Investigating Targeting Strategies and Truncation in TMLE for the Average Treatment Effect under Practical Positivity Violations

यहाँ जू (Xu), ग्रुबर (Gruber), और वैन डेर लां (van der Laan) के शोध पत्र "Investigating Targeting Strategies and Truncation in TMLE for the Average Treatment Effect under Practical Positivity Violations" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र उन अवलोकनात्मक डेटा (observational data) से औसत उपचार प्रभाव (Average Treatment Effect - ATE) का अनुमान लगाने की चुनौती को संबोधित करता है, जहाँ व्यावहारिक सकारात्मकता उल्लंघन (practical positivity violations) होते हैं।

• संदर्भ: अवलोकनात्मक अध्ययनों में, उपचार का निर्धारण यादृच्छिक (random) नहीं होता है। सकारात्मकता धारणा (positivity assumption) यह आवश्यक करती है कि प्रत्येक व्यक्ति के पास कोई भी उपचार प्राप्त करने की गैर-शून्य संभावना हो ($0 < P(A=1|W) < 1$)।
• व्यावहारिक उल्लंघन: जबकि सैद्धांतिक उल्लंघन (संभावना = 0) घातक होते हैं, व्यावहारिक उल्लंघन तब होते हैं जब संभावनाएँ गैर-शून्य होती हैं लेकिन देखे गए डेटा में 0 या 1 के अत्यंत निकट होती हैं। इससे अत्यधिक इन्वर्स प्रोबेबिलिटी वेटिंग (Inverse Probability Weighting - IPW) होता है, जिसके कारण:
  • अनुमानकों (estimators) में विचरण (variance) बढ़ जाता है।
  • यदि इसे ठीक से न संभाला जाए तो व्यवस्थित पूर्वाग्रह (systematic bias) उत्पन्न होता है।
  • अविश्वसनीय आत्मविश्वास अंतराल (confidence intervals) बनते हैं।
• अंतराल (Gap): हालांकि टारगेटेड मैक्सिमम लाइकलीहुड एस्टीमेशन (TMLE) एक अत्याधुनिक विधि है जो डबल रोबस्टनेस और दक्षता के लिए जानी जाती है, व्यावहारिक सकारात्मकता उल्लंघन के तहत इसका प्रदर्शन निम्नलिखित कारकों के प्रति संवेदनशील है:
  1. टारगेटिंग रणनीति (targeting strategy) का चयन (फ्लक्चुएशन चरण कैसे तैयार किया जाता है)।
  2. ट्रंकेशन स्तर (truncation level) का चयन (चरम भारों को कैसे सीमित किया जाता है)।
  3. विचरण अनुमान (variance estimation) की विधि।
     मौजूदा साहित्य में इन कारकों, विशेष रूप से डेटा-अनुकूलित ट्रंकेशन रणनीतियों के संबंध में व्यवस्थित तुलना का अभाव है।

2. कार्यप्रणाली (Methodology)

A. TMLE ढांचा और टारगेटिंग रणनीतियाँ

लेखक प्रारंभिक आउटकम रिग्रेशन अनुमानक ($\bar{Q}$) को अपडेट करने के लिए दो विशिष्ट रणनीतियों की तुलना करते हैं:

1. लॉस-वेटेड टारगेटिंग ($g_{Wt}$): लॉस फंक्शन पर सीधे इन्वर्स प्रोबेबिलिटी वेट्स लागू किए जाते हैं। इसके परिणामस्वरूप एक वैश्विक रूप से नियमित (globally regularized) अपडेट प्राप्त होता है जो व्यक्तिगत भारों के परिमाण पर अधिक निर्भर नहीं करता है।
2. क्लेवर-कोवेरिएट-स्केल्ड टारगेटिंग ($g_{H}$): लॉस फंक्शन अनवेटेड रहता है; इसके बजाय, फ्लक्चुएशन सबमॉडल के भीतर "क्लेवर कोवेरिएट" ($H$) में इन्वर्स प्रोबेबिलिटी कारक शामिल किए जाते हैं। यह उच्च भार वाले स्ट्रेटा (strata) में मजबूत स्थानीय सुधारों (local corrections) की अनुमति देता है।

B. ट्रंकेशन तंत्र (Truncation Mechanisms)

अनुमान को स्थिर करने के लिए, अनुमानित प्रोपेंसिटी स्कोर ($\hat{g}$) को एक निचले स्तर $b$ पर ट्रंकेट किया जाता है:
$$\hat{g} \leftarrow \max(\hat{g}, b)$$
जहाँ $b = \frac{c}{\sqrt{n} \ln n}$। शोध पत्र इसकी जांच करता है:

