Semiparametric Efficient Test for Interpretable Distributional Treatment Effects

तकनीकी सारांश: व्याख्या योग्य वितरण संबंधी उपचार प्रभावों के लिए अर्ध-प्राचलिक (Semiparametric) कुशल परीक्षण

समस्या विवरण
औसत उपचार प्रभाव (Average Treatment Effects - ATE) अक्सर जोखिम, विषमता (heterogeneity), या संरचित परिणामों (जैसे, चित्र, अनुक्रम) से जुड़े कारण संबंधी प्रश्नों के लिए अपर्याप्त होते हैं। एक उपचार माध्य (mean) को सुरक्षित रख सकता है, जबकि फैलाव (dispersion), पूंछ (tails), बहु-मोडता (multimodality), या दुर्लभ घटनाओं की संभावना को महत्वपूर्ण रूप से बदल सकता है। हालांकि कर्नल मीन एम्बेडिंग (kernel mean embeddings) अधिकतम माध्य विसंगति (Maximum Mean Discrepancy - MMD) के माध्यम से वितरण संबंधी विसंगतियों के परीक्षण की अनुमति देते हैं; वैश्विक कर्नल परीक्षण व्याख्यात्मकता का अभाव रखते हैं; एक अस्वीकृति यह तो दर्शाती है कि दो हस्तक्षेपकारी परिणाम नियम भिन्न हैं, लेकिन यह प्रकट नहीं करती कि परिणाम स्थान (outcome space) में कहाँ अंतर प्रकट होता है। इसके अलावा, अवलोकनात्मक सेटिंग्स (observational settings) में, सहज परिमित-स्थान परीक्षण (naive finite-location tests) भ्रमित (confounded) होते हैं क्योंकि देखे गए उपचारित और नियंत्रण नमूने वैध अनुमान के लिए आवश्यक प्रति-तथ्यात्मक विरोधाभासों (counterfactual contrasts) को सीधे प्रकट नहीं करते हैं।

कार्यप्रणाली: DR-ME
लेखक DR-ME (डबली रोबस्ट मीन एम्बेडिंग) प्रस्तावित करते हैं, जो कारण संबंधी वितरण संबंधी प्रभावों के लिए एक अर्ध-प्राचलिक कुशल परिमित-स्थान परीक्षण है। यह विधि तीन चरणों में कार्य करती है:

1. परिमित-स्थान कारण साक्षी (Finite-Location Causal Witness):
   वैश्विक RKHS विसंगति $\Delta = \chi(1) - \chi(0)$ के परीक्षण के बजाय, यह विधि इस विसंगति को $J$ परिणामों के एक परिमित सेट $V = (v_1, \dots, v_J)$ पर प्रोजेक्ट करती है। लक्षित पैरामीटर परिमित-आयामी वेक्टर $\mu_V = (w(v_1), \dots, w(v_J))^\top$ है, जहाँ $w(y)$ एक कर्नल साक्षी फलन (kernel witness function) है जो $y$ स्थान पर हस्तक्षेपकारी नियमों के बीच की विसंगति को दर्शाता है।

2. ऑर्थोगोनल डबली रोबस्ट विशेषताएं:
   भ्रमित डेटा के तहत $\mu_V$ का अनुमान लगाने के लिए, लेखक एक ऑर्थोगोनल संवर्धित इन्वर्स-प्रोपेंसिटी फीचर (orthogonal augmented inverse-propensity feature) व्युत्पन्न करते हैं। मान लीजिए $\pi$ प्रोपेंसिटी स्कोर है और $r_a$ परिणाम प्रतिगमन (outcome regressions) है। आर्म-विशिष्ट फीचर है:
   $$\phi_a^V(Z; \eta) = \frac{\mathbb{1}\{A=a\}}{\pi(a|X)}(k_V(Y) - r_a(X; V)) + r_a(X; V)$$
   डबली रोबस्ट कंट्रास्ट है $z_{dr}^V(Z; \eta) = \phi_1^V - \phi_0^V$। लेखक सिद्ध करते हैं कि इस फीचर का केंद्रित संस्करण, $\psi_V(Z) = z_{dr}^V(Z; \eta_0)$ (जहाँ $\eta_0$ वास्तविक न्यूसेंस है), नॉनपैरामीट्रिक मॉडल में $\mu_V$ का कैनोनिकल ग्रेडिएंट (canonical gradient) है। यह ऑर्थोगोनैलिटी सुनिश्चित करती है कि न्यूसेंस मापदंडों (प्रोपेंसिटी और रिग्रेशन) में अनुमान त्रुटियाँ, बशर्ते क्रॉस-फिटिंग या सैंपल स्प्लिटिंग का उपयोग किया जाए, केवल द्वितीय-क्रम के शेष (second-order remainders) के माध्यम से ही प्रवेश करती हैं।

