📊 statistics

Copula-Based Endogeneity Correction for Doubly Robust Estimation of Treatment Effect

यह शोधपत्र बिना किसी इंस्ट्रुमेंटल वेरिएबल के, डबली रोबस्ट ट्रीटमेंट इफेक्ट एस्टीमेशन में एंडोजेनिटी (endogeneity) को ठीक करने के लिए एक कोपुला-आधारित (copula-based) विधि प्रस्तावित करता है, जो सिमुलेशन और NHANES डेटा के माध्यम से यह प्रदर्शित करता है कि यह दृष्टिकोण उन स्थानों पर निष्पक्ष परिणाम प्रदान करता है जहाँ नैइव (naive) विधियाँ विफल हो जाती हैं।

मूल लेखक: Sahil Shikalgar, Md. Noor-E-Alam

प्रकाशित 2026-05-06

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Sahil Shikalgar, Md. Noor-E-Alam

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 पोषण संबंधी परामर्श (nutrition counseling) का एक विशिष्ट प्रकार वास्तव में आपके रक्तचाप (blood pressure) को कम करने में मदद करता है। आप इसका उत्तर खोजने के लिए वास्तविक लोगों के एक विशाल डेटाबेस (जैसे कि एक बड़ा स्वास्थ्य सर्वेक्षण) को देखते हैं।

समस्या यह है कि वास्तविक दुनिया के लोग प्रयोगशाला के लोगों की तरह नहीं होते हैं। एक प्रयोगशाला में, आप एक समूह को परामर्श दे सकते हैं और दूसरे समूह को कुछ नहीं, और बाकी सब कुछ बिल्कुल समान रखते हैं। लेकिन वास्तविक जीवन में, जो लोग परामर्श चुनते हैं, वे अक्सर उन लोगों से अलग होते हैं जो ऐसा नहीं करते हैं। वे अधिक धनी, अधिक स्वास्थ्य के प्रति जागरूक, या डॉक्टरों तक बेहतर पहुंच रखने वाले हो सकते हैं।

"लापता कड़ी" की समस्या (The "Missing/Missing Piece" Problem)

सांख्यिकी (statistics) में, हम इन छिपे हुए अंतरों को अनऑब्जर्व्ड कॉन्फ़ाउंडर्स (unobserved confounders) कहते हैं। क्योंकि हम "स्वास्थ्य जागरूकता" को पूरी तरह से नहीं माप सकते, इसलिए हम एक "प्रॉक्सी" (विकल्प/स्टैंड-इन) का उपयोग करते है जैसे कि आय (income) या बॉडी मास इंडेक्स (BMI)।

इसे ऐसे समझें जैसे कि आप विंडशील्ड की सफाई देखकर यह अनुमान लगाने की कोशिश कर रहे हैं कि कार कितनी तेज चल रही है। एक साफ विंडशील्ड एक सावधान ड्राइवर का संकेत देती है, लेकिन यह एक सटीक माप नहीं है। कभी-कभी, एक सावधान ड्राइवर की विंडशील्ड गंदी हो सकती है, और एक लापरवाह ड्राइवर की विंडशील्ड साफ हो सकती है।

जब हम इन अपूर्ण स्टैंड-इन वेरिएबल्स को अपने गणित में उपयोग करते हैं, तो वे डेटा के "शोर" (noise) या त्रुटियों के साथ उलझ जाते हैं। इसे एंडोजेनिटी (endogeneity) कहा जाता है। यह ऐसा है जैसे आप एक कमरे में फुसफुसाहट सुनने की कोशिश कर रहे हों जहाँ माइक्रोफ़ोन एयर कंडीशनर की गूँज भी पकड़ रहा है। गणित भ्रमित हो जाता है, और यह आपको बता सकता है कि पोषण संबंधी परामर्श रक्तचाप को बढ़ा देता है, जबकि वास्तव में, यह केवल यह है कि परामर्श पाने वाले लोग उन तरीकों से पहले से ही अलग थे जिन्हें हमने मापा नहीं था।

पुराने तरीके (और वे क्यों विफल होते हैं)

