Model-Robust Direct Effect Under Confounder-Mediator Ambiguity

यहाँ अमिरएमाद घसामी के शोध पत्र "Model-Robust Direct Effect Under Confounder–Mediator Ambiguity" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

कारण अनुमान (Causal inference) में, प्रत्यक्ष प्रभाव विश्लेषण (Direct effect analysis) के लिए आमतौर पर एक फोकल चर $W$ के पूर्व-एक्सपोज़र कन्फाउंडर (Pre-exposure confounder) या पश्च-एक्सपोज़र मीडिएटर (Post-exposure mediator) के रूप में स्पष्ट अंतर की आवश्यकता होती है।

• अस्पष्टता (The Ambiguity): कई अवलोकनात्मक अध्ययनों (जैसे, क्रॉस-सेक्शनल डेटा) में, एक्सपोज़र $A$ के सापेक्ष $W$ का लौकिक क्रम (Temporal ordering) स्पष्ट नहीं होता है। $W$ एक आधारभूत विशेषता हो सकती है जो $A$ और $Y$ दोनों को प्रभावित करती है, या यह $A$ से $Y$ तक के कारण पथ (Causal pathway) पर एक मध्यवर्ती चर हो सकता है।
• परिणाम (The Consequence): मानक एस्टिमेंड्स (Estimands) इस संरचनात्मक धारणा के आधार पर भिन्न होते हैं:
  • यदि $W$ एक कन्फाउंडर (Confounder) है, तो प्रत्यक्ष प्रभाव औसत उपचार प्रभाव (ATE) है, जो $X$ दिए गए $W$ के अवलोकित वितरण ($F_{W|X}$) पर सशर्त एक्सपोज़र कंट्रास्ट का औसत लेता है।
  • यदि $W$ एक मीडीएटर (Mediator) है, तो मानक प्रत्यक्ष प्रभाव नेचुरल डायरेक्ट इफेक्ट (NDE) है, जो $W$ के नियंत्रण स्थिति ($F_{W|A=0, X}$) के तहत वितरण पर कंट्रास्ट का औसत लेता है।
• मुख्य मुद्दा (The Core Issue): यह शोध पत्र सिद्ध करता है कि सामान्य रूप से, कोई भी एकल अवलोकित-डेटा फंक्शनल (Observed-data functional) कन्फाउंडर मॉडल के तहत ATE और मीडिएटर मॉडल के तहत NDE को एक साथ रिकवर नहीं कर सकता है। यदि कोई अभ्यासी (Practitioner) NDE एस्टिमेटर लागू करता है जबकि $W$ वास्तव में एक कन्फाउंडर है, तो परिणामी अनुमान एक ऐसी मात्रा पर अभिसरित (Converge) होता है जिसका कोई स्पष्ट कारण संबंधी अर्थ नहीं है, जिससे संख्यात्मक स्थिरता के बावजूद भ्रामक निष्कर्ष निकलते हैं।

2. कार्यप्रणाली और सैद्धांतिक ढांचा (Methodology and Theoretical Framework)

2.1 असंभवता का परिणाम (Impossibility Result)

लेखक सिद्ध करते हैं (Theorem 1) कि ऐसा कोई मानचित्र $T$ नहीं है जो सभी संभावित डेटा-जनरेटिंग प्रक्रियाओं के लिए अवलोकित डेटा कानून से एक वास्तविक संख्या तक पहुँच सके जो कन्फाउंडर मॉडल के तहत ATE और मीडिएटर मॉडल के तहत NDE की पहचान करे। यह स्थापित करता है कि संरचनात्मक अस्पष्टता एस्टिमेंड अस्पष्टता (Estimand ambiguity) पैदा करती है।

2.2 नो-एडिटिव-इंटरेक्शन स्थिति (The No-Additive-Interaction Condition)

यह शोध पत्र एक विशिष्ट स्थिति की पहचान करता है जिसके तहत ATE और NDE समान होते हैं: एक्सपोज़र $A$ और चर $W$ के बीच कोई योगात्मक इंटरेक्शन नहीं (No Additive Interaction) (Assumption 5)।