3. कुशल स्थानीय परीक्षण ज्यामिति (Efficient Local Testing Geometry):
   टेस्ट स्टैटिस्टिक एक हॉटिंग-टाइप (Hotelling-type) द्विघात रूप है:
   $$\hat{\lambda}_{n,V}^{dr} = n \bar{z}_{n,V}^{dr\top} (S_{n,V}^{dr} + \gamma_n I_J)^{-1} \bar{z}_{n,V}^{dr}$$
   जहाँ $\bar{z}_{n,V}^{dr}$ क्रॉस-फिटेड फीचर्स का अनुभवजन्य माध्य है और $S_{n,V}^{dr}$ सैंपल कोवेरिएंस है।

   • स्थानीय शक्ति सिद्धांत (Local Power Theory): $n^{-1/2}$ दर पर शून्य की ओर बढ़ने वाले स्थानीय विकल्पों के तहत, सांख्यिकी एक नॉनसेंट्रल ची-स्क्वायर वितरण की ओर अभिसरित होती है। नॉनसेंट्रल पैरामीटर व्हाइटनड लोकल ड्रिफ्ट (whitened local drift) $\lambda_V(g) = \eta_V(g)^\top \Sigma_V^{-1} \eta_V(g)$ द्वारा निर्धारित होता है, जहाँ $\eta_V(g)$ साक्षी का दिशात्मक अवकलज (directional derivative) है और $\Sigma_V$ कैनोनिकल ग्रेडिएंट का कोवेरिएंस है।
   • स्थान सीखना (Location Learning): लेखक तर्क देते हैं कि कच्चे साक्षी का परिमाण (raw magnitude) इष्टतम लर्निंग ऑब्जेक्टिव नहीं है। इसके बजाय, स्थानों को रिज-स्टेबलाइज्ड लोकल-पावर मानदंड को अधिकतम करके सीखा जाना चाहिए:
     $$P_\tau(V) = \mu_V^\top (\Sigma_V + \tau I_J)^{-1} \mu_V$$
     यह मानदंड उन स्थानों का चयन करता है जो कुशल कोवेरिएंस ज्यामिति को ध्यान में रखते हुए सिग्नल-टू-नॉइज़ अनुपात को अधिकतम करते हैं। सैंपल स्प्लिटिंग का उपयोग किया जाता है: न्यूसेंस $I_\eta$ पर फिट किए जाते हैं, स्थान $I_{tr}$ पर सीखे जाते हैं, और अंतिम परीक्षण एक स्वतंत्र स्प्लिट $I_{te}$ पर गणना किया जाता है। यह सुनिश्चित करता है कि पोस्ट-सिलेक्शन के बाद फिक्स्ड-लोकेशन नल थ्योरी लागू होती है।

मुख्य योगदान

1. व्याख्या योग्य परिमित-स्थान परीक्षण का निरूपण: शोध पत्र वितरण संबंधी उपचार प्रभावों के लिए एक परीक्षण तैयार करता है जो विशिष्ट, सीखे गए परिणाम स्थानों पर इंटरवेंशनल RKHS साक्षी का मूल्यांकन करता है, जो व्याख्या योग्य कारण-विसंगति निर्देशांक (causal-discrepancy coordinates) प्रदान करता है।
2. कैनोनिकल ग्रेडिएंट का व्युत्पत्ति: लेखक परिमित-स्थान सिग्नल के लिए कैनोनिकल ग्रेडिएंट को व्युत्पन्न करते हैं, यह दिखाते हुए कि यह एक ऑर्थोगोनल, डबली रोबस्ट फीचर का रूप लेता है। यह देखे गए-डेटा एस्टिमेटर और कुशल लिमिट एक्सपेरिमेंट के बीच सैद्धांतिक संबंध स्थापित करता है।
3. अर्ध-प्राचलिक स्थानीय-दक्षता सिद्धांत (Semiparametric Local-Efficiency Theory): शोध पत्र फिक्स्ड लोकेशन्स के लिए स्थानीय परीक्षण सीमा को लक्षणबद्ध करता है, यह सिद्ध करते हुए कि DR-ME सांख्यिकी कुशल परिमित-सिग्नल गौसियन प्रयोग प्राप्त करती है। यह एक $\chi^2_J$ नल लिमिट और एक नॉनसेंट्रल $\chi^2_J$ लोकल पावर लिमिट देता है, जो कोवेरिएंस-व्हाइटनड सिग्नल द्वारा नियंत्रित होता है।
4. सिद्धांतिक स्थान सीखना (Principled Location Learning): व्युत्पन्न दक्षता ज्यामिति का उपयोग करते हुए, लेखक एक स्थान-लर्निंग मानदंड प्रस्तावित करते हैं जो व्हाइटनड लोकल पावर को अधिकतम करता है। वे सैंपल स्प्लिटिंग के तहत अनुभवजन्य मानदंड की समान रूप से सुसंगतता (uniform consistency) को सिद्ध करते हैं।