"नाइव" (Naive) दृष्टिकोण: यह केवल एक मानक कैलकुलेटर में नंबर डालने जैसा है। यह मान लेता है कि हमारे स्टैंड-इन (आय, BMI) पूर्ण हैं। यदि वे नहीं हैं, तो परिणाम पक्षपाती (गलत) होगा।
"इंस्ट्रुमेंटल वेरिएबल" (Instrumental Variable) दृष्टिकोण: यह समस्या को ठीक करने के लिए स्वर्ण मानक (gold standard) है, लेकिन यह एक "जादुई छड़ी" खोजने जैसा है। आपको एक ऐसा वेरिएबल चाहिए जो यह प्रभावित करे कि किसी को परामर्श मिले, लेकिन वह सीधे रक्तचाप को प्रभावित न करे। स्वास्थ्य सेवा में, एक वास्तविक जादुई छड़ी ढूंढना लगभग असंभव है।
"डबली रोबस्ट" (Doubly Robust - DR) दृष्टिकोण: यह एक लोकप्रिय तरीका है जो कहता है, "हमें पूर्ण होने की आवश्यकता नहीं है; हमें बस अपने दो मुख्य अनुमानों में से एक को सही करने की आवश्यकता है।" यह दो अलग-अलग मानचित्रों के होने जैसा है जिनसे आप मंजिल तक पहुँचते हैं; यदि एक गलत है, तो दूसरा आपको बचा लेता है। हालाँकि, यह तरीका टूट जाता है यदि आपके स्टैंड-इन वेरिएबल्स (जैसे आय) "एंडोजेनियस" (शोर के साथ उलझे हुए) हैं।

नया समाधान: CEDR (द "कॉपुला" फिक्स)

लेखकों ने एक नया उपकरण बनाया जिसे CEDR (Copula-corrected Endogeneity-adjusted Doubly Robust) कहा जाता है।

यह इस प्रकार काम करता है, एक सरल उपमा का उपयोग करते हुए:

कल्पना कीजिए कि आप दो धागों को सुलझाने की कोशिश कर रहे हैं जो आपस में गाँठ खा गए हैं। एक धागा आपका डेटा है (जैसे आय), और दूसरा "शोर" (noise) है (छिपे हुए कारक)।

ट्रिक: लेखकों ने देखा कि यदि आपका "आय" वाला धागा पूरी तरह से सीधा नहीं है (नॉन-नॉर्मल, जिसका अर्थ है कि यह तिरछा या असंतुलित है), तो आप इस आकार का उपयोग यह पता लगाने के लिए कर सकते हैं कि यह शोर के साथ कैसे गाँठ में बंधा है।
कॉपुला (Copula): कॉपुला को एक विशेष गणितीय गोंद के रूप में समझें जो डेटा के आकार को शोर के साथ इसके संबंध से अलग करता है। इस संबंध को मॉडल करके, यह तरीका वेरिएबल्स को "अन-नॉट" (गाँठ खोलना) कर सकता है।
परिणाम: यह एक "कंट्रोल फंक्शन" बनाता है—एक गणितीय सुधार शब्द—जो भ्रम को सोख लेता है।

सबसे अच्छी बात: CEDR "डबली रोबस्ट" सुरक्षा जाल को बनाए रखता है। इसका मतलब है कि भले ही आपका यह मॉडल कि किसे परामर्श मिलता है थोड़ा गलत हो, या आपका यह मॉडल कि रक्तचाप पर क्या प्रभाव पड़ता है थोड़ा गलत हो, जब तक कि उनमें से एक सही है, आपको सही उत्तर मिलेगा।

उन्होंने क्या पाया

लेखकों ने इसे दो तरीकों से परखा:

