📊 statistics

Joint Estimation of Marginal and Heterogeneous Treatment Effects

यह शोधपत्र एक संयुक्त मॉडलिंग ढांचे का प्रस्ताव करता है जो विभिन्न प्रकार के परिणामों (outcomes) में सांख्यिकीय दक्षता में सुधार करते हुए और सीमांत व्याख्यात्मकता (marginal interpretability) को बनाए रखते हुए, सीमांत उपचार प्रभावों (marginal treatment effects) का अनुमान लगाने और रोगनिरोधी (prognostic) एवं भविष्य कहनेवाला (predictive) सहचरों (covariates) को रैंक करने के लिए नॉनपैरानॉर्मल एडजस्टेड मार्जिनल इन्फरेंस का विस्तार करता है।

मूल लेखक: Leticia Wuethrich, Torsten Hothorn

प्रकाशित 2026-05-25

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Leticia Wuethrich, Torsten Hothorn

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 एक डॉक्टर हैं जो यह पता लगाने की कोशिश कर रहे हैं कि क्या एक नई दवा चीनी की गोली (शुगर पिल) से बेहतर काम करती है। एक आदर्श दुनिया में, आप लोगों के एक समूह को दवा देंगे और दूसरे को चीनी की गोली, और दोनों समूहों के बीच एकमात्र अंतर उपचार होगा। लेकिन वास्तविक जीवन में, लोग अलग होते हैं। कुछ वृद्ध होते हैं, कुछ अधिक बीमार होते हैं, कुछ की जीवनशैली अलग होती है। इन अंतरों को कोवेरिएट्स (covariates) कहा जाता है।

यह शोध पत्र एक नया गणितीय "किचन" (एक सांख्यिकीय ढांचा) पेश करता है जो शोधकर्ताओं को एक स्पष्ट तस्वीर बनाने में मदद करता है कि क्या कोई उपचार काम करता है, और साथ ही यह भी समझने में कि यह किन लोगों के लिए सबसे अच्छा काम करता है, बिना मुख्य रेसिपी को बिगाड़े।

यहाँ उनके तरीके का सरल उपमाओं (analogies) का उपयोग करके विवरण दिया गया है:

1. समस्या: द "नॉन-कोलैप्सिबल" ट्रैप (The "Non-Collapsible" Trap)

आमतौर पर, जब शोधकर्ता अधिक सटीक होना चाहते हैं, तो वे इन अंतरों (जैसे आयु या वजन) को अपने गणित में समायोजित करते हैं।

रेखीय दुनिया (The Easy Way): यदि आप कुछ सरल माप रहे हैं, जैसे ऊंचाई, तो अपने गणित में "आयु" जोड़ना नमक का एक चुटकी डालना जैसा है। यह आपके माप को अधिक तीक्ष्ण बनाता है, लेकिन मुख्य परिणाम (औसत ऊंचाई का अंतर) वही रहता है।
गैर-रेखीय दुनिया (The Tricky Way): कई चिकित्सा परिणाम (जैसे जीवित रहने का समय या दर्द के स्कोर) एक रबर शीट की तरह होते हैं। यदि आप शीट को खींचते हैं (कोवेरिएट्स जोड़ते हैं), तो उसका आकार बदल जाता है। मानक गणित में, इन कारकों को समायोजित करने से अक्सर उस परिणाम की परिभाषा ही बदल जाती है जिसे आप देख रहे हैं। आप अनजाने में यह मापने लगेंगे कि "दवा एक विशिष्ट प्रकार के व्यक्ति के लिए कैसे काम करती है" (कंडीशनल) बजाय इसके कि "दवा पूरी आबादी के लिए कैसे काम करती है" (मार्जिनल)। इसे नॉन-कोलैप्सिबिलिटी (non-collapsibility) कहा जाता है। यह कमरे के औसत तापमान को मापने की कोशिश करने जैसा है, लेकिन हर बार जब आप ताजी हवा के लिए खिड़की खोलते हैं (एक चर को समायोजित करते हैं), तो "कमरे का तापमान" की परिभाषा बदल जाती है।

2. समाधान: द "जॉइंट मॉडल" (The Big Tent)