परिणाम
सिंथेटिक और सेमी-सिंथेटिक डेटा (OCTMNIST मेडिकल इमेजिंग सहित) पर प्रयोगों से पता चलता है:

• कैलिब्रेशन: अवलोकनात्मक कन्फाउंडिंग के तहत, DR-ME निकट-नाममात्र (near-nominal) टाइप-I एरर रेट बनाए रखता है, जबकि नैव प्लग-इन एस्टिमेटर्स और नॉन-स्प्लिट वेरिएंट ओवर-रिजेक्ट करते हैं।
• शक्ति (Power): DR-ME मीन-शिफ्ट विकल्पों पर वैश्विक डबली रोबस्ट कर्नल टेस्ट (जैसे, DR-xKTE) के प्रतिस्पर्धी है, लेकिन वैरिएंस-शिफ्ट और लोकलाइज्ड-बम्प विकल्पों पर बेहतर शक्ति प्रदर्शित करता है। यह पुष्टि करता है कि जब वितरण संबंधी प्रभाव विरल (sparse) होते हैं, तो विशिष्ट, सीखे गए निर्देशांकों पर शक्ति केंद्रित करना फायदेमंद होता है।
• व्याख्यात्मकता: सेमी-सिंथेटिक मेडिकल इमेजिंग अध्ययन में, सीखे गए स्थानों ने सफलतापूर्वक उन रेटिनल क्षेत्रों को स्थानीयकृत किया जहाँ इंटरवेंशनल इमेज लॉ वितरण में भिन्न थे, बावजूद इसके कि उपचार का माध्य (mean) पर कोई प्रभाव नहीं था। यह स्थानीयकरण माध्य विरोधाभासों (mean contrasts) के लिए अदृश्य था।
• कोवेरिएंस व्हाइटनिंग: एब्लेशन अध्ययन दिखाते हैं कि कोवेरिएंस-व्हाइटनड मानदंड के माध्यम से स्थान सीखना (सिग्नल-टू-नॉइज़ को अधिकतम करना) कच्चे साक्षी नॉर्म (raw witness norm) को अधिकतम करने या यादृच्छिक स्थानों का उपयोग करने की तुलना में काफी अधिक शक्ति प्रदान करता है, विशेष रूप से उच्च-आयामी परिणाम स्थानों में।

महत्व और दावे
शोध पत्र व्याख्या योग्य वितरण संबंधी उपचार प्रभावों के लिए पहले अर्ध-प्राचलिक कुशल परिमित-स्थान परीक्षण के रूप में दावा करता है। इसका महत्व वैश्विक कर्नल परीक्षणों की शक्ति और परिमित-स्थान डायग्नोस्टिक्स की व्याख्यात्मकता के बीच के अंतर को पाटने में निहित है। कैनोनिकल ग्रेडिएंट को व्युत्पन्न करके और कुशल स्थानीय परीक्षण ज्यामिति को स्थापित करके, लेखक यह प्रदान करते हैं कि परिणाम स्थान में कहाँ परीक्षण करना है। यह विधि वैश्विक परीक्षणों की पूरक है: जहाँ वैश्विक परीक्षण सर्वव्यापी संवेदनशीलता (omnibus sensitivity) प्रदान करते हैं, वहीं DR-ME व्याख्या योग्य, स्थानीय रूप से कुशल साक्षी निर्देशांकों को लक्षित करता है। वे नोट करते हैं कि वर्तमान सिद्धांत देखे गए कन्फाउंडिंग के तहत पॉइंट ट्रीटमेंट्स को मानता है और लॉन्गिट्यूडिनल या इंस्ट्रुमेंटल वेरिएबल सेटिंग्स में विस्तार के लिए नए कैनोनिकल ग्रेडिएंट की आवश्यकता होगी। वे यह भी सुझाव देते हैं कि भविष्य के कार्य में डीप कर्नल्स या संरचित खोज वर्गों (जैसे, DNA अनुक्रमों के लिए) का उपयोग करके इस पद्धति की प्रयोज्यता को और बढ़ाया जा सकता है।