कंप्यूटर सिमुलेशन: उन्होंने नकली दुनिया बनाई जहाँ उन्हें "वास्तविक" उत्तर पता था।
- जब उन्होंने पुराने "नाइव" तरीके का उपयोग किया, तो परिणाम बहुत गलत थे (28% तक पक्षपाती)।
- जब उन्होंने CEDR का उपयोग किया, तो पक्षपात (bias) 80% से अधिक कम हो गया, जो वास्तविक उत्तर के बहुत करीब पहुँच गया, भले ही डेटा अव्यवस्थित था।
वास्तविक दुनिया का परीक्षण (NHANES डेटा): उन्होंने वास्तविक अमेरिकी सर्वेक्षण डेटा का उपयोग करके रक्तचाप पर पोषण संबंधी परामर्श के प्रभाव को देखा।
- नाइव परिणाम: सुझाव दिया कि परामर्श ने वास्तव में रक्तचाप को बढ़ा दिया (एक अजीब परिणाम जो चिकित्सा साहित्य के विपरीत है)।
- CEDR परिणाम: उनके तरीके का उपयोग करके "गाँठों" को ठीक करने के बाद, प्रभाव गायब हो गया। परिणाम ने दिखाया कि परामर्श का कोई सांख्यिकीय रूप से महत्वपूर्ण प्रभाव नहीं था (इस डेटासेट में इसने रक्तचाप को न तो बढ़ाया और न ही महत्वपूर्ण रूप से कम किया)। यह मौजूदा शोध के साथ बेहतर ढंग से मेल खाता है, जो बताता है कि प्रभाव आमतौर पर मामूली होते हैं, हानिकारक नहीं।

सावधानी (The Catch)

यह नया उपकरण हर चीज़ के लिए जादू नहीं है।

इसे आपके "प्रॉक्सी" वेरिएबल्स (जैसे आय या BMI) के नॉन-नॉर्मल (तिरछे) होने की आवश्यकता है। यदि वे पूरी तरह से घंटी के आकार के (नॉर्मल) हैं, तो गणित इस गाँठ को नहीं खोल पाएगा।
यह बाइनरी विकल्पों (क्या आपको परामर्श मिला? हाँ/नहीं) के साथ सबसे अच्छा काम करता है।
इसके लिए डेटा के वितरण के बारे में एक विशिष्ट प्रकार के सांख्यिकीय अनुमान की आवश्यकता होती है।

मुख्य निष्कर्ष (The Bottom Line)

यह पेपर तर्क देता है कि स्वास्थ्य सेवा अनुसंधान में, हम अक्सर जटिल मानवीय व्यवहारों के लिए अपूर्ण स्टैंड-इन का उपयोग करते हैं। यदि हम इन स्टैंड-इन्स द्वारा बनाए गए "गाँठों" को ठीक नहीं करते हैं, तो हमारे परिणाम खतरनाक रूप से गलत हो सकते हैं। CEDR विधि बिना किसी "जादुई छड़ी" (इंस्ट्रुमेंटल वेरिएबल) के इन त्रुटियों को ठीक करने का एक व्यावहारिक तरीका प्रदान करती है, जिससे शोधकर्ताओं को डेटा के पीछे की सच्चाई देखने का एक अधिक विश्वसनीय तरीका मिलता है।

तकनीकी सारांश: डबली रोबस्ट अनुमान के लिए कोपुला-आधारित एंडोजेनिटी सुधार (Copula-Based Endogeneity Correction for Doubly Robust Estimation of Treatment Effect)

समस्या विवरण (Problem Statement)
ऑब्जर्वेशनल स्टडीज (observational studies) में कॉज़ल इन्फरेंस (causal inference) के लिए डबली रोबस्ट (DR) अनुमान एक मानक दृष्टिकोण है, जो तब निरंतरता (consistency) प्रदान करता है जब या तो प्रोपेंसिटी स्कोर (उपचार) मॉडल या आउटकम रिग्रेशन मॉडल सही ढंग से निर्दिष्ट (specified) हो। हालाँकि, यह विधि अनकन्फाउंडेडनेस (unconfoundedness) की अपरीक्षणीय धारणा पर निर्भर करती है, जिसके लिए उपचार और परिणाम दोनों के सभी सामान्य कारण (common causes) प्रेक्षित होने चाहिए। स्वास्थ्य सेवा अनुसंधान में, इस धारणा का उल्लंघन अक्सर होता है क्योंकि प्रमुख चर (जैसे, दवा के प्रति अनुपालन, स्वास्थ्य साक्षरता) अवलोकनीय नहीं होते हैं। शोधकर्ता अक्सर इन व्यवहारों का अनुमान लगाने के लिए प्रॉक्सी चरों (जैसे, प्रिस्क्रिप्शन रिफिल दर) पर निर्भर रहते हैं। ये प्रॉक्सी अक्सर एंडोजेनस (endogenous) होते हैं—अर्थात, अनकहे कन्फाउंडिंग या मेजरमेंट एरर के कारण रिग्रेशन एरर टर्म के साथ सह-संबंधित होते हैं।

जब कोवेरिएट्स एंडोजेनस होते हैं, तो अनकन्फाउंडेडनेस की धारणा विफल हो जाती है। फलस्वरूप, मानक DR एस्टिमेटर (estimators) पक्षपाती (biased) हो जाते हैं, भले ही उपचार और परिणाम मॉडल के फंक्शनल फॉर्म सही ढंग से निर्दिष्ट हों, क्योंकि स्वयं कंडीशनिंग वेरिएबल्स में अनकहा कन्फाउंडिंग मौजूद होता है। मौजूदा समाधानों की सीमाएँ हैं: इंस्ट्रूमेंटल वेरिएबल्स (IV) के लिए ऐसी एक्सक्लूजन रिस्ट्रिक्शन्स (exclusion restrictions) की आवश्यकता होती है जो अक्सर अपरीक्षणीय और कठिन होती हैं; सेंसिटिविटी एनालिसिस उल्लंघन के प्रभाव की सीमा बताता है लेकिन अनुमानों को ठीक नहीं करता है; और मानक कोपुला-आधारित विधियाँ एंडोजेनिटी को संबोधित करती हैं लेकिन मॉडल मिसस्पेसिफिकेशन (model misspecification) के विरुद्ध डबली रोबस्ट गुण की कमी रखती हैं।

कार्यप्रणाली: CEDR एस्टिमेटर (Methodology: The CEDR Estimator)
लेखक कोपुला-करेक्टेड एंडोजेनिटी-एडजस्टेड डबली रोबस्ट (CEDR) एस्टिमेटर का प्रस्ताव करते हैं। यह विधि एंडोजेनस कोवेरिएट्स के लिए गॉसियन कोपुला सुधारों को DR फ्रेमवर्क में एकीकृत करती है, जिसका लक्ष्य बिना किसी इंस्ट्रूमेंटल वेरिएबल की आवश्यकता के सुसंगत (consistent) उपचार प्रभाव अनुमान प्रदान करना है।

कार्यप्रणाली इस प्रकार है:

फ्रेमवर्क: यह दृष्टिकोण पोटेंशियल आउटकम्स फ्रेमवर्क को अपनाता है। यह प्रेक्षित कोवेरिएट्स ( $X_i$ ) को एक्सोजेनस घटकों ( $X_i^{exo}$ ) और एंडोजेनस घटकों ( $X_i^{endo}$ ) में विभाजित करता है।
कोपुला सुधार (Copula Correction): प्रत्येक एंडोजेनस कोवेरिएट के लिए, विधि गॉसियन कोपुला के आधार पर एक कंट्रोल फंक्शन का निर्माण करती है। यह तीन प्रमुख धारणाओं पर निर्भर करता है:
- एंडोजेनस कोवेरिएट नॉन-नॉर्मल रूप से वितरित है।
- एंडोजेनस कोवेरिएट और स्ट्रक्चरल एरर टर्म के बीच निर्भरता एक गॉसियन कोपुला संरचना का पालन करती है।
- स्ट्रक्चरल एरर टर्म नॉर्मल रूप से वितरित है।
  कोपुला टर्म को $C(X_i^{endo}) = \Phi^{-1}(\hat{F}_X(X_i^{endo}))$ के रूप में परिभाषित किया गया है, जहाँ $\hat{F}_X$ एक समायोजित एम्पेरिकल क्यूमुलेटिव डिस्ट्रीब्यूशन फंक्शन (ECDF) है ताकि बाउंड्री समस्याओं से बचा जा सके, और $\Phi^{-1}$ इनवर्स स्टैंडर्ड नॉर्मल CDF है।
दो-चरणीय अनुमान (Two-Step Estimation):
- चरण 1 (मॉडल अनुमान): प्रोपेंसिटी स्कोर मॉडल (नॉर्मल एरर धारणाओं के साथ संरेखित करने के लिए प्रोबिट लिंक का उपयोग करते हुए) और आउटकम रिग्रेशन मॉडल को संवर्धित कोवेरिएट्स $\tilde{X}_i = (X_i, C_i)$ का उपयोग करके अनुमानित किया जाता है, जहाँ $C_i$ कोपुला सुधार पदों का वेक्टर है। यह चरण एंडोजेनस कोवेरिएट्स और एरर टर्म के बीच सहसंबंध को अवशोषित करता है।
- चरण 2 (DR अनुमान): अंतिम एवरेज ट्रीटमेंट इफेक्ट (ATE) गणना के लिए, प्रेडिक्शन स्टेप में कोपुला पदों को बाहर कर दिया जाता है। मूल कोवेरिएट्स ( $X_i$ ) के लिए डीबायस्ड कोएफिशिएंट्स को बनाए रखा जाता है और उन्हें मानक DR एस्टिमेटर फॉर्मूला में प्रतिस्थापित किया जाता है। यह डबली रोबस्ट गुण को सुरक्षित रखता है: एस्टिमेटर तब भी सुसंगत रहता है यदि कोपुला-सुधारित प्रोपेंसिटी स्कोर मॉडल या कोपुला-सुधारित आउटकम मॉडल में से कोई एक सही ढंग से निर्दिष्ट हो।
अनुमान (Inference): क्योंकि कोपुला पद जनरेटेड रिग्रेसर्स (generated regressors) हैं, लेखक वैध स्टैंडर्ड एरर और कॉन्फिडेंस इंटरवल प्राप्त करने के लिए बूटस्ट्रैप विधियों (bootstrap methods) की सिफारिश करते हैं।

प्रमुख योगदान (Key Contributions)

विधियों का एकीकरण: यह पेपर कोपुला-आधारित एंडोजेनिटी सुधार और डबली रोबस्ट अनुमान के बीच के अंतर को पाटता है, जो एंडोजेनिटी और मॉडल अनिश्चितता दोनों को एक साथ संबोधित करता है।
इंस्ट्रूमेंट-मुक्त पहचान (Instrument-Free Identification): IV विधियों के विपरीत, CEDR को वैध इंस्ट्रूमेंट्स की आवश्यकता नहीं है। इसके बजाय, यह पहचान के लिए एंडोजेनस कोवेरिएट्स की नॉन-नॉर्मलिटी का लाभ उठाता है, जो एक ऐसी स्थिति है जिसे डायग्नोस्टिक टेस्ट के माध्यम से अनुभवजन्य रूप से जांचा जा सकता है।
रोबस्टनेस का संरक्षण: लेखक प्रदर्शित करते हैं कि CEDR एस्टिमेटर डबली रोबस्ट गुण को बनाए रखता है, जिससे यह सुनिश्चित होता है कि यदि दो मॉडलों (उपचार या परिणाम) में से एक मिसस्पेसिफाइड है, तो भी दूसरा सही होने पर एस्टिमेटर सुसंगत रहता है, बशर्ते कोपुला धारणाएं मान्य हों।

परिणाम (Results)
पेपर मोंटे कार्लो सिमुलेशन (Monte Carlo simulations) और नेशनल हेल्थ एंड न्यूट्रिशन एग्जामिनेशन सर्वे (NHANES) डेटा का उपयोग करके एक अनुभवजन्य अनुप्रयोग के माध्यम से CEDR का मूल्यांकन करता है।