लेखकों, वुथ्रिच और होथोर्न ने एक नया ढांचा बनाया है जिसे NAMI-HTE कहा जाता है। इसे एक विशाल पारदर्शी टेंट (Giant Transparent Tent) के रूप में सोचें जो दो चीजों को एक साथ कवर करता है:

परिणाम (क्या रोगी ठीक हुआ?)।
रोगी की शुरुआती विशेषताएं (आयु, वजन, आधारभूत स्वास्थ्य)।

रोगी के शुरुआती आंकड़ों को और फिर अलग से परिणाम को देखने के बजाय, यह तरीका उन्हें एक एकल, जुड़े हुए इकाई के रूप में देखता है। यह एक चतुर गणितीय ट्रिक का उपयोग करता है जिसे गौसियन कोपुला (Gaussian Copula) कहा जाता है।

उपमा: कल्पना कीजिए कि आपके पास अलग-अलग आकार के गुब्बारे हैं (विभिन्न प्रकार के डेटा: निरंतर संख्याएं, हाँ/नहीं वाले उत्तर, किसी घटना तक का समय)। आमतौर पर, आप उन्हें आसानी से एक साथ नहीं बांध सकते। यह तरीका उन सभी को एक मानक, गोल आकार में फुला देता है ("लेटेंट नॉर्मल स्केल") ताकि उन्हें आसानी से एक साथ बांधा जा सके। एक बार जब वे बंध जाते हैं, तो शोधकर्ता पूरे समूह को देख सकते हैं।

3. जादुई ट्रिक: "मार्जिनल" दृश्य को बनाए रखना

इस टेंट का सबसे शानदार हिस्सा यह है कि भले ही वे डेटा के जटिल समूह को देख रहे हों, वे अभी भी बाहर निकलकर मार्जिनल ट्रीटमेंट इफेक्ट (Margal Treatment Effect) देख सकते हैं।

रूपक (Metaphor): कल्पना कीजिए कि आप एक धुंधली खिड़की के माध्यम से एक 3D मूर्ति देख रहे हैं। आमतौर पर, यदि आप कांच को साफ करने की कोशिश करते हैं (कोवेरिएट्स को समायोजित करना), तो धुंध हिलती है और मूर्ति के समग्र आकार के दृश्य को विकृत कर देती है। यह नया तरीका कांच को साफ करता है बिना धुंध को हिलाए या मूर्ति के आकार को बदले। आपको पूरे समूह के औसत सुधार का स्पष्ट दृश्य मिलता है, भले ही आप व्यक्तिगत अंतरों को ध्यान में रख रहे हों।

4. सामग्रियों को छाँटना: प्रोग्नोस्टिक बनाम प्रेडिक्टिव (Prognostic vs. Predictive)

यह शोध पत्र परिणामों को प्रभावित करने वाले दो प्रकार के "सामग्रियों" (कोवेरिएट्स) को छाँटने में भी मदद करता है:

प्रोग्नोस्टिक कोवेरिएट्स (Prognostic Covariates): ये मौसम के पूर्वानुमान की तरह हैं। यदि किसी रोगी को तेज बुखार है, तो संभावना है कि वह लंबे समय तक बीमार रहेगा, चाहे वह कोई भी दवा ले। दवा इसे नहीं बदलती; रोगी की शुरुआती स्थिति ही परिणाम की भविष्यवाणी करती है।
प्रेडिक्टिव कोवेरिएट्स (Predictive Covariates): ये विशेष चाबियों (special keys) की तरह हैं। वे आपको बताते हैं कि क्या एक विशिष्ट दवा किसी विशिष्ट व्यक्ति के लिए बेहतर काम करती है। उदाहरण के लिए, एक दवा केवल उन लोगों के लिए काम कर सकती है जिनमें एक विशिष्ट जीन हो।

लेखकों का तरीका इन दोनों प्रकार की सामग्रियों को एक ही मापने वाले पैमाने (measuring stick) पर रखता है। यह शोधकर्ताओं को यह कहने की अनुमति देता है कि "यह कारक एक मजबूत मौसम पूर्वानुमान (प्रोग्नोस्टिक) है," और "यह कारक एक मजबूत कुंजी (प्रेडिक्टिव) है," और वे सीधे तुलना कर सकते हैं।

5. उन्होंने क्या पाया (परिणाम)

