Causal Stability Selection

तकनीकी सारांश: कॉज़ल स्टेबिलिटी सिलेक्शन (Causal Stability Selection)

समस्या का निरूपण (Problem Formulation)
केंद्रित समस्या इफेक्ट मॉडिफायर (effect modifiers) की पहचान करना है—अर्थात वे कोवेरिएट्स (covariates) जो उपचार प्रभावों (treatment effects) में विषमता (heterogeneity) की व्याख्या करते हैं। जबकि कई अध्ययन शून्य औसत उपचार प्रभाव (null average treatment effects - ATE) की रिपोर्ट करते हैं, उपचार की प्रतिक्रियाएं अक्सर पूर्व-उपचार कोवेरिएट्स ($X$) के साथ व्यवस्थित रूप से भिन्न होती हैं। औपचारिक रूप से, इफेक्ट मॉडिफायर्स को कंडीशनल एवरेज ट्रीटमेंट इफेक्ट (CATE), $\tau(x) = E[Y(1) - Y(0) | X=x]$ के माध्यम से परिभाषित किया जाता है। एक कोवेरिएट $X_j$ एक इफेक्ट मॉडिफायर है यदि $\tau(X) \not\perp\!\!\perp X_j | X_{-j}$ हो।

चर चयन (variable selection) के लिए मौजूदा डेटा-अनुकूली प्रक्रियाएं गलत खोजों (false discoveries) की अपेक्षित संख्या पर परिमित-नमूना नियंत्रण (finite-sample control) प्रदान करने में विफल रहती हैं। जैसा कि पेपर के प्रेरक सिमुलेशन में दर्शाया गया है, मानक दृष्टिकोण जैसे कि 'ऑनेस्ट स्प्लिटिंग' (honest splitting) या K-फोल्ड क्रॉस-फिटिंग के साथ लैसो (Lasso) या स्टेबिलिटी सिलेक्शन का उपयोग करने से गंभीर रूप से बढ़ी हुई फाल्स डिस्कवरी रेट (FDR) प्राप्त होती है, जो डाउनस्ट्रीम लक्षित हस्तक्षेपों (targeted interventions) की विश्वसनीयता को कम करती है। चुनौती वास्तविक इफेक्ट मॉडिफायर्स के संक्षिप्त सेट की खोज करना है, जबकि परिमित नमूनों में त्रुटि दर की सख्त गारंटी बनाए रखना भी आवश्यक है, इस तथ्य के बावजूद कि वास्तविक CATE $\tau(X)$ अप्रोक्ष्चित है और इसे अनुमानित किया जाना है।

कार्यप्रणाली: कॉज़ल स्टेबिलिटी सिलेक्शन (CausalStabSel)
लेखक कॉज़ल स्टेबिलिटी सिलेक्शन (CausalStabSel) का प्रस्ताव करते हैं, जो क्रॉस-फिटेड CATE अनुमान को इंटीग्रेटेड पाथ स्टेबिलिटी सिलेक्शन (IPSS) के साथ एकीकृत करता है। यह विधि दो प्राथमिक चरणों में कार्य करती है:

1. चयन संभावनाओं का क्रॉस-फिटेड अनुमान (Cross-Fitted Estimation of Selection Probabilities):
   मानक स्टेबिलिटी सिलेक्शन के विपरीत, जो यह मानता है कि परिणाम सीधे देखा जा सकता है, CausalStabSel यह स्वीकार करता है कि चर चयन के लिए "रिस्पॉन्स" अप्रोक्ष्चित CATE है। एल्गोरिदम $B$ पुनरावृत्तियों (iterations) के माध्यम से कार्य करता है:

   • प्रत्येक पुनरावृत्ति में, डेटा को दो विलगित (disjoint) उपसमूहों, $A$ और $A^c$, में विभाजित किया जाता है।
   • एक CATE एस्टिमेटर $\hat{\tau}$ को होल्ड-आउट सेट $A^c$ पर प्रशिक्षित किया जाता है।
   • प्रशिक्षित मॉडल $A$ के नमूनों के लिए CATE मानों की भविष्यवाणी करता है।
   • एक बेस वेरिएबल सेलेक्टर $\hat{S}_\lambda$ (जैसे, Lasso या XGBoost इम्पॉर्टेंस स्कोर) को $(x_i, \hat{\tau}(x_i))$ युग्मों पर लागू किया जाता है, जहाँ $i \in A$।
   • भूमिकाओं को उलटते हुए (प्रशिक्षण के लिए $A^c$, चयन के लिए $A$) इस प्रक्रिया को $2B$ उपनमूनों को उत्पन्न करने के लिए दोहराया जाता है।
   • कोवेरिएट $j$ के लिए चयन संभाव्यता (selection probability) $\hat{\pi}_{j,m}(\lambda)$ सभी $2B$ उपनमूनों में $j$ के चुने जाने की आवृत्ति के रूप में गणना की जाती है।

2. चयन सेट का निर्माण (Construction of the Selection Set):
   इफेक्ट मॉडिफायर्स के अंतिम सेट का निर्माण IPSS मानदंड का उपयोग करके किया जाता है, जो केवल उन्हें अधिकतम करने के बजाय एक पैरामीटर ग्रिड $\Lambda$ पर चयन संभावनाओं को एकीकृत करता है। एक चर $j$ को तब चुना जाता है यदि:
   $$\int_{\Lambda} f(\hat{\pi}_{j,m}(\lambda)) \mu(d\lambda) \geq \gamma$$
   जहाँ $f(x) = (2x-1)^3 \mathbb{1}(x \geq 1/2)$ है और $\mu$ एक प्रायिकता माप (probability measure) है। यह दृष्टिकोण पारंपरिक स्टेबिलिटी सिलेक्शन की तुलना में फाल्स पॉजिटिव्स (false positives) की अपेक्षित संख्या पर एक कड़ा ऊपरी बाउंड (upper bound) प्रदान करता है। थ्रेशोल्ड (threshold) एक लक्षित EFP स्तर $t$ या एक नाममात्र FDR स्तर $\alpha$ द्वारा निर्धारित किया जाता है।

प्रमुख योगदान (Key Contributions)
पेपर के तीन मुख्य योगदान हैं:

1. परिमित-नमूना गारंटी के साथ एकीकृत ढांचा: लेखक इफेक्ट मॉडिफायर खोज के लिए पहला ढांचा प्रदान करते हैं जो फाल्स पॉजिटिव्स की अपेक्षित संख्या पर एक गैर-एसिम्प्टोटिक, परिमित-नमूना ऊपरी सीमा (non-asymptotic, finite-sample upper bound) प्रदान करता है। यह गारंटी बेस सेलेक्टर या CATE एस्टिमेटर के रूप में किसी भी विशिष्ट रूप पर प्रतिबंध लगाए बिना लागू होती है।
2. अनुमान (Estimation) और खोज (Discovery) के बीच सैद्धांतिक संबंध: पेपर सिद्ध करता है कि अनुमानित चयन संभावनाएँ उनके "ओरेकल" समकक्षों (जहाँ वास्तविक $\tau$ ज्ञात है) के साथ उस दर पर अभिसरित (converge) होती हैं जो सीधे अंतर्निहित CATE एस्टिमेटर की अभिसरण दर द्वारा नियंत्रित होती है। विशेष रूप से, यदि CATE एस्टिमेटर एक पैरामीट्रिक दर ($n^{-1/2}$) प्राप्त करता है, तो चयन संभावनाएँ एसिम्प्टोटिक रूप से निष्पक्ष (unbiased) होती हैं।
3. कंप्यूटेशनल सुगमता और स्थिरता: बार-बार किए गए उपनमूनों के परिणामों को एकत्रित करके, यह विधि उच्च-आयामी (high-dimensional) सेटिंग्स में भी स्थिर खोज प्रदान करती है, जो फाल्स डिस्कवरी को नियंत्रित करते हुए भी कंप्यूटेशनल रूप से व्यवहार्य बनी रहती है।

परिणाम (Results)
विधि का मूल्यांकन व्यापक सिमुलेशन अध्ययनों और दो वास्तविक दुनिया के अनुप्रयोगों के माध्यम से किया गया:

• सिमुलेशन: रैखिक और गैर-रैखिक सेटिंग्स, विभिन्न नमूना आकार, आयाम और कन्फाउंडिंग संरचनाओं को कवर करने वाले 34 प्रयोगों में, CausalStabSel एकमात्र विधि थी जिसने सभी व्यवस्थाओं में नाममात्र स्तर पर या उससे नीचे अनुभवजन्य FDR को बनाए रखा। प्रतिस्पर्धी विधियों, जिनमें IPSS, Knockoffs और Benjamini-Hochberg शामिल हैं, ने अनुमानित CATE पर लागू होने पर एंटी-कंजर्वेटिव व्यवहार (नाममात्र स्तरों से काफी अधिक FDR) प्रदर्शित किया। CausalStabSel ने शक्ति (power) से समझौता किए बिना सर्वश्रेष्ठ प्रदर्शन करने वाले विकल्पों के समान उच्च ट्रू पॉजिटिव रेट (TPR) प्राप्त किया।
• वास्तविक दुनिया के अनुप्रयोग:
  • PRIME रैंडमाइज्ड ट्रायल (ऑन्कोलॉजी): मेटास्टैटिक कोलोरेक्टल कैंसर में एंटी-EGFR थेरेपी के परीक्षण पर लागू किया गया। CausalStabSel ने KRAS म्यूटेशन स्टेटस (BMMTR1, BMMTR3) को इफेक्ट मॉडिफायर के रूप में पहचाना, जो ज्ञात क्लिनिकल साहित्य के अनुरूप है, साथ ही प्लेटलेट्स, आयु और लैक्टेट डिहाइड्रोजनेज को भी पहचाना।
  • मातृ धूम्रपान और जन्म के समय वजन (अवलोकन संबंधी): पेंसिल्वेनिया जन्म रिकॉर्ड पर लागू किया गया। विधि ने मातृ आयु और प्रथम-संतान स्थिति को इफेक्ट मॉडिफायर के रूप में पहचाना, जो धूम्रपान-प्रेरित जन्म वजन में कमी के संबंध में महामारी विज्ञान संबंधी निष्कर्षों के अनुरूप है।
    दोनों मामलों में, BLP-on-CATE स्पेसिफिकेशन का उपयोग करके होल्ड-आउट इन्फरेंस (held-out inference) ने चयनित मॉडिफायर्स की पुष्टि की।

महत्व और दावे (Significance and Claims)
पेपर का दावा है कि CausalStabSel उपचार प्रभाव अनुमान (treatment effect estimation) और इफेक्ट मॉडिफायर खोज (effect modifier discovery) के बीच एक सीधा, मात्रात्मक लिंक स्थापित करता है। यह प्रदर्शित करके कि चयन संभावनाओं में पूर्वाग्रह (bias) CATE अनुमान त्रुटि द्वारा नियंत्रित होता है, लेखक दिखाते हैं कि CATE अनुमान में सुधार सीधे अधिक विश्वसनीय चर चयन में अनुवादित होता है।

इस कार्य का महत्व डेटा-अनुकूली कारण अनुमान (causal inference) में निहित "फाल्स डिस्कवरी" की समस्या को हल करने की इसकी क्षमता में निहित है। लेखक इस बात पर जोर देते हैं कि परिमित-नमूना नियंत्रण के बिना, स्प्यूरियस (spurious) निष्कर्षों के दोहराव में विफल होने का जोखिम होता है, जो प्रिसिजन मेडिसिन और नीति निर्धारण के लिए विशेष रूप से खतरनाक है। CausalStabSel एक मजबूत, सैद्धांतिक रूप से आधारित समाधान प्रदान करता है जो मनमाने CATE एस्टिमेटर्स और बेस सेलक्टर्स को समायोजित करता है, जिससे यह मानक पहचान मान्यताओं (SUTVA और स्ट्रॉन्ग इग्नोरैबिलिटी) के तहत रैंडमाइज्ड ट्रायल्स और अवलोकन संबंधी अध्ययनों दोनों के लिए लागू करने योग्य बन जाता है।