Sequential Transport for Causal Mediation Analysis

यहाँ "Sequential Transport for Causal Mediation Analysis" (Fernandes Machado et al. द्वारा लिखित) का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

कॉज़ल मीडिएशन एनालिसिस (Causal mediation analysis) का लक्ष्य उपचार ($A$) का परिणाम ($Y$) पर पड़ने वाले कुल प्रभाव को प्रत्यक्ष प्रभावों (direct effects) और मध्यस्थों ($X$) के माध्यम से प्रसारित होने वाले अप्रत्यक्ष प्रभावों (indirect effects) में विभाजित करना है।

• पारंपरिक दृष्टिकोणों की सीमाएँ: पारंपरिक विधियाँ स्ट्रक्चरल कॉज़ल मॉडल्स (SCMs) पर निर्भर करती हैं, जो अक्सर लीनियर स्ट्रक्चरल इक्वेशन मॉडल्स (SEMs) या विशिष्ट पैरामीट्रिक रूपों को मान लेती हैं। ये दृष्टिकोण निम्नलिखित स्थितियों में संघर्ष करते हैं:
  • उच्च-आयामी या मिश्रित-प्रकार के मध्यस्थ (High-dimensional or mixed-type mediators): निरंतर (continuous), श्रेणीबद्ध (categorical), और क्रमिक (ordinal) चरों को एक साथ संभालना।
  • इकाई-स्तर का अपघटन (Unit-level decomposition): अधिकांश विधियाँ जनसंख्या-स्तर के औसत प्रदान करती हैं, न कि व्यक्तिगत स्तर के काउंटरफैक्चुअल (counterfactuals)।
  • क्रॉस-वर्ल्ड काउंटरफैक्चुअल (Cross-world counterfactuals): व्यक्तिगत प्रभावों (जैसे, $Y(0, X(1))$) को परिभाषित करने के लिए अनअवलोकित संरचनात्मक शोर (unobserved structural noise) और कार्यात्मक रूपों के बारे में परीक्षण योग्य धारणाओं की आवश्यकता होती है, जो अक्सर अवलोकनात्मक डेटा (observational data) से पहचानने योग्य नहीं होते हैं।
• अंतराल (The Gap): एक गैर-पैरामीट्रिक, वितरण संबंधी ढांचे की आवश्यकता है जो एक पूर्ण SCM को निर्दिष्ट किए बिना, एक निर्देशित अचक्रीय ग्राफ (DAG) में एनकोडेड कॉज़ल डिपेंडेंसी का सम्मान करते हुए इकाई-स्तर के मध्यस्थ काउंटरफैक्चुअल का निर्माण कर सके।

2. कार्यप्रणाली: सीक्वेंशियल ट्रांसपोर्ट (Methodology: Sequential Transport - ST)

लेखक सीक्वेंशियल ट्रांसपोर्ट (ST) का प्रस्ताव करते हैं, जो "mutatis mutandis" काउंटरफैक्चुअल बनाने के लिए ऑप्टिमल ट्रांसपोर्ट (OT) को एक मध्यस्थ DAG की संरचना के साथ जोड़ता है।

मुख्य अवधारणा: Mutatis Mutandis

यह मानने के बजाय कि एक स्ट्रक्चरल इक्वेशन $X(1) = f(1, U)$ है, ST पूछता है: एक व्यक्ति का मध्यस्थ वेक्टर न्यूनतम रूप से कैसे बदलना चाहिए ताकि वह एक अलग उपचार के तहत मध्यस्थों के वितरण के साथ संरेखित हो सके, जबकि मध्यस्थों के बीच कॉज़ल डिपेंडेंसी का सम्मान भी बना रहे?

एल्गोरिदम (The Algorithm)

ST मध्यस्थ DAG ($G$) के टोपोलॉजिकल ऑर्डरिंग (topological ordering) के अनुक्रम में काउंटरफैक्चुअल मध्यस्थों का निर्माण करता है।

1. टोपोलॉजिकल ऑर्डरिंग: मध्यस्थों $X_1, \dots, X_d$ को इस तरह क्रमबद्ध किया जाता है कि किसी भी नोड के माता-पिता (parents) उस नोड से पहले दिखाई दें।
2. अनुक्रमिक मैपिंग (Sequential Mapping): एक अनुपचारित इकाई ($A=0$) के लिए वास्तविक मध्यस्थ $x_0$ के साथ, काउंटरफैक्चुअल $x^\star_1$ को पुनरावर्ती रूप से (recursively) निर्मित किया जाता है:
   • रूट नोड्स (Root Nodes - जिनका कोई माता-पिता नहीं है): $X_j|A=0$ के मार्जिनल वितरण को $X_j|A=1$ में बदलने के लिए एक यूनिवैरिएट OT मैप लागू करें।
   • चाइल्ड नोड्स (Child Nodes): एक कंडीशनल OT मैप लागू करें। $X_j$ का ट्रांसपोर्ट उसके माता-पिता पर निर्भर करता है। महत्वपूर्ण बात यह है कि माता-पिता को पहले उनके काउंटरफैक्चुअल मानों ($x^\star_{1, \text{parents}}$) पर ट्रांसपोर्ट किया जाता है। यह मैप लक्षित कंडीशनल वितरण से मेल खाने के लिए ट्रांसपोर्ट किए गए माता-पिता के मानों के आधार पर $X_j$ को रूपांतरित करता है।
   • सूत्र (Formula): $x^\star_{1, \pi(j)} = T_{\pi(j)}(x_{0, \pi(j)} \mid x_{0, \text{parents}}, x^\star_{1, \text{parents}})$।

डेटा प्रकारों को संभालना (Handling Data Types)

• संख्यात्मक मध्यस्थ (Numerical Mediators): कंडीशनल संचयी वितरण फलनों (CDFs) और क्वांटाइल फलनों पर आधारित मोनोटोन ट्रांसपोर्ट मैप्स का उपयोग करता है।
  • $T(x) = Q_1(F_0(x))$, जहाँ $F_0$ स्रोत CDF है और $Q_1$ लक्षित क्वांटाइल फंक्शन है।
  • कंडीशनल मामलों के लिए, कर्नल-आधारित अनुमानकर्ता कंडीशनल CDF और क्वांटाइल फलनों का सन्निकटन (approximate) करते हैं।
• श्रेणीबद्ध मध्यस्थ (Categorical Mediators): श्रेणीबद्ध चरों को एक सिम्प्लेक्स (simplex) पर प्रायिकता वेक्टर के रूप में मानता है।
  • कंडीशनल प्रायिकता वेक्टर का अनुमान लगाता है (जैसे, मल्टीनोमियल रिग्रेशन के माध्यम से)।
  • स्रोत प्रायोगात्मकताओं को लक्षित प्रायोगात्मकताओं में मैप करने के लिए सिम्प्लेक्स पर ऑप्टिमल ट्रांसपोर्ट लागू करता है।
  • मार्जिनल वितरणों को संरक्षित करने के लिए ट्रांसपोर्ट किए गए प्रायिकता वेक्टर को वापस एक डिस्क्रीट लेबल (जैसे, argmax या सेमी-डिस्क्रीट OT आवंटन के माध्यम से) में परिवर्तित करता है।

प्रभाव अपघटन (Effect Decomposition)

एक बार जब एक अनुपचारित इकाई के लिए काउंटरफैक्चुअल मध्यस्थ वेक्टर $x^\star_1$ निर्मित हो जाता है, तो प्रभावों को आउटकम रिग्रेशन मॉडल $\hat{\mu}_a(x) = E[Y|A=a, X=x]$ का उपयोग करके परिभाषित किया जाता है:

• अप्रत्यक्ष प्रभाव ($\delta_i$): $\hat{\mu}_0(x^\star_1) - \hat{\mu}_0(x_0)$ (मध्यस्थ शिफ्ट के कारण परिवर्तन)।
• प्रत्यक्ष प्रभाव ($\zeta_i$): $\hat{\mu}_1(x^\star_1) - \hat{\mu}_0(x^\star_1)$ (मध्यस्थ को काउंटरफैक्चुअल पर स्थिर रखते हुए उपचार के कारण परिवर्तन)।
• कुल प्रभाव ($\tau_i$): दोनों का योग।

3. मुख्य योगदान (Key Contributions)

1. इकाई-स्तर के DAG-संरेखित काउंटरफैक्चुअल: ST एक नियत (deterministic), व्याख्या योग्य विधि प्रदान करता है जो काउंटरफैक्चुअल मध्यस्थों का निर्माण करती है जो कॉज़ल DAG संरचना के अनुरूप होते हैं, जिससे पारंपरिक SEMs की "क्रॉस-वर्ल्ड" पहचान संबंधी समस्याओं से बचा जा सकता है।
2. सैद्धांतिक गारंटी: लेखक अनुमानित ट्रांसपोर्ट मैप्स और प्रेरित प्रभाव अपघटन के लिए कंसिस्टेंसी परिणाम (consistency results) स्थापित करते हैं। वे सिद्ध करते हैं कि जैसे-जैसे नमूना आकार बढ़ता है, अनुमानित सीक्वेंशियल ट्रांसपोर्ट मानक रेगुलेरिटी कंडीशंस (कर्नल कन्वर्जेंस, कंडीशनल डिस्ट्रीब्यूशन की स्मूथनेस) के तहत जनसंख्या-स्तर के mutatis mundis रूपांतरण की ओर अभिसरित (converge) होता है।
3. मिश्रित-प्रकार लचीलापन (Mixed-Type Flexibility): यह ढांचा एक ही DAG संरचना के भीतर मिश्रित डेटा प्रकारों (निरंतर, श्रेणीबद्ध, क्रमिक) को स्वाभाविक रूप से संभालता है, जो लीनियर SEMs की तुलना में एक महत्वपूर्ण सुधार है।
4. वितरण बनाम कॉज़ल व्याख्या: पेपर ST की वितरण संबंधी परिभाषा (जो हमेशा वैध है यदि वितरण अनुमान योग्य है) और इसकी कॉज़ल व्याख्या (जो केवल सीक्वेंशियल इग्नोरैबिलिटी/रैंडमाइजेशन के तहत वैध है) के बीच स्पष्ट अंतर करता है।