दक्षता (Efficiency): इस "विशाल टेंट" पद्धति का उपयोग करके, उन्होंने पाया कि दवा काम करती है या नहीं, इसके अनुमान अधिक तीक्ष्ण और सटीक (छोटे एरर बार) हैं, बजाय इसके कि रोगी की पृष्ठभूमि को अनदेखा किया जाए।
सुधार का स्रोत: इस सुधार का अधिकांश हिस्सा प्रोग्नोस्टिक कारकों (मौसम के पूर्वानुमान) से आता है। रोगी के शुरुआती स्वास्थ्य को जानना परिणाम की भविष्यवाणी करने में मदद करता है, जिससे दवा का प्रभाव अधिक स्पष्ट दिखाई देता है।
प्रेडिक्टिव कारक: "चाबियों" (प्रेडिक्टिव कारकों) को खोजना बहुत कठिन है। यह विधि इसे कर सकती है, लेकिन इसके लिए बहुत अधिक डेटा की आवश्यकता होती है। उनके परीक्षणों में, भले ही एक मजबूत "चाबी" मौजूद थी, लेकिन यह साबित करना कठिन था कि वह मौजूद है जब तक कि सैंपल साइज बहुत बड़ा न हो।
वास्तविक दुनिया का परीक्षण: उन्होंने सिरदर्द के लिए एक्यूपंक्चर के बारे में एक वास्तविक अध्ययन पर इसका परीक्षण किया।
- इसने मूल अध्ययन के निष्कर्ष की पुष्टि की: एक्यूपंक्चर मदद करता है।
- इसने दिखाया कि "बेसलाइन हेडएक स्कोर" सबसे बड़ा भविष्यवक्ता (प्रोग्नोस्टिक) था कि रोगी कैसा महसूस करेगा।
- इसने संकेत दिया कि शुरुआत में खराब सिरदर्द वाले लोगों को एक्यूपंक्चर से थोड़ा अधिक लाभ मिल सकता है (प्रेडिक्टिव), लेकिन इसके प्रमाण कमजोर थे और यह डेटा को मॉडल करने के तरीके पर निर्भर थे।

सारांश

यह शोध पत्र एक नया सांख्यिकीय "किचन" प्रदान करता है जो शोधकर्ताओं को निम्नलिखित कार्य करने की अनुमति देता है:

रोगी के अंतरों को समायोजित करना ताकि यह पता चल सके कि क्या कोई उपचार काम करता है, जिससे एक स्पष्ट और अधिक सटीक उत्तर मिलता है।
उत्तर को सरल बनाए रखना (यह अभी भी पूरी आबादी पर लागू होता है, न कि केवल एक उपसमूह पर)।
साथ-साथ पहचान करना कि कौन सी व्यक्तिगत विशेषताएं सामान्य रूप से परिणाम की भविष्यवाणी करती हैं (प्रोग्नोस्टिक) और कौन सी विशेषताएं यह निर्धारित करती हैं कि उपचार विशेष रूप से उनके लिए कैसे काम करता है (प्रेडिक्टिव)।

यह एक ऐसे मानचित्र की तरह है जो न केवल पूरे बेड़े के जहाजों (मार्जिनल इफेक्ट) के लिए सबसे अच्छा मार्ग दिखाता है, बल्कि यह भी बताता है कि किन विशिष्ट जहाजों को उनके कार्गो के आधार पर अतिरिक्त ईंधन की आवश्यकता है, और यह सब बिना धुंध में खोए किया जाता है।

तकनीकी सारांश: मार्जिनल और हेटेरोजेनियस ट्रीटमेंट इफेक्ट्स का संयुक्त अनुमान (Joint Estimation of Marginal and Heterogeneous Treatment Effects)

समस्या विवरण (Problem Statement)

रैंडमाइज्ड क्लिनिकल ट्रायल्स (RCTs) आमतौर पर मार्जिनल ट्रीटमेंट इफेक्ट (ट्रायल आबादी में औसत प्रभाव) का अनुमान लगाने का लक्ष्य रखते हैं। जबकि प्रिसिजन (precision) में सुधार के लिए कोवेरिएट एडजस्टमेंट (covariate adjustment) एक मानक प्रक्रिया है, यह नॉनलीनियर मॉडल्स में नॉनकोलैप्सिबिलिटी (noncollapsibility) के कारण एक पद्धतिगत चुनौती पेश करता है। ऐसे मॉडल्स में (जैसे लॉजिस्टिक रिग्रेशन, कॉक्स प्रोपोर्शनल हैजार्ड्स, या कोहेन के $d$ का उपयोग करने वाले मॉडल्स), कोवेरिएट्स के लिए एडजस्ट करना एस्टिमेंड (estimand) को मार्जिनल इफेक्ट से बदलकर कंडीशनल इफेक्ट में बदल देता है, भले ही कन्फाउंडिंग (confounding) की अनुपस्थिति हो।

