Bayesian Sensitivity of Causal Inference Estimators under Evidence-Based Priors

तकनीकी सारांश: साक्ष्य-आधारित प्रायर (Evidence-Based Priors) के तहत कारण अनुमानक (Causal Inference Estimators) की बेयसियन संवेदनशीलता

समस्या विवरण
अवलोकनात्मक अध्ययनों (Observational studies) में कारण अनुमान (Causal inference), डेटा-जनरेटिंग प्रक्रिया से संबंधित अपरीक्षणीय धारणाओं पर निर्भर करता है, जैसे कि अनकन्फाउंडेडनेस (Unconfoundedness), सुव्यवस्थित सशर्त परिणाम मॉडल (Well-specified conditional outcome models), और बाह्य वैधता (External validity)। संवेदनशीलता विश्लेषण (Sensitivity analysis), धारणाओं के उल्लंघन होने पर कारण संबंधी निष्कर्षों की मजबूती का आकलन करने के लिए मानक उपकरण है। हालाँकि, मौजूदा ढांचे मुख्य रूप से वर्स्ट-केस संवेदनशीलता विश्लेषण (Worst-case sensitivity analysis) पर निर्भर करते हैं। ये विधियाँ एक अनुमानित मान से उस न्यूनतम विचलन (Deviation) की पहचान करने का प्रयास करती हैं जो एक कारण संबंधी निर्णय को उलट देता है (जैसे, औसत उपचार प्रभाव (ATE) के चिह्न को बदलना)।

लेखक तर्क देते हैं कि वर्स्ट-केस विश्लेषणों में तीन महत्वपूर्ण सीमाएँ हैं:

1. अवास्तविक उल्लंघन: वे अक्सर ऐसे उल्लंघनों की पहचान करते हैं जो गणितीय रूप से संभव तो हैं लेकिन अनुभवजन्य रूप से अकल्पनीय हैं (उदाहरण के लिए, एक ऐसा वितरण बदलाव जो आय को बढ़ाता है और साथ ही साथ शिक्षा के स्तर को कम करता है), जिससे अत्यधिक निराशावादी निष्कर्ष निकलते हैं।
2. आयामी समस्याएँ (Dimensionality Issues): धारणाओं के उच्च-आयामी स्थानों (High-dimensional spaces) में, वर्स्ट-केस विश्लेषण सभी दिशाओं में अधिकतम संवेदनशीलता प्रदान करते हैं, जिससे वे संसाधन आवंटन या भविष्य के डेटा संग्रह को प्राथमिकता देने के लिए सूचनात्मक नहीं रह जाते।
3. संदर्भ का अभाव: वे सभी संभावित उल्लंघनों को समान रूप से संभावित मानते हैं, वास्तविक दुनिया के ज्ञान या इस बात की अनदेखी करते हैं कि चर (Variables) वास्तव में कैसे सह-परिवर्तित (Co-vary) होते हैं।

कार्यप्रणाली (Methodology)
यह शोध पत्र s-वैल्यू (Gupta & Rothenhäusler, 2023) को तीन सामान्य कारण संबंधी धारणाओं के लिए सामान्यीकृत करने हेतु एक एकीकृत ढांचा प्रस्तावित करता है:

1. अनुपलब्ध कन्फाउंडिंग का न होना (No Unmeasured Confounding): इसे ऑड्स रेशियो फंक्शन ($\epsilon$) के माध्यम से मॉडल किया गया है।
2. सुव्यवस्थित सशर्त मॉडल (Well-Specified Conditional Models): इसे सशर्त परिणाम वितरण ($\mu$) के माध्यम से मॉडल किया गया है।
3. बाह्य वैधता (External Validity): इसे कोवेरिएट वितरण ($p_X$) के माध्यम से मॉडल किया गया है।

यह ढांचा एक धारणा चर $a$ (जो $\epsilon, \mu,$ या $p_X$ का प्रतिनिधित्व करता है), संभावित मानों का एक स्थान $A$, और एक विचलन मीट्रिक $D$ (जैसे, KL डाइवर्जेंस या यूक्लिडियन दूरी) को परिभाषित करता है, जिसका उपयोग एक अनुमानित मान $\hat{a}$ से विचलन के परिमाण को मापने के लिए किया जाता है।

1. वर्स्ट-केस संवेदनशीलता (बेसलाइन)
लेखक वर्स्ट-केस संवेदनशीलता को उन धारणाओं के सेट पर निर्णय उलटने वाली प्रायिकता के सुप्रीमकम (Supremum) के रूप में औपचारिक रूप देते हैं जो निर्णय को उलट देती हैं:
$$\sup_{a \in A} \{ \exp(-D(a \parallel \hat{a})) \mid \tau(a) \leq \delta \}$$
इसकी गणना बाधाबद्ध अनुकूलन (Constrained optimization) (लाग्रेंज मल्टीप्लायर्स और वितरणों के लिए एंट्रोपिक मिरर डिसेंट का उपयोग करके) के माध्यम से की जाती है।

2. बेयसियन संवेदनशीलता मान (BSV)
वर्स्ट-केस दृष्टिकोण की सीमाओं को दूर करने के लिए, लेखक बेयसियन संवेदनशीलता मान (BSV) पेश करते हैं। एक एकल वर्स्ट-केस परिदृश्य खोजने के बजाय, BSV एक प्रायर वितरण $\pi_A$ के तहत अपेक्षित संवेदनशीलता की गणना करता है, जिसे वास्तविक दुनिया के साक्ष्य से निर्मित किया गया है।
$$\text{BSV} = \mathbb{E}_{A \sim \pi_A} [ \exp(-D(A \parallel \hat{a})) \mid \tau(A) \leq \delta ]$$

• एम्पिरिकल BSV (EBSV): जब डेटा उपलब्ध हो, तो प्रायर $\pi_A$ का निर्माण बाहरी डेटाबेस (जैसे, कोवेरिएट वितरण के लिए NHANES, परिणाम मॉडलों के लिए पिछले उपसमूह विश्लेषण) से किया जाता है।
• गणना: BSV का अनुमान बाधाबद्ध मोंटे कार्लो सैंपलिंग (विशेष रूप से रिजेक्शन सैंपलिंग) का उपयोग करके लगाया जाता है। $\pi_A$ से नमूने (Samples) लिए जाते हैं, और केवल उन्हीं को स्वीकार किया जाता है यदि वे कारण संबंधी निर्णय को उलट देते हैं ($\tau(A) \leq \delta$), और फिर औसत विचलन की गणना की जाती है।

मुख्य योगदान

• सामान्यीकृत ढांचा: लेखक अनकन्फाउंडेडनेस, सशर्त परिणाम मॉडल और बाह्य वैधता के लिए संवेदनशीलता विश्लेषण को एकीकृत करने हेतु s-वैल्यू ढांचे का विस्तार करते हैं, जिससे विशिष्ट धारणा उपसमुच्चयों (Assumption subsets) के बारे में लक्षित प्रश्न पूछना संभव होता है।
• नया मानदंड (BSV/EBSV): वे एक वास्तविक दुनिया के साक्ष्य पर आधारित संवेदनशीलता मीट्रिक प्रस्तावित करते हैं जो केवल उल्लंघनों के अस्तित्व के बजाय उनके होने की संभावना को ध्यान में रखता है।
• एल्गोरिदम: शोध पत्र दोनों मानदंडों के लिए व्यावहारिक एल्गोरिदम प्रदान करता है: वर्स्ट-केस विश्लेषण के लिए बाधाबद्ध अनुकूलन और बेयसियन विश्लेषण के लिए बाधाबद्ध सैंपलिंग (मोंटे कार्लो)।
• एम्पिरिकल प्रायर: यह कार्य वास्तविक दुनिया के परिवेश में संवेदनशीलता विश्लेषण को सूचित करने के लिए बड़े जनसांख्यिकीय और चिकित्सा डेटाबेस से एम्पिरिकल प्रायर बनाने की रणनीतियों का प्रदर्शन करता है।

परिणाम
लेखक अपने दृष्टिकोण को सिमुलेशन अध्ययनों और मधुमेह उपचार (सेमाग्लुटाइड बनाम टिरज़ेपाटाइड) के वजन घटाने पर प्रभाव के वास्तविक दुनिया के अनुप्रयोग के माध्यम से सत्यापित करते हैं।

• आयामीता (Dimensionality): बढ़ते कोवेरिएट्स वाले सिमुलेशन में, वर्स्ट-केस संवेदनशीलता मान तेजी से 1 (अधिकतम संवेदनशीलता) की ओर अभिसरित होते हैं, जिसमें शून्य के करीब विचरण (Variance) होता है, जिससे वे विभिन्न धारणा स्थानों के बीच अंतर करने में विफल रहते हैं। इसके विपरीत, BSV परिवर्तनशीलता बनाए रखता है और उच्च आयामों में भी सार्थक रैंकिंग प्रदान करता है।
• सहसंबंध (Correlation): BSV और वर्स्ट-केस विश्लेषण द्वारा उत्पन्न संवेदनशीलता रैंकिंग अक्सर असंबद्ध (Uncorrelated) या नकारात्मक रूप से सहसंबंधित होती हैं। वर्स्ट-केस विश्लेषण अक्सर उच्च-आयामी स्थानों को अत्यधिक संवेदनशील के रूप में चिह्नित करते हैं, जबकि BSV उल्लंघन के संभावित दिशाओं की पहचान करता है।
• वास्तविक दुनिया का अनुप्रयोग: मधुमेह अध्ययन में, वर्स्ट-केस विश्लेषण ने "वजन > 220 lbs" उप-जनसंख्या के लिए उच्च संवेदनशीलता का सुझाव दिया। हालांकि, NHANES और UCI डेटासेट से प्राप्त एम्पिरिकल प्रायर द्वारा सूचित EBSV ने इस समूह के लिए कम संवेदनशीलता दर्शाई। EBSV ने सही ढंग से पहचाना कि निर्णय को उलटने के लिए आवश्यक वर्स्ट-केस वितरण वास्तविक दुनिया के प्रतिबंधों के तहत अत्यधिक असंभव था।
• सूचना लाभ (Information Gain): BSV दो अलग-अलग मीट्रिक प्रदान करता है: प्रायर के तहत निर्णय उलटने की प्रायिकता और उल्लंघन के लिए आवश्यक औसत "आकार" (विचलन)। यह चिकित्सकों को उन परिदृश्यों के बीच अंतर करने की अनुमति देता जहाँ उलटाव (Reversals) संभावित हैं लेकिन बड़े उल्लंघन की आवश्यकता है, बनाम उन परिदृश्यों के बीच जहाँ उलटाव दुर्लभ हैं लेकिन छोटे उल्लंघन की आवश्यकता है।

महत्व और दावे
शोध पत्र का दावा है कि पारंपरिक वर्स्ट-केस संवेदनशीलता विश्लेषण अक्सर सूचनाहीन और अत्यधिक निराशावादी होता है, विशेष रूप से उच्च-आयामी सेटिंग्स में जहाँ यह धारणाओं के यथार्थवादी बदलावों को प्रतिबिंबित करने में विफल रहता है। "सबसे खराब संभव उल्लंघन क्या है?" के बजाय "संभावित उल्लंघनों के प्रति निष्कर्ष कितना संवेदनशील है?" पर ध्यान केंद्रित करके, BSV एक अधिक कार्रवाई योग्य उपकरण प्रदान करता है।

लेखक का तर्क है कि BSV:

1. विश्लेषण को साक्ष्य के आधार पर स्थापित करता है: यह प्रायर के निर्माण के लिए मौजूदा बड़े पैमाने के डेटा का लाभ उठाता है, जो मनमाने या विशुद्ध रूप से सैद्धांतिक धारणाओं से दूर ले जाता है।
2. संसाधन प्राथमिकता में सुधार करता है: संभावित और अकल्पनीय संवेदनशीलता दिशाओं के बीच अंतर करके, यह शोधकर्ताओं को यह तय करने में मदद करता है कि उन्हें भविष्य के डेटा संग्रह और अध्ययन डिजाइन पर कहाँ ध्यान केंद्रित करना चाहिए।
3. उच्च आयामों में भी उपयोगी रहता है: वर्स्ट-केस विधियों के विपरीत, जो आयाम बढ़ने पर सूचनाहीन हो जाती हैं, BSV विभेदित अंतर्दृष्टि प्रदान करना जारी रखता है।

लेखक अपनी सीमाओं के संबंध में विनम्र रहते हैं, यह नोट करते हुए कि अनदेखे मात्राओं (जैसे ऑड्स रेशियो $\epsilon$) के लिए एम्पिरिकल प्रायर का निर्माण चुनौतीपूर्ण बना हुआ है, और विधि प्रायर डेटा की गुणवत्ता और प्रतिनिधित्व के प्रति संवेदनशील है। वे निष्कर्ष निकालते हैं कि हालांकि BSV वास्तविक संवेदनशीलता विश्लेषण की ओर एक कदम है, इसलिए इसका उपयोग पारंपरिक वर्स्ट-केस विधियों के साथ और प्रायर निर्माण के पारदर्शी दस्तावेजीकरण के साथ किया जाना चाहिए।