मोंटे कार्लो सिमुलेशन:
- बिना एंडोजेनिटी ( $\rho=0$ ) वाले परिदृश्यों में, CEDR ने नेइव (naive) DR एस्टिमेटर के तुल्य प्रदर्शन किया, जिसमें नगण्य पक्षपात (bias) देखा गया।
- मध्यम ( $\rho=0.3$ ) और मजबूत ( $\rho=0.5$ ) एंडोजेनिटी के तहत, नेइव DR एस्टिमेटर महत्वपूर्ण पक्षपात (परिदृश्य और मिसस्पेसिफिकेशन के आधार पर -7% से -28% तक) प्रदर्शित करता है।
- CEDR एस्टिमेटर इस पक्षपात को काफी कम कर देता है (कई मामलों में 80% से अधिक), जिससे वास्तविक उपचार प्रभाव के करीब के अनुमान प्राप्त होते हैं, भले ही एक मॉडल मिसस्पेसिफाइड हो।
- एक ट्रेड-ऑफ है: CEDR, नेइव एस्टिमेटर की तुलना में थोड़ा उच्च वेरिएंस (स्टैंडर्ड डेविएशन) प्रदर्शित करता है, विशेष रूप से मजबूत एंडोजेनिटी के तहत, लेकिन यह पक्षपात में भारी कमी द्वारा संतुलित हो जाता है।
अनुभवजन्य अनुप्रयोग (NHANES):
- अध्ययन रक्तचाप पर पोषण संबंधी परामर्श (nutritional counseling) के प्रभाव का अनुमान लगाता है, जिसमें इनकम-टू-पॉवर्टी रेशियो और BMI को एंडोजेनस प्रॉक्सी के रूप में माना जाता है।
- नेइव DR एस्टिमेटर ने एक सांख्यिकीय रूप से महत्वपूर्ण सकारात्मक जुड़ाव का सुझाव दिया, जो इंगित करता है कि परामर्श रक्तचाप को लगभग 2.85 mmHg बढ़ाता है।
- CEDR एस्टिमेटर ने पॉइंट एस्टीमेट को घटाकर 1.75 mmHg कर दिया, जिससे प्रभाव सांख्यिकीय रूप से महत्वहीन हो गया (95% CI: [-6.99, 7.34])।
- यह सुधार मौजूदा साहित्य के अनुरूप है जो पोषण संबंधी परामर्श के रक्तचाप पर मामूली या शून्य प्रभावों का सुझाव देता है, जबकि नेइव अनुमान ने एक काउंटर-इंट्यूटिव (विपरीत) परिणाम दिया जो संभवतः एंडोजेनिटी बायस से प्रेरित था।

महत्व और दावे (Significance and Claims)
लेखक दावा करते हैं कि CEDR उन शोधकर्ताओं के लिए एक व्यावहारिक उपकरण प्रदान करता है जो ऐसे ऑब्जर्वेशनल हेल्थकेयर स्टडीज में काम कर रहे हैं जहाँ प्रॉक्सी वेरिएबल्स एंडोजेनस हैं और वैध इंस्ट्रूमेंट्स उपलब्ध नहीं हैं। यह विधि उस महत्वपूर्ण अंतराल को संबोधित करती है जहाँ मानक DR विधियाँ प्रॉक्सी वेरिएबल्स में अनकहे कन्फाउंडिंग के कारण विफल हो जाती हैं, और पारंपरिक कोपुला विधियाँ मॉडल मिसस्पेसिफिकेशन से सुरक्षा प्रदान करने में विफल रहती हैं।

पेपर विनम्रतापूर्वक नोट करता है कि वर्तमान में यह विधि बाइनरी उपचारों, क्रॉस-सेक्शनल डेटा तक सीमित है, और इसके लिए आवश्यक है कि एंडोजेनस कोवेरिएट्स पहचान के लिए पर्याप्त रूप से नॉन-नॉर्मल हों। यह गॉसियन कोपुला डिपेंडेंस स्ट्रक्चर की सही स्पेसिफिकेशन पर भी निर्भर करता है। लेखक चेतावनी देते हैं कि हालांकि NHANES अनुप्रयोग इस विधि की उपयोगिता को प्रदर्शित करता है, फिर भी निश्चित नैदानिक निष्कर्षों के लिए कई डेटासेट्स पर और प्रयोगात्मक साक्ष्य के साथ तुलनात्मक सत्यापन की आवश्यकता है। प्राथमिक महत्व इस बात में निहित है कि यह उन सेटिंग्स में अधिक विश्वसनीय कॉज़ल निष्कर्षों के लिए एक व्यवहार्य मार्ग प्रदान करता है जहाँ मानक ऑब्जर्वेशनल अनुमान काफी पक्षपाती हो सकते हैं।