इसके विपरीत, प्रोग्नोस्टिक कोवेरियट्स (जो उपचार के बिना भी परिणाम से जुड़े होते हैं) और प्रेडिक्टिव कोवेरियट्स (जो उपचार प्रभाव को संशोधित करते हैं) की पहचान करना व्यक्तिगत चिकित्सा (personalized medicine) को समझने और निर्देशित करने के लिए महत्वपूर्ण है। मौजूदा विधियाँ आम तौर पर दो समूहों में आती हैं:

मार्जिनल-केंद्रित विधियाँ (जैसे सेमीपैरामेट्रिक ऑगमेंटेशन, स्टैंडर्डाइजेशन, IPTW, TMLE) मार्जिनल व्याख्यात्मकता (interpretability) को बनाए रखती हैं लेकिन प्रोग्नोस्टिक और प्रेडिक्टिव प्रभावों को स्पष्ट रूप से पैरामीटराइज या रैंक नहीं करती हैं।
हेटेरोजेनिटी-केंद्रित विधियाँ (जैसे कॉज़ल फॉरेस्ट, मॉडल-बेस्ड फॉरेस्ट) कंडीशनल एवरेज ट्रीटमेंट इफेक्ट्स (CATEs) का अनुमान लगाती हैं, लेकिन अक्सर उनमें औपचारिक टाइप I एरर कंट्रोल की कमी होती है, वे छोटे नमूनों में प्रोग्नोस्टिक और प्रेडिक्टिव प्रभावों के बीच अंतर करने में संघर्ष करती हैं, और वे स्वाभाविक रूप से मार्जिनल एस्टिमेंड को सुरक्षित नहीं रखती हैं।

यह शोध पत्र एक ऐसे एकीकृत ढांचे (unified framework) की आवश्यकता को संबोधित करता है जो एक मार्जिनल ट्रीटमेंट इफेक्ट का अनुमान लगा सके और साथ ही हेटेरोजेनिटी को समझने और प्रोग्नोस्टिक एवं प्रेडिक्टिव प्रभावों को स्पष्ट रूप से मापने और रैंक करने के लिए कोवेरियट्स को एडजस्ट कर सके।

कार्यप्रणाली (Methodology): नॉनपैरानॉर्मल एडजस्टेड मार्जिनल इन्फ्रेंस विद हेटेरोजेनियस ट्रीटमेंट इफेक्ट्स (NAMI-HTE)

लेखक नॉनपैरानॉर्मल एडजस्टेड मार्जिनल इन्फ्रेंस (NAMI) फ्रेमवर्क (डैंडल और होथॉर्न, 2026) को हेटेरोजेनियस ट्रीटमेंट इफेक्ट्स को समाहित करने के लिए विस्तारित करने का प्रस्ताव देते हैं। मुख्य नवाचार एक गौसियन कोप्युला (नॉनपैरानॉर्मल) निर्माण का उपयोग करके आउटकम और बेसलाइन कोवेरियट्स के लिए एक संयुक्त मॉडल (joint model) में मार्जिनल ट्रीटमेंट इफेक्ट को सीधे एम्बेड करना है।

1. सैद्धांतिक ढांचा (Theoretical Framework)

ट्रांसफॉर्मेशन मॉडल्स: यह विधि यूनिवेरिएट ट्रांसफॉर्मेशन मॉडल्स का उपयोग करती है जहाँ आउटकम डिस्ट्रीब्यूशन को एक मोनोटोनिक ट्रांसफॉर्मेशन फंक्शन $h(\cdot)$ के माध्यम से एक लेटेंट स्केल पर मैप किया जाता है। ट्रीटमेंट इफेक्ट $\tau$ को इस लेटेंट स्केल पर एक शिफ्ट के रूप में परिