📊 statistics

Semiparametric Inference under Dual Positivity Boundaries:Nested Identification with Administrative Censoring and Confounded Treatment

यह शोध पत्र उन अवलोकनात्मक अध्ययनों के लिए अर्ध-प्राचलीकृत (semiparametric) अनुमान सिद्धांत विकसित करता है जहाँ दीर्घकालिक परिणाम प्रशासनिक रूप से सेंसर (censored) होते हैं और उपचार भ्रमित (confounded) होता है, जो एक नेस्टेड पहचान रणनीति स्थापित करता है जो पहचान फलन (identification functional) से सेंसरिंग सीमा को समाप्त करती है जबकि कुशल प्रभाव फलन (efficient influence function) में सेंसरिंग और उपचार सकारात्मकता सीमाओं की विशिष्ट भूमिकाओं को स्पष्ट करती है।

मूल लेखक: Lin Li

प्रकाशित 2026-03-18

📖 8 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

कल्पना कीजिए कि आप यह पता लगाने की कोशिश कर रहे हैं कि क्या एक नई डाइट पिल वास्तव में एक साल में लोगों का वजन कम करने में मदद करती है। आपके पास लोगों का एक समूह है, कुछ लोग पिल लेते हैं, कुछ नहीं लेते, और आप उनके वजन घटने के अंतर को जानना चाहते हैं।

लेकिन दो बड़ी समस्याएं आपके डेटा को खराब कर रही हैं:

"ड्रॉपआउट" की समस्या (Censoring): कई लोग अध्ययन पूरा होने से पहले ही छोड़ देते हैं। शायद वे कहीं और चले गए, बीमार हो गए, या बस चेक-इन करना बंद कर दिया। आपके पास केवल उनके शुरुआती कुछ महीनों का वजन डेटा है।
"सिलेक्शन" की समस्या (Confounding): जिन लोगों ने पिल लेने का फैसला किया, वे रैंडम नहीं थे। शायद वे पहले से ही अधिक स्वास्थ्य के प्रति जागरूक थे या उनके पास अधिक पैसे थे। इससे यह बताना मुश्किल हो जाता है कि पिल ने काम किया या वे वैसे भी वजन कम करने वाले थे।

पुराना तरीका: "दोधारी तलवार"

आमतौर पर, सांख्यिकीविद (statisticians) इन समस्याओं को ठीक करने के लिए "इन्वर्स प्रोबेबिलिटी वेटिंग" (Inverse Probability Weighting) नामक विधि का उपयोग करते हैं। इसे एक तराजू को संतुलित करने की कोशिश करने जैसा समझें।

ड्रॉपआउट समस्या को ठीक करने के लिए, आप उन लोगों को अतिरिक्त भार (weight) देते हैं जो रुके रहे, यह मानते हुए कि वे उन लोगों का प्रतिनिधित्व करते हैं जो चले गए।
सिलेक्शन समस्या को ठीक करने के लिए, आप उन लोगों को अतिरिक्त भार देते हैं जिन्होंने पिल ली लेकिन वे उन लोगों जैसे दिखते हैं जिन्होंने पिल नहीं ली।

कैच (Catch): यदि आपके पास दोनों समस्याएं हैं, तो आपको इन भारों (weights) को आपस में गुणा करना होगा। यदि भार बहुत अधिक हो जाते हैं (क्योंकि बहुत से लोग ड्रॉपआउट हो गए या समूह बहुत अलग थे), तो आपकी गणितीय गणना फट जाती है। यह एक ऐसे तराजू को संतुलित करने की तरह है जहाँ एक तरफ एक पंख है और दूसरी तरफ एक बड़ा पत्थर; तराजू बुरी तरह से झुक जाता है, और आपके परिणाम अविश्वसनीय हो जाते हैं।

नया तरीका: "नेस्टेड शॉर्टकट" (Nested Shortcut)

यह पेपर एक चतुर नई रणनीति पेश करता है जिसे नेस्टेड आइडेंटिफिकेशन (Nested Identification) कहा जाता है।

कल्पना कीजिए कि आप उन छात्रों के फाइनल एग्जाम स्कोर (दीर्घकालिक परिणाम) का अनुमान लगाने की कोशिश कर रहे हैं जो स्कूल जल्दी छोड़ देते हैं।

पुराना तरीका: आप उन लोगों के आधार पर उनका अंतिम स्कोर अनुमान लगाने की कोशिश करते हैं जो स्कूल में रहे, उन गायब छात्रों को "पुनर्निर्मित" करने के लिए जटिल भारों का उपयोग करते हैं।
नया तरीका (नेस्टेड): आप महसूस करते हैं कि आपके पास एक मिड-टर्म टेस्ट स्कोर (अल्पकालिक मध्यवर्ती चर) है जो सभी के लिए उपलब्ध है, यहाँ तक कि उनके लिए भी जो स्कूल छोड़ चुके हैं।
- आप एक मॉडल बनाते हैं: "मिड-टर्म स्कोर अंतिम स्कोर की भविष्यवाणी कैसे करता है?"
- फिर, आप बस सभी के लिए अनुमानित अंतिम स्कोर का औसत निकालते हैं, उनके मिड-टर्म स्कोर का उपयोग करके।

जादू: यह विधि "ड्रॉपआउट" की समस्या को पूरी तरह से नजरअंदाज कर देती है। आपको यह अनुमान लगाने की आवश्यकता नहीं है कि कौन ड्रॉपआउट हुआ या उन्हें भारी भार देने की आवश्यकता नहीं है। आप बस अपने पास मौजूद मिड-टर्म स्कोर का उपयोग करते हैं। यह ट्रैफिक जाम से बचने के लिए एक गुप्त बैकरोड लेने जैसा है।

ट्विस्ट: "डुअल बाउंड्री" ट्रैप (Dual Boundary Trap)

यहीं पर यह पेपर दिलचस्प हो जाता है। भले ही यह नया तरीका "ड्रॉपआउट" की समस्या को ठीक कर देता है, लेकिन यह "सिलेक्शन" की समस्या को ठीक नहीं करता है। आपको अभी भी इस बात का हिसाब रखना होगा कि लोगों ने पिल क्यों ली।

लेखकों ने पाया कि यह एक डुअल बाउंड्री (दोहरी सीमा) स्थिति पैदा करता है:

बाउंडरी A (ड्रॉपआउट): नया तरीका सफलतापूर्वक इसे अंतिम गणित से हटा देता है। यह जा चुका है!
बाउंडरी B (सिलेक्शन): यह अभी भी वहीं है, पृष्ठभूमि में छिपा हुआ।

उपमा (Analogy): कल्पना कीजिए कि आप कार चला रहे हैं।

बाउंडरी A सड़क में एक बड़ा गड्ढा था। नए तरीके ने उस पर एक पुल बना दिया। अब आप वह झटका महसूस नहीं करते।
बाउंडरी B उस पुल पर बर्फ की एक फिसलन भरी परत है। आप इसे देख नहीं सकते, लेकिन यदि आप बहुत तेज़ चलते हैं या बहुत तेज़ी से मुड़ते हैं, तो आप अभी भी फिसल सकते हैं।

तीन बड़ी खोजें

1. "शील्ड" प्रभाव (फ्लक्चुएशन कपलिंग - Fluctuation Coupling)
लेखकों ने पाया कि यदि आप एक विशिष्ट प्रकार की स्मार्ट गणित (Targeted Learning) का उपयोग करते हैं, तो "सिलेक्शन" की समस्या (बाउंड्री B) एक ढाल (shield) की तरह काम करती है। भले ही आपका यह अनुमान कि लोगों ने पिल क्यों चुनी, थोड़ा गलत हो, तो भी यह आपके मुख्य परिणाम को बर्बाद नहीं करता है। गणित इतना मजबूत है कि "सिलेक्शन" के नियमों का अनुमान लगाने में छोटी गलतियाँ भी आपके अंतिम उत्तर को नीचे नहीं खींचती हैं।

2. "तीन पैरों वाला स्टूल" (Robustness Geometry)
पुरानी दुनिया में, आपको केवल दो पैरों की आवश्यकता थी: या तो आपका आउटकम मॉडल सही होना चाहिए, या आपका सिलेक्शन मॉडल सही होना चाहिए।
इस नई "डुअल बाउंड्री" दुनिया में, स्टूल के तीन पैर हैं, और वे अजीब तरह से व्यवस्थित हैं:

पैर 1: आउटकम मॉडल (पिल वजन को कैसे प्रभावित करती है)।
पैर 2: सिलेक्शन मॉडल (लोगों ने पिल क्यों ली)।
पैर 3: ड्रॉपआउट मॉडल (लोग क्यों चले गए)।

कैच: आप केवल एक पैर को परफेक्ट नहीं रख सकते। आपको सेलेक्शन मॉडल (पैर 2) का कम से कम ठीक-ठाक (consistent) होना अनिवार्य है। यदि वह पैर टूटा हुआ है, तो पूरा स्टूल गिर जाएगा, भले ही अन्य दो पैर एकदम सही हों। यह एक नया नियम है जिसे सांख्यिकीविदों ने पहले नहीं जाना था।

3. "डबल ट्रबल" वेरिएंस (Double Trouble Variance)
जब "ड्रॉपआउट" और "सिलेक्शन" दोनों समस्याएं एक ही समूह के लोगों में बुरी होती हैं (उदाहरण के लिए, जो लोग ड्रॉपआउट होने की सबसे अधिक संभावना रखते हैं, वे ही दूसरों से सबसे अलग भी हैं), तो त्रुटि केवल जुड़ती नहीं है; यह गुणा हो जाती है।

उपमा: यदि आप एक शोर भरे कमरे में फुसफुसाहट सुनने की कोशिश कर रहे हैं, और कमरा एक साथ और भी शोर भरा हो जाता है और फुसफुसाहट और भी धीमी हो जाती है, तो यह केवल दोनों समस्याओं के योग से कहीं अधिक कठिन होता है। पेपर दिखाता है कि इस "अतिरिक्त" कठिनाई को कैसे मापा जाए।

समाधान: "जैकनीफ" (The Jackknife)

इन पेचीदा "डुअल बाउंड्रीज़" के कारण, सांख्यिकीविदों द्वारा अपने आत्मविश्वास (confidence) की गणना करने का मानक तरीका (Sandwich method) अक्सर विफल हो जाता है। यह आपको बता सकता है कि, "मैं 99% निश्चित हूँ," जबकि वास्तव में आप केवल 90% निश्चित होते हैं।

लेखक "जैकनीफ" नामक तकनीक का उपयोग करने की सलाह देते हैं।

उपमा: कल्पना कीजिए कि आप एक केक बना रहे हैं और जानना चाहते हैं कि वह कैसा है।
- "सैंडविच" विधि ऊपर से एक छोटा सा टुकड़ा चखने जैसी है। यह तेज़ है, लेकिन यह बीच में जले हुए हिस्से को मिस कर सकती है।
- "जैकनीफ" विधि ऐसी है जैसे कि आप केक को ओवन से बाहर निकालें, एक स्लाइस काट लें, उस स्लाइस के बिना पूरे केक को चखें, फिर उसे वापस रखें और एक अलग स्लाइस काटें। आप यह हर स्लाइस के लिए करते हैं।
- इसमें अधिक मेहनत लगती है (आपको अपने दिमाग में 20 बार केक बनाना पड़ता है), लेकिन यह आपको पूरे केक की वास्तविक बनावट बताता है, चाहे समस्या कहीं भी हो।

निचोड़ (The Bottom Line)

यह पेपर उन वैज्ञानिकों के लिए एक मार्गदर्शिका है जो वास्तविक दुनिया के अव्यवस्थित डेटा (जैसे मेडिकल रिकॉर्ड) के साथ काम कर रहे हैं।

अच्छी खबर: लापता डेटा (missing data) को संभालने का एक स्मार्ट तरीका है जो सबसे खराब गणितीय विस्फोटों से बचाता है।
चेतावनी: आपको अभी भी इस बात के बारे में सावधान रहना होगा कि लोगों ने उपचार (treatment) क्यों चुना, और आप केवल पुराने गणितीय ट्रिक्स पर भरोसा नहीं कर सकते कि वे आपको बताते हैं कि आप कितने आश्वस्त हैं।
सलाह: अपने काम की जांच करने के लिए "जैकनीफ" विधि का उपयोग करें। यह धीमी है, लेकिन यह आपसे झूठ नहीं बोलेगी कि आप कितने आश्वस्त होने चाहिए।

संक्षेप में: केवल लापता डेटा को ठीक न करें; सिलेक्शन बायस (selection bias) को भी ठीक करें, और अपने आत्मविश्वास को मापने के लिए एक अधिक मजबूत उपकरण का उपयोग करें।

यहाँ लिन ली (Lin Li) के शोध पत्र "Semiparametric Inference under Dual Positivity Boundaries: Nested Identification with Administrative Censoring and Confounded Treatment" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र एक जटिल 'मिसिंग-डेटा' संरचना को संबोधित करता है जो अनुदैर्ध्य अवलोकन संबंधी अध्ययनों (longitudinal observational studies) और तुलनात्मक प्रभावकारिता अनुसंधान (comparative effectiveness research - CER) में आम है। यह समस्या तब उत्पन्न होती है जब दो अलग-अलग स्रोतों से अपूर्ण अवलोकन एक साथ होते हैं:

प्रशासनिक सेंसरिंग (Administrative Censoring): एक दीर्घकालिक परिणाम ( $Y$ ) को समूह के एक बड़े हिस्से के लिए सेंसर किया जाता है (जैसे, अध्ययन समाप्त होने से पहले रोगियों का बाहर निकल जाना)। सेंसरिंग की संभावना ( $g_\Delta$ ) कुछ उपसमूहों के लिए शून्य के करीब पहुँच सकती है।
उपचार संबंधी भ्रम (Treatment Confounding): अवलोकन संबंधी सेटिंग्स में, उपचार का आवंटन ( $A$ ) सहचरों (covariates, $W$ ) पर निर्भर करता है, जिससे एक प्रोपेंसिटी स्कोर ( $g_A$ ) उत्पन्न होता है जो 0 या 1 के करीब पहुँच सकता है (positivity violations)।

चुनौती:
मानक डबली रोबस्ट (doubly robust - DR) अनुमानक आमतौर पर दोनों तंत्रों के लिए इन्वर्स प्रोबेबिलिटी वेटिंग ( $g_\Delta^{-1} g_A^{-1}$ ) को संयोजित करते हैं। जब दोनों सीमाएँ सक्रिय होती हैं, तो यह अस्थिरता को बढ़ा देता है। इसके अलावा, यदि अधिकांश विषयों के लिए एक अल्पकालिक मध्यवर्ती चर ( $S$ ) उपलब्ध है (सेंसिंग से पहले), तो मानक DR विधियाँ उस "नेस्टेड" (nested) संरचना का लाभ उठाने में विफल रहती हैं जहाँ $S$ एक सरोगेट के रूप में कार्य करता है, जिससे अस्थिर इन्वर्स सेंसरिंग वेट्स से बचने का अवसर हाथ से निकल जाता है।

2. कार्यप्रणाली: नेस्टेड आइडेंटिफिकेशन (Methodology: Nested Identification)

यह शोध पत्र एक नेस्टेड आइडेंटिफिकेशन रणनीति प्रस्तावित करता है जो दो अलग-अलग सीमाओं को विशिष्ट संरचनात्मक भूमिकाओं में विभाजित करती है।

आइडेंटिफिकेशन फंक्शनल (Identification Functional):
लक्ष्य पैरामीटर (औसत उपचार प्रभाव, $\Psi$ ) को एक नेस्टेड फंक्शनल के माध्यम से पहचाना जाता है जो मध्यवर्ती चर $S$ के सशर्त वितरण पर आउटकम रिग्रेशन को एकीकृत करता है:
$\Psi(P_0) = E_W \left[ E_{S|A=1,W}[\bar{Q}_Y(S, 1, W)] - E_{S|A=0,W}[\bar{Q}_Y(S, 0, W)] \right]$
जहाँ $\bar{Q}_Y(S, a, W) = E[Y | S, A=a, W, \Delta=1]$ ।
संरचनात्मक विषमता (Structural Asymmetry):
- सेंसिंग सीमा ( $g_\Delta$ ): इसे पूरी तरह से आइडेंटिफिकेशन फॉर्मूला से हटा दिया गया है। यह लक्ष्य पैरामीटर में दिखाई नहीं देती है लेकिन अनुमान के लिए एक 'नजस' (nuisance) के रूपв में EIF में बनी रहती है।
- उपचार सीमा ( $g_A$ ): यह आइडेंटिफिकेशन (टारगेटिंग स्टेप के माध्यम से) में बनी रहती है और EIF तथा आइडेंटिफिकेशन दोनों में दिखाई देती है।
- परिणाम: यह एक द्वैत-सीमा संरचना (dual-boundary structure) बनाता है जहाँ दोनों सीमाएँ मौलिक रूप से भिन्न भूमिकाएँ निभाती हैं, जो मानक सममित (symmetric) DR समस्याओं से भिन्न है।
अनुमानक निर्माण (Estimator Construction - SA-TMLE):
लेखक एक दो-चरणीय टारगेटिंग (two-stage targeting) निर्माण के साथ एक टार्गेटेड मिनिमम लॉस एस्टीमेटर (TMLE) विकसित करते हैं:
1. प्रारंभिक अनुमान (Initial Estimation): सुपर लर्नर का उपयोग करके नजस पैरामीटर्स ( $\bar{Q}_Y, \bar{Q}_{int}, g_A, g_\Delta$ ) का अनुमान लगाना।
2. चरण 1 टारगेटिंग: $g_A$ और $g_\Delta$ दोनों वाले एक चतुर सहचर (clever covariate) का उपयोग करके $\bar{Q}_Y$ को फ्लक्चुएट करना।
3. चरण 2 टारगेटिंग: केवल $g_A$ वाले एक चतुर सहचर का उपयोग करके मध्यवर्ती रिग्रेशन $\bar{Q}_{int}$ को फ्लक्चुएट करना। यह सीधे $f_S$ का अनुमान लगाए बिना, $S$ के घनत्व (density) के साथ जुड़े शेष पद ( $R_{SY}$ ) को बीजगणितीय रूप से समाप्त कर देता है।

3. मुख्य योगदान और सैद्धांतिक परिणाम (Key Contributions & Theoretical Results)

यह शोध पत्र इस द्वैत-सीमा संरचना के संबंध में चार प्रमुख सैद्धांतिक परिणाम स्थापित करता है:

A. फ्लक्चुएशन कपलिंग (Fluctuation Coupling - Proposition 3)

निष्कर्ष: जब एक टार्गेटेड एस्टीमेटर नेस्टेड स्कोर समीकरण को हल करता है, तो मध्यवर्ती रिग्रेशन ( $\bar{Q}_{int}$ ) का अभिसरण दर (convergence rate) आउटकम मॉडल ( $\bar{Q}_Y$ ) की गुणवत्ता पर निर्भर करता है, लेकिन अग्रणी क्रम (leading order) पर उपचार प्रोपेंसिटी मॉडल ( $g_A$ ) की गुणवत्ता पर नहीं।
तंत्र: स्कोर रेसिडुअल्स (residuals) का सहचरों के दिए पर सशर्त माध्य शून्य होता है। इसलिए, कोई भी प्रोपेंसिटी रीवेटिंग (भले ही वह गलत तरीके से निर्दिष्ट हो) CLT दर को सुरक्षित रखती है।
निहितार्थ: प्रोपेंसिटी मिसस्पेसिफिकेशन बिंदु अनुमान (point estimate) में पक्षपात (bias) नहीं लाता है, बल्कि अभिसरण दर को प्रोडक्ट-रेट बाउंड्री तक सीमित कर देता है।

B. तीन-घटक मजबूती ज्यामिति (Three-Component Robustness Geometry - Theorem 4, Corollary 5)

निष्कर्ष: शेष पद (remainder term) दो द्विरेखीय उत्पादों (bilinear products) में विभाजित होता है:
1. $R^{(1)}_2$ : आउटकम $\times$ सेंसरिंग ( $\bar{Q}_Y \times g_\Delta$ )।
2. $R^{(2)}_2$ : मध्यवर्ती $\times$ उपचार ( $\bar{Q}_{int} \times g_A$ )।
विषमता: क्लासिकल DR (जहाँ आउटकम या प्रोपेंसिटी में से कोई भी एक सुधार पर्याप्त है) या मल्टीपलली रोबस्ट एस्टीमेशन (जहाँ $K$ $K$ में से कोई भी एक मॉडल पर्याप्त है) के विपरीत, यह संरचना विषम (asymmetric) है:
- उपचार प्रोपेंसिटी ( $g_A$ ) को $\sqrt{n}$ -निरंतरता (consistency) के लिए सुसंगत (consistent) होना चाहिए।
- केवल सही आउटकम मॉडलिंग, यदि $g_A$ गलत तरीके से निर्दिष्ट है, तो अपर्याप्त है; यह एस्टीमेटर को निरंतर विचरण मुद्रास्फीति (variance inflation) वाले "नियर-बाउंड्री" शासन में रखता है।
- सेंसरिंग प्रोपेंसिटी ( $g_\Delta$ ), डबल रोबस्टनेस के माध्यम से आउटकम मॉडल के साथ विनिमेय (interchangeable) है।

C. द्वैत नियर-बाउंड्री विचरण अपघटन (Dual Near-Boundary Variance Decomposition - Proposition 6)

निष्कर्ष: सैंपलिंग वेरिएंस में दो शेष-विचरण पद और एक सह-विचरण पद ( $c_{12}$ ) शामिल है।
परस्पर क्रिया (Interaction): जब दोनों सीमाएँ एक ही सहचर क्षेत्र में केंद्रित होती हैं (उदाहरण के लिए, सबसे अधिक भ्रमित रोगी ही सबसे अधिक सेंसर किए गए रोगी भी हैं), तो $c_{12} > 0$ होता है। यह व्यक्तिगत योगदानों के योग से कहीं अधिक कुल विचरण अंतराल (variance gap) को बढ़ा देता है।
ओरेकल अपघटन (Oracle Decomposition): शोध पत्र एक विधि प्रस्तावित करता है जिससे वास्तविक प्रोपेंसिटी स्कोर को प्रतिस्थापित करके यह पता लगाया जा सके कि कौन सी सीमा विचरण पर हावी है।

D. यूनिफॉर्म जैकनाइफ वैधता (Uniform Jackknife Validity - Theorem 10)

निष्कर्ष: मानक सैंडविच वेरिएंस एस्टीमेटर "नियर-बाउंड्री" शासन (जहाँ शेष पद महत्वपूर्ण होते हैं) में सुसंगत होने में विफल रहता है।
समाधान: एक लीव-वन-क्लस्टर-आउट जैकनाइफ (leave-one-cluster-out jackknife) को सभी शासनों (स्ट्रॉन्ग डिके, सिंगल-बाउंड्री, और डुअल-बाउंड्री) में कुल विचरण के लिए सुसंगत सिद्ध किया गया है। यह समान रूप से नाममात्र कवरेज (nominal coverage) को बहाल करता है।

4. सिमुलेशन परिणाम (Simulation Results)

लेखकों ने सिद्धांत को मान्य करने के लिए क्लस्टर संरचना वाले अवलोकन संबंधी कोहॉर्ट के साथ व्यापक सिमुलेशन किए:

कवरेज (Coverage): जैकनाइफ ने सभी 21 सिमुलेशन सेल में समान कवरेज (0.94–0.97) प्राप्त किया, जबकि सैंडविच एस्टीमेटर नियर-बाउंड्री शासन में विफल रहा (वेट मुद्रास्फीति के आधार पर अंडरकवरेज या ओवरकवरेज)।
फ्लक्चुएशन कपलिंग: उपचार प्रोपेंसिटी ( $g_A$ ) को गलत तरीके से निर्दिष्ट करने का बिंदु अनुमान पक्षपात (point estimate bias) पर कोई पता लगाने योग्य प्रभाव नहीं था, जो प्रोपोज़िशन 3 की पुष्टि करता है।
विचरण अनुपात ( $\hat{\rho}$ ): जैकनाइफ विचरण और सैंडविच विचरण का अनुपात द्वैत सीमाओं की गंभीरता को ट्रैक करता है।
- सही स्पेसिफिकेशन के तहत, $\hat{\rho} < 1$ (चरम वेट के कारण सैंडविच ओवरकवर करता है)।
- आउटकम मिसस्पेसिफिकेशन के तहत, $\hat{\rho} > 1$ (सैंडविच अंडरकवर करता है), जो नियर-बाउंड्री शासन को प्रकट करता है।
तुलना: जब प्रशासनिक सेंसरिंग मुख्य चिंता थी, तो नेस्टेड SA-TMLE ने मानक AIPW की तुलना में काफी कम विचरण (संकीर्ण अंतराल) प्राप्त किया, क्योंकि यह इन्वर्स वेट्स के गुणनफल से बचता है।

5. महत्व और निहितार्थ (Significance and Implications)

सैद्धांतिक प्रगति: यह कार्य विषम आंशिक मजबूती (asymmetric partial robustness) वाले एक नए वर्ग के अर्ध-पैरामीट्रिक समस्याओं को परिभाषित करता है, जो क्लासिकल डबल रोबस्टनेस से अलग है। यह स्पष्ट करता है कि कन्फाउंडिंग के साथ नेस्टेड आइडेंटिफिकेशन में, उपचार प्रोपेंसिटी एक महत्वपूर्ण "हार्ड" बाधा है।
व्यावहारिक मार्गदर्शन:
- अनुमान (Inference): जब द्वैत सीमाओं का संदेह हो, तो शोधकर्ताओं को मानक सैंडविच एस्टीमेटर के बजाय जैकनाइफ (या HC-सुधारित सैंडविच) का उपयोग करना चाहिए, क्योंकि बाद वाला नियर-बाउंड्री शासन में अविश्वसनीय है।
- मॉडलिंग प्राथमिकता: अनुमान संसाधनों को आउटकम मॉडल और उपचार प्रोपेंसिटी (जो सुसंगत होनी चाहिए) के लिए प्राथमिकता दी जानी चाहिए। सेंसरिंग प्रोपेंसिटी सबसे कम प्राथमिकता है।
- रणनीति: इन्वर्स सेंसरिंग वेट्स से बचने के लिए नेस्टेड आइडेंटिफिकेशन का उपयोग करना फायदेमंद है, लेकिन यह उपचार असाइनमेंट पर पूरी तरह से प्रोपेंसिटी का बोझ स्थानांतरित कर देता है, जिसके लिए उपचार प्रोपेंसिटी के सावधानीपूर्वक प्रबंधन की आवश्यकता होती है।

निष्कर्ष:
यह शोध पत्र प्रशासनिक सेंसरिंग और कन्फाउंडिंग वाले अवलोकन संबंधी अध्ययनों में निष्कर्ष के लिए एक कठोर ढांचा प्रदान करता है। यह प्रदर्शित करता है कि जबकि नेस्टेड आइडेंटिफिकेशन इन्वर्स सेंसरिंग वेट्स की अस्थिरता से बचाता है, यह एक जटिल द्वैत-सीमा विचरण संरचना पेश करता है जिसके लिए वैध सांख्यिकीय निष्कर्ष सुनिश्चित करने के लिए विशिष्ट सैद्धांतिक समायोजन (फ्लक्चुएशन कपलिंग विश्लेषण) और मजबूत अनुमान उपकरणों (जैकनाइफ) की आवश्यकता होती है।