• यदि सशर्त माध्य प्रभाव $\Delta(w, x) = E[Y|A=1, W=w, X=x] - E[Y|A=0, W=w, X=x]$ $w$ पर निर्भर नहीं करता है, तो $W$ का औसत वितरण अप्रासंगिक हो जाता है।
• इस स्थिति के तहत, NDE और ATE के बीच का अंतर शून्य होता है।
• लेखक एक सेंसिटिविटी बाउंड (Sensitivity bound) (Proposition 3) निकालते हैं जो यह मापता है कि जब यह स्थिति खंडित होती है, तो NDE, ATE से कितना विचलित होता है। यह बाउंड सशर्त प्रभाव के रेंज ($\text{rng}\Delta$) और $F_{W|X}$ तथा $F_{W|A=0, X}$ के बीच टोटल वेरिएशन डिस्टेंस पर निर्भर करता है।

2.3 मॉडल-रोबस्ट एस्टिमेंड ($\psi(P)$)

इस अस्पष्टता को हल करने के लिए, लेखक एक नया लक्षित पैरामीटर, $\psi(P)$ प्रस्तावित करते हैं, जिसे $X$ दिए गए $W$ के अवलोकित वितरण पर अपेक्षित सशर्त एक्सपोज़र कंट्रास्ट के रूप में परिभाषित किया गया है:
$$\psi(P) = E_P \{ \Delta(W, X) \} = E_P \{ Q(1, W, X) - Q(0, W, X) \}$$
कारण संबंधी व्याख्या (Causal Interpretation):

• कन्फाउंडर मॉडल के तहत: $\psi(P)$, ATE (टोटल इफेक्ट) के बराबर है, क्योंकि यहाँ कोई मीडिएशन पाथवे नहीं है।
• मीडीएटर मॉडल के तहत: $\psi(P)$, एक इंटरवेंशनल डायरेक्ट इफेक्ट (IDE) के बराबर है। यह $A$ का $Y$ पर प्रभाव दर्शाता है यदि $W$ को उसके अवलोकित सशर्त वितरण $F_{W|X}$ से प्राप्त मान पर सेट किया जाए, जो कि संभावित परिणामों (Potential outcomes) से स्वतंत्र हो।
• विशिष्टता (Uniqueness): Theorem 4 सिद्ध करता है कि "आउटकम-फ्री" स्टोकेस्टिक डायरेक्ट इफेक्ट्स के वर्ग के भीतर (जहाँ $W$ के लिए हस्तक्षेप नियम केवल $(X, A, W)$ पर निर्भर करता है, न कि आउटकम मॉडल पर), $\psi(P)$ वह एकमात्र (Unique) फंक्शनल है जो कन्फाउंडर मॉडल के तहत ATE के साथ मेल खाता है।

2.4 अनुमान रणनीति (Estimation Strategy)

शोध पत्र $\psi(P)$ के लिए एक क्रॉस-फिटेड वन-स्टेप एस्टिमेटर ($\hat{\psi}^{cf}$) विकसित करता है:

• एफिशिएंट इन्फ्लुएंस फंक्शन (EIF): लेखक $\psi(P)$ के लिए EIF निकालते हैं, जिसमें आउटकम रिग्रेशन $Q(a, w, x)$ और प्रोपेंसिटी स्कोर $g(w, x) = P(A=1|W, X)$ शामिल है।
• डबल रोबस्टनेस (Double Robustness): यह एस्टिमेटर 'डबली रोबस्ट' है। यह तब सुसंगत (Consistent) होता है जब या तो आउटकम रिग्रेशन मॉडल या प्रोपेंसिटी स्कोर मॉडल सही ढंग से निर्दिष्ट (Specified) हो।
• क्रॉस-फिटिंग (Cross-Fitting): ओवरफिटिंग बायस से बचने और लचीले मशीन लर्निंग न्युसेंस एस्टिमेटर्स के उपयोग की अनुमति देने के लिए, डेटा को फोल्ड्स में विभाजित किया जाता है। न्युसेंस पैरामीटर्स को ट्रेनिंग फोल्ड्स पर अनुमानित किया जाता है और टेस्ट फोल्ड्स पर लागू किया जाता है।
• अनुमान (Inference): इसकी एसिम्प्टोटिक नॉर्मलिटी (Asymptotic normality) स्थापित की गई है, जिससे वाल्ड-टाइप (Wald-type) कॉन्फिडेंस इंटरवल प्राप्त किए जा सकते हैं।

3. मुख्य परिणाम (Key Results)

3.1 सिमुलेशन अध्ययन (Simulation Study)

लेखकों ने तीन परिदृश्यों में सिमुलेशन आयोजित किए:

1. इंटरेक्शन के साथ कन्फाउंडर: $W$ पूर्व-एक्सपोज़र है।
2. इंटरेक्शन के बिना मीडिएटर: $W$ पश्च-एक्सपोज़र है, कोई $A \times W$ इंटरेक्शन नहीं है।
3. इंटरेक्शन के साथ मीडिएटर: $W$ पश्च-एक्सपोज़र है, $A \times W$ इंटरेक्शन के साथ।

निष्कर्ष:

• प्रस्तावित एस्टिमेटर $\hat{\psi}^{cf}$ निष्पक्ष (Unbiased) था और सभी परिदृश्यों में नाममात्र 95% कवरेज प्राप्त किया।
• एक मानक मीडिएशन फॉर्मूला एस्टिमेटर (जो NDE को लक्षित करता है) परिदृश्य 2 (जहाँ ATE = NDE) में अच्छा प्रदर्शन करता है, लेकिन परिदृश्य 1 और 3 में विफल रहा।
• परिदृश्य 1 (कन्फाउंडर) में, मीडिएशन एस्टिमेटर वास्तविक ATE से $\approx 0.18$ कम मान पर अभिसरित हुआ, जो एस्टिमेंड मिसमैच (Estimand mismatch) को दर्शाता है, न कि एस्टिमेशन एरर को।
• परिदृश्य 3 (इंटरेक्शन के साथ मीडिएटर) में, मीडिएशन एस्टिमेटर $\psi(P)$ से $\approx 0.14$ कम मान पर अभिसरित हुआ, जो इंटरेक्शन की उपस्थिति में NDE और IDE के बीच के अंतर को उजागर करता है।

3.2 वास्तविक दुनिया का अनुप्रयोग (NHANES)

इस पद्धति का उपयोग बढ़े हुए PFAS भार (Elevated PFAS burden) का यूरिक एसिड पर प्रत्यक्ष प्रभाव अध्ययन करने के लिए किया गया, जिसमें किडनी फंक्शन (eGFR) को फोकल वेरिएबल के रूप में लिया गया।

• संदर्भ: eGFR संरचनात्मक रूप से अस्पष्ट है; यह एक पूर्व-एक्सपोज़र कन्फाउंडर (कम किडनी फंक्शन PFAS और यूरिक एसिड दोनों को बढ़ाता है) हो सकता है या एक पश्च-एक्सपोज़र मीडिएटर (PFAS किडनी को नुकसान पहुँचाता है, जिससे यूरिक एसिड बढ़ता है) हो सकता है।
• परिणाम:
  • मॉडल-रोबस्ट एस्टिमेट ($\hat{\psi}$): 0.25 mg/dL (95% CI: 0.05, 0.45)।
  • मीडिएशन मॉडल कंपैरेटर (NDE): 0.10 mg/dL (95% CI: -0.03, 0.23)।
• निहितार्थ: मीडिएशन विश्लेषण ने काफी छोटा अनुमान (59% कम) दिया। यदि eGFR एक कन्फाउंडर है, तो मीडिएशन अनुमान कारण संबंधी दृष्टि से व्याख्या करने योग्य नहीं है। मॉडल-रोबस्ट एस्टिमेट एक वैध सारांश प्रदान करता है चाहे eGFR की संरचनात्मक भूमिका कुछ भी हो।

4. मुख्य योगदान (Key Contributions)

1. एस्टिमेंड अस्पष्टता का औपचारिककरण (Formalization of Estimand Ambiguity): यह शोध पत्र औपचारिक रूप से सिद्ध करता है कि कन्फाउंडिंग और मीडिएशन के बीच संरचनात्मक अस्पष्टता, मानक प्रत्यक्ष प्रभावों के लिए एक सामान्य अवलोकित-डेटा लक्ष्य की कमी की ओर ले जाती है।
2. एक कैनोनिकल एस्टिमेंड का प्रस्ताव: यह $\psi(P)$ पेश करता है, जो एक मॉडल-रोबस्ट डायरेक्ट इफेक्ट है जो कन्फाउंडिंग के तहत ATE और मीडिएशन के तहत एक इंटरवेंशनल डायरेक्ट इफेक्ट के बराबर होता है।
3. विशिष्टता प्रमेय (Uniqueness Theorem): यह स्थापित करता है कि $\psi(P)$ एकमात्र 'आउटकम-फ्री' स्टोकेस्टिक डायरेक्ट इफेक्ट है जो कन्फाउंडर मॉडल के तहत Causal Interpretability (विशेष रूप से ATE से मेल खाना) बनाए रखता है।
4. रोबस्ट इन्फरेंस: यह एक डबली रोबस्ट, क्रॉस-फिटेड एस्टिमेटर प्रदान करता है जो लचीले मशीन लर्निंग के माध्यम से न्युसेंस पैरामीटर अनुमान को संभाल सकता है जबकि वैध अनुमान (Inference) बनाए रखता है।
5. व्यावहारिक मार्गदर्शन: यह शोध पत्र दिखाता है कि संरचनात्मक अस्पष्टता की उपस्थिति में मानक मीडिएशन फॉर्मूला पर निर्भर रहने से पर्याप्त रूप से भिन्न और संभावित रूप से भ्रामक निष्कर्ष निकल सकते हैं।

5. महत्व (Significance)

यह कार्य कारण अनुमान में एक महत्वपूर्ण अंतराल को संबोधित करता है जहाँ शोधकर्ताओं को अक्सर निश्चित लौकिक साक्ष्य के बिना एक चर को कन्फाउंडर या मीडिएटर के रूप में चुनने की आवश्यकता होती है।

• वैज्ञानिक प्रभाव: यह "गारबेज इन, गारबेज आउट" परिदृश्य को रोकता है जहाँ एक सांख्यिकीय रूप से स्थिर एस्टिमेटर गलत संरचनात्मक धारणा के कारण एक कारण संबंधी रूप से अर्थहीन परिणाम देता है।
• मेथोडोलॉजिकल प्रगति: यह ध्यान "एस्टिमेटर मजबूती" (एक निश्चित लक्ष्य के लिए डबल रोबस्टनेस) से "एस्टिमेंड मजबूती" (एक लक्ष्य जो प्रतिस्पर्धी संरचनात्मक मॉडलों के तहत वैध रहता है) की ओर स्थानांतरित करता है।
• नीतिगत प्रासंगिकता: पर्यावरण महामारी विज्ञान (जैसे, PFAS अध्ययन) जैसे क्षेत्रों में, जहाँ तंत्र जटिल होते हैं और डेटा अक्सर क्रॉस-सेक्शनल होता है, यह दृष्टिकोण प्रत्यक्ष प्रभावों के लिए एक एकल, व्याख्या योग्य मीट्रिक प्रदान करता है जिसे एक संभावित रूप से गलत कारण आरेख (Causal diagram) के प्रति प्रतिबद्ध होने की आवश्यकता नहीं है।

शोध पत्र निष्कर्ष निकालता है कि हालांकि गैर-योगात्मक स्केल्स और अनुदैर्ध्य (Longitudinal) सेटिंग्स में विस्तार की आवश्यकता है, प्रस्तावित ढांचा संरचनात्मक अनिश्चितता के सामने रोबस्ट कारण विश्लेषण के लिए एक आवश्यक उपकरण प्रदान करता है।