4. परिणाम (Results)

• गौसियन सिमुलेशन (Gaussian Simulations): लीनियर गौसियन सेटिंग्स में, ST शास्त्रीय मीडिएशन फॉर्मूला (जैसे, अप्रत्यक्ष प्रभावों के लिए $\alpha\beta$) को पूरी तरह से रिकवर करता है, जो इसके मानक सिद्धांत के साथ कंसिस्टेंसी को प्रमाणित करता है।
• मोंटे कार्लो सिमुलेशन (Monte Carlo Simulations): नॉन-लीनियर, मिश्रित-प्रकार सेटिंग्स (निरंतर और श्रेणीबद्ध मध्यस्थ, बाइनरी आउटकम) में, ST प्रदर्शित करता है:
  • स्थिरता (Stability): प्रभाव अनुमानों में ग्लोबल मल्टीवेरिएट OT की तुलना में कम विचलन (dispersion)।
  • मजबूती (Robustness): यह नॉन-लीनियर डेटा जनरेटिंग प्रोसेस में भी अच्छा प्रदर्शन करता है, और इन रेगिम्स में लीनियर SEMs से बेहतर प्रदर्शन करता है।
  • सटीकता (Accuracy): औसत प्रभाव बेंचमार्क के करीब संरेखित होते हैं, जबकि अद्वितीय इकाई-स्तर के अपघटन प्रदान करते हैं।
• वास्तविक दुनिया का अनुप्रयोग (COMPAS Dataset):
  • संदर्भ: पुनरावृत्ति (recidivism) भविष्यवाणियों में नस्लीय असमानताओं का विश्लेषण।
  • निष्कर्ष: ST असमानता के लगभग दो-तिहाई हिस्से को मध्यस्थ वितरणों के अंतर (अप्रत्यक्ष प्रभाव) के रूप में और एक-तिहाई को प्रत्यक्ष प्रभावों के रूप में बताता है।
  • सूक्ष्मता (Granularity): यह उन विशिष्ट मध्यस्थों (जैसे, पूर्व दोषसिद्धि, चार्ज डिग्री) की पहचान करता है जो अप्रत्यक्ष प्रभाव को संचालित करते हैं, जिससे असमानताओं का एक सूक्ष्म विवरण मिलता है जिसे ग्लोबल विधियाँ मिस कर देती हैं।

5. महत्व और निहितार्थ (Significance and Implications)

• कॉज़ल इन्फरेंस और ऑप्टिमल ट्रांसपोर्ट को जोड़ना: यह पेपर सफलतापूर्वक ऑप्टिमल ट्रांसपोर्ट (OT) को, जो पारंपरिक रूप से वितरण संरेखण के लिए उपयोग किया जाता है, कॉज़ल मीडिएशन एनालिसिस के कठोर ढांचे में एकीकृत करता है।
• एल्गोरिद्मिक फेयरनेस (Algorithmic Fairness): ST निष्पक्षता ऑडिटिंग (fairness auditing) के लिए एक शक्तिशाली उपकरण प्रदान करता है। यह चिकित्सकों को विशिष्ट कॉज़ल पाथवे (मध्यस्थों) में असमानताओं को विघटित करने की अनुमति देता है, जिससे यह डेटा के विशिष्ट कार्यात्मक रूप की धारणा के बिना मजबूत बनता है।
• व्याख्यात्मकता (Interpretability): प्रत्येक व्यक्ति के लिए नियतात्मक (deterministic) काउंटरफैक्चुअल प्रदान करके, ST व्यक्तिगत स्तर पर "क्या-अगर" (what-if) विश्लेषण को सक्षम बनाता है (जैसे, "यदि इस विशिष्ट प्रतिवादी का पूर्व रिकॉर्ड का वितरण श्वेत समूह जैसा होता, तो उनके जोखिम स्कोर में क्या बदलाव आता?")।
• व्यावहारिक उपयोगिता: यह विधि जटिल, वास्तविक दुनिया के डेटासेट्स के लिए लागू है जिनमें विषम चर प्रकार (heterogeneous variable types) होते हैं, जो प्रतिबंधात्मक लीनियर स्ट्रक्चरल मॉडल्स से आगे बढ़ती है।

संक्षेप में, सीक्वेंशियल ट्रांसपोर्ट एक सिद्धांत-आधारित, गैर-पैरामीट्रिक और ग्राफ-संगत विकल्प प्रदान करता है, जो इकाई-स्तर की अंतर्दृष्टि देता है कि उपचार प्रभाव मध्यवर्ती चरों के माध्यम से कैसे प्रसारित होते हैं।