) है। वैध निष्कर्ष (inference) के लिए क्लस्टर-रोबस्ट वेरिएंस एस्टीमेशन की आवश्यकता होती है।

C. दो-चरणीय टार्गेटिंग निर्माण (The Two-Stage Targeting Construction)

एक मानक वन-स्टेप डिबायस्ड मशीन लर्निंग (DML) एस्टिमेटर यहाँ विफल हो जाता है क्योंकि नेस्टेड ब्रिज फंक्शनल एक सेकंड-ऑर्डर क्रॉस-प्रोडक्ट रिमाइंडर ( $R_{SY}$ ) उत्पन्न करता है, जिसमें आउटकम रिग्रेशन ( $\hat{Q}_Y$ ) और कंडिशनल सरोगेट डेंसिटी ( $\hat{f}_S$ ) के एरर का गुणनफल शामिल होता है।

बाधा: मानक क्रॉस-फिटिंग प्रथम-क्रम के पदों को समाप्त कर देती है लेकिन $R_{SY}$ को तब तक समाप्त नहीं कर सकती जब तक कि कठिन-से-अनुमानित घनत्व $f_S$ को तेज़ दर ( $o_P(J^{-1/4})$ ) पर अभिसरित (converge) न किया जाए।
समाधान: SA-TMLE एक दो-चरणीय टार्गेटिंग स्टेप का उपयोग करता है:
1. चरण 1: सुपर लर्नर का उपयोग करके प्रारंभिक न्युसेंस अनुमान (आउटकम रिग्रेशन, सरोगेट वितरण, प्रोपेंसिटीज) प्राप्त करें।
2. चरण 2 (नेस्टेड फ्लक्चुएशन): एक चतुर कोवेरिएट का उपयोग करके एकीकृत आउटकम मॉडल ( $\bar{Q}_{int}$ ) पर लक्षित अपडेट करें। यह चरण क्लस्टर-स्तरीय EIC के एम्पिरिकल मीन को शून्य करने को लागू करता है।
- परिणाम: यह चरण गणितीय रूप से $R_{SY}$ रिमाइंडर को एफिशिएंट स्कोर में अवशोषित कर लेता है, बिना सीधे सशर्त सरोगेट डेंसिटी $f_S$ के अनुमान की आवश्यकता के।

3. प्रमुख योगदान

पहचान (Identification): एक सरोगेट-ब्रिज G-कंप्यूटेशन फॉर्मूला पेश किया जो प्रशासनिक सेंसरिंग के तहत 'नियर-बाउंड्री' पॉजिटिविटी उल्लंघन के बावजूद स्थिर और दोहरी रोबस्ट (doubly robust) कॉज़ल अनुमान प्रदान करता है।
सैद्धांतिक लक्षण वर्णन: सिद्ध किया कि सरोगेट-मीडिएटेड MAR के तहत, सेंसरिंग तंत्र EIC में कोई टैंजेंट-स्पेस घटक योगदान नहीं देता है, और क्लस्टर-स्तरीय योग की आवश्यकता स्थापित की।
एस्टिमेटर निर्माण: एक दो-चरणीय SA-TMLE विकसित किया जो बिना $f_S$ के अनुमान के एसिम्प्टोटिक लीनियरिटी और डबल रोबस्टनेस प्राप्त करता है, जो मानक DML की एक सीमा को पार करता है।
परिमित-नमूना सिद्धांत (Finite-Sample Theory): बेरी-एसेर्ट (Berry-Esseen) बाउंड्स और वेरिएंस डिकंपोजिशन प्रदान किए, जो दिखाते हैं कि यद्यपि एस्टिमेटर रोबस्ट है, परिमित-नमूना कवरेज दूसरे-क्रम के रिमाइंडर के परिमाण पर निर्भर करता है।

4. सिमुलेशन परिणाम

लेखकों ने तीन परिदृश्यों के माध्यम से व्यापक मोंटे कार्लो सिमुलेशन (1,000 प्रतिकृति) आयोजित किए:

ब्लॉक I (क्लस्टर काउंट्स): विभिन्न क्लस्टर्स की संख्या ( $J=10$ $J = 10$ से $100$) केAcross प्रदर्शन का मूल्यांकन किया।
- परिणाम: SA-TMLE ने लगभग शून्य पूर्वाग्रह (<0.004) और स्थिर विचरण बनाए रखा। इसके विपरीत, GLMM ने मिसस्पेसिफाइड टाइम ट्रेंड्स के कारण निरंतर पूर्वाग्रह दिखाया, और IPCW ने $J$ बढ़ने के साथ भारी विचरण वृद्धि और पूर्वाग्रह दिखाया।
ब्लॉक II (डबल रोबस्टनेस): मिसस्पेसिफाइड न्युसेंस मॉडल्स के साथ परीक्षण किया।
- परिणाम: जब या तो आउटकम मॉडल या प्रोपेंसिटी मॉडल सही ढंग से निर्दिष्ट था, तो SA-TMLE निष्पक्ष रहा और नाममात्र कवरेज (0.92) प्राप्त किया। यह केवल तभी विफल हुआ जब दोनों मिसस्पेसिफाइड थे, जो इसकी डबल रोबस्टनेस की पुष्टि करता है।
ब्लॉक III (बढ़ती सेंसरिंग): प्रशासनिक सेंसरिंग की गंभीरता (8% से 43%) को बदला।
- परिणाम: जैसे-जैसे सेंसरिंग बढ़ी, IPCW का पूर्वाग्रह विस्फोट हुआ (up to +0.32) और कवरेज लगभग 0% तक गिर गया। SA-MLE ने लगभग शून्य पूर्वाग्रह बनाए रखा, हालांकि परिमित-नमूना रिमाइंडर वेरिएंस के कारण कवरेज थोड़ा गिरकर (~0.77) रह गया, लेकिन प्रतिस्पर्धियों की तुलना में बहुत बेहतर रहा।

5. वास्तविक अनुप्रयोग

इस पद्धति को वाशिंगटन स्टेट EPT ट्रायल (क्लैमिडिया के लिए पार्टनर थेरेपी) के डिजाइन-कैलिब्रेटेड विश्लेषण पर लागू किया गया।

संदर्भ: एक स्टेप्ड-वेज ट्रायल जिसमें 23 क्लस्टर थे, जहाँ 12-महीने के परिणाम के लिए 86% प्रशासनिक सेंसरिंग थी।
निष्कर्ष:
- SA-TMLE: ज्ञात ऑरेकल ट्रुथ (oracle truth) को कवर करने वाला एक संकीर्ण कॉन्फिडेंस इंटरवल (चौड़ाई 0.034) प्रदान किया।
- IPCW: अत्यधिक भार के कारण दोगुना चौड़ा अंतराल (0.068) प्रदान किया।
- GLMM: सबसे संकीर्ण अंतराल (0.026) प्रदान किया, लेकिन यह सख्त पैरामीट्रिक मान्यताओं पर निर्भर था।
- निष्कर्ष: SA-TMLE ने मॉडल मिसस्पेसिफिकेशन के प्रति मजबूती और भारी सेंसरिंग की उपस्थिति में सटीकता के बीच सबसे अच्छा संतुलन प्रदान किया।

6. महत्व

यह शोध पत्र सार्वजनिक स्वास्थ्य और नैदानिक परीक्षणों की एक व्यापक समस्या का एक कठोर समाधान प्रदान करता है: जब प्रशासनिक सेंसरिंग 'नियर-बाउंड्री' पॉजिटिविटी उल्लंघन पैदा करती है, तो विलंबित परिणामों का अनुमान लगाना।

व्यावहारिक प्रभाव: यह अस्थिर IPW और नाजुक पैरामीट्रिक मॉडलों के लिए एक व्यवहार्य विकल्प प्रदान करता है।
सैद्धांतिक प्रगति: यह प्रदर्शित करके कि एक टार्गेटेड लर्निंग दृष्टिकोण जटिल कंडीशनल डेंसिटी के अनुमान की आवश्यकता को दरकिनार कर सकता है, अर्ध-पैरामीट्रिक सिद्धांत में एक विशिष्ट तकनीकी बाधा को हल करता है।
सॉफ्टवेयर: लेखकों ने इस एस्टिमेटर को लागू करने के लिए एक ओपन-सोर्स R पैकेज (swcrtSurrTMLE) प्रदान किया है, जिससे यह तत्काल अनुप्रयोग के लिए सुलभ हो गया है।

संक्षेप में, यह शोध पत्र दर्शाता है कि नेस्टेड ब्रिज रिप्रेजेंटेशन और दो-चरणीय टार्गेटिंग प्रक्रिया के माध्यम से प्रारंभिक सरोगेट डेटा का लाभ उठाकर, शोधकर्ता भारी सेंसरिंग के बावजूद स्थिर, दोहरी रोबस्ट कॉज़ल अनुमान प्राप्त कर सकते हैं।