• निश्चित ट्रंकेशन (Fixed Truncation): पूर्व-निर्धारित स्थिरांकों (जैसे, $c=5, 6$) का उपयोग करना।
• अनुकूली ट्रंकेशन (Adaptive Truncation - Lepki with Brake): लेखकों द्वारा प्रस्तावित एक नई प्रक्रिया।
  • यह एक ट्रंकेशन ग्रिड $c_1 < c_2 < \dots < c_K$ (मजबूत से कमजोर ट्रंकेशन तक) को पार करता है।
  • यह एक कमजोर ट्रंकेशन स्तर पर केवल तभी जाता है जब पॉइंट एस्टीमेट में बदलाव, अनिश्चितता (कॉन्फिडेंस इंटरवल की चौड़ाई) में वृद्धि के सापेक्ष सांख्यिकीय रूप से महत्वपूर्ण हो।
  • ब्रेक तंत्र (Brake Mechanism): जब विचरण अनुमान अविश्वसनीय हो (जो सकारात्मकता उल्लंघन में सामान्य है), तो अस्थिरता को रोकने के लिए, यह प्रक्रिया सबसे अधिक-ट्रंकेटेड (सबसे स्थिर) अनुमान के चारों ओर एक "सेफ ज़ोन" (लोकलाइजेशन रीजन) को परिभाषित करती है। यदि विचरण अनुमान बहुत अस्थिर हो जाता है, तो यह गति को रोक देता है, जिससे यह सुनिश्चित होता है कि चुना गया ट्रंकेशन स्तर अत्यधिक विचरण उत्पन्न न करे।

C. विचरण अनुमान (Variance Estimation)

पत्र निष्कर्षों के लिए तीन विचरण अनुमानकों का मूल्यांकन करता है:

1. EIF-आधारित: एफिशिएंट इन्फ्लुएंस फंक्शन के सैंपल वेरिएंस पर आधारित। सकारात्मकता उल्लंघन के तहत विचरण को कम आंकने के लिए जाना जाता है।
2. प्लग-इन (Plug-in): यह अवशेष (residual) और रिग्रेशन टर्म्स को अलग करता है, जिसमें कंडीशनल आउटकम वेरिएंस शामिल होता है।
3. टारगेटेड बूटस्ट्रैप (Targeted Bootstrap - TB): बूटस्ट्रैप नमूनों पर केवल फ्लक्चुएशन पैरामीटर को पुन: अनुमानित करता है जबकि प्रारंभिक नुलस पैरामीटर्स को स्थिर रखता है।

3. सिमुलेशन डिज़ाइन (Simulation Design)

लेखकों ने निम्नलिखित चरों के साथ व्यापक मोंटे कार्लो सिमुलेशन आयोजित किए:

• नमूना आकार (Sample Sizes): $n \in \{500, 1000, 2000\}$।
• सकारात्मकता की गंभीरता (Positivity Severity): इसे एक स्केलिंग स्थिरांक $\kappa_{pos} \in \{1, 2, 3\}$ द्वारा नियंत्रित किया गया है, जहाँ उच्च मान अधिक चरम प्रोपेंसिटी स्कोर उत्पन्न करते हैं (गंभीर उल्लंघन)।
• आउटकम मिसस्पेसिफिकेशन (Outcome Misspecification): "लगभग सही" से लेकर "अत्यधिक मिसस्पेसिफाइड" (वर्किंग मॉडल में प्रमुख कोवेरियेट्स को छोड़ना) तक।
• ट्रंकेशन ग्रिड: स्थिरांक $c \in \{1, \dots, 10\}$।

4. मुख्य परिणाम (Key Results)

A. टारगेटिंग रणनीति प्रदर्शन

• लॉस-वेटेड ($g_{Wt}$): व्यावहारिक सकारात्मकता उल्लंघन के तहत, यह रणनीति महत्वपूर्ण व्यवस्थित पूर्वाग्रह (substantial systematic bias) प्रदर्शित करती है जो ट्रंकेशन स्तर की परवाह किए बिना बना रहता है। ट्रंकेशन बढ़ाने से विचरण तो कम होता है लेकिन यह पूर्वाग्रह को ठीक करने में विफल रहता है, जिससे खराब कवरेज प्रोबेबिलिटी (अक्सर 0% के करीब) प्राप्त होती है।
• क्लेवर-कोवेरिएट-स्केल्ड ($g_{H}$): यह रणनीति काफी अधिक मजबूत है। यह उच्च-भार वाले क्षेत्रों में सुधार को अनुकूलित करती है। जबकि कमजोर ट्रंकेशन से उच्च विचरण होता है, और आक्रामक ट्रंकेशन से पूर्वाग्रह होता है, एक "स्वीट स्पॉट" मौजूद है जहाँ पूर्वाग्रह और विचरण दोनों न्यूनतम होते हैं, जिससे लगभग नाममात्र कवरेज (95%) प्राप्त होता है।

B. ट्रंकेशन स्तर चयन

• निश्चित नियम (Fixed Rules): $c=5$ या $c=6$ जैसे सामान्य विकल्प मजबूत डिफ़ॉल्ट हैं लेकिन सभी नमूना आकारों के लिए इष्टतम नहीं हैं।
  • नमूना आकार निर्भरता: इष्टतम ट्रंकेशन स्तर नमूना आकार के साथ बढ़ता है। छोटे नमूने ($n=500$) को विचरण को नियंत्रित करने के लिए अधिक आक्रामक ट्रंकेशन (कम $c$) की आवश्यकता होती है, जबकि बड़े नमूने ($n=2000$) को पूर्वाग्रह को कम करने के लिए कम आक्रामक ट्रंकेशन (उच्च $c$) से लाभ होता है।
• अनुकूली Lepski with Brake: प्रस्तावित अनुकूली प्रक्रिया सफलतापूर्वक उन ट्रंकेशन स्तरों का चयन करती है जो पूर्वाग्रह और विचरण के बीच संतुलन बनाते हैं।
  • यह सभी नमूना आकारों में निश्चित नियमों ($c=5, 6$) के साथ प्रतिस्पर्धी या उनसे बेहतर प्रदर्शन करती है।
  • यह उच्च-विचरण शासन (कम ट्रंकेशन) और पूर्वाग्रह-प्रधान शासन (अधिक ट्रंकेशन) दोनों से प्रभावी ढंग से बचती है।
  • "ब्रेक" तंत्र स्थिरता के लिए महत्वपूर्ण है, जो एल्गोरिदम को अस्थिर, कम-ट्रंकेशन स्तरों को चुनने से रोकता है जब विचरण अनुमान अनियमित होते हैं।

C. विचरण अनुमान

• EIF अनुमानक: सकारात्मकता उल्लंघन के तहत लगातार विचरण को कम आंकता (underestimates) है, जिससे आत्मविश्वास अंतराल बहुत संकीर्ण होते हैं और वास्तविक पैरामीटर को कम कवर करते हैं।
• प्लग-इन अनुमानक: कंडीशनल वेरिएंस को शामिल करके EIF में सुधार करता है, लेकिन यह अभी भी अस्थिर हो सकता है।
• टारगेटेड बूटस्ट्रैप (TB): सबसे स्थिर और रूढ़िवादी (conservative) विचरण अनुमान प्रदान करता है। यह ट्रंकेशन स्तरों केAcross मोंटे कार्लो (वास्तविक) विचरण का बारीकी से अनुसरण करता है। हालांकि यह हल्के सेटिंग्स में विचरण को थोड़ा बढ़ा सकता है, लेकिन यह रूढ़िवादिता गंभीर सकारात्मकता उल्लंघन के तहत वैध निष्कर्ष सुनिश्चित करती है।

5. महत्व और योगदान (Significance and Contributions)

1. टारगेटिंग रणनीतियों का स्पष्टीकरण: यह शोध पत्र प्रमाण प्रदान करता है कि व्यावहारिक सकारात्मकता उल्लंघन की उपस्थिति में क्लेवर-कोवेरिएट-स्केल्ड टारगेटिंग लॉस-वेटेड टारगेटिंग की तुलना में श्रेष्ठ है, विशेष रूप से उपयुक्त ट्रंकेशन के साथ।
2. डेटा-अनुकूली ट्रंकेशन: यह एक ब्रेक तंत्र के साथ Lepski-प्रकार की अनुकूली ट्रंकेशन प्रक्रिया पेश करता है। यह नमूना आकार या उल्लंघन की गंभीरता के पूर्व ज्ञान के बिना ट्रंकेशन स्थिरांक चुनने की व्यावहारिक समस्या को हल करता है, जो एक मजबूत, डेटा-संचालित विकल्प प्रदान करता है।
3. विचरण अनुमान मार्गदर्शन: यह विचरण अनुमान के लिए एक विश्वसनीय विधि के रूप में टारगेटेड बूटस्ट्रैप को प्रमाणित करता है, जो मानक EIF-आधारित अनुमानकों की महत्वपूर्ण विफलता को संबोधित करता है।
4. व्यावहारिक सिफारिशें:
   • क्लेवर-कोवेरिएट-स्केल्ड टारगेटिंग ($g_H$) का उपयोग करें।
   • विचरण अनुमान के लिए टारगेटेड बूटस्ट्रैप का उपयोग करें।
   • यदि एक निश्चित नियम आवश्यक है, तो $c=5$ या $c=6$ उचित डिफ़ॉल्ट हैं, लेकिन विभिन्न नमूना आकारों और सकारात्मकता की गंभीरता के लिए इष्टतम प्रदर्शन हेतु अनुकूली Lepski-with-brake प्रक्रिया की सिफारिश की जाती है।

यह कार्य वास्तविक दुनिया के अवलोकनात्मक अध्ययनों में TMLE के व्यावहारिक अनुप्रयोग को महत्वपूर्ण रूप से उन्नत करता है जहाँ डेटा की कमी और चरम प्रोपेंसिटी स्कोर आम हैं, जिससे अधिक विश्वसनीय कारण अनुमान (causal inference) सुनिश्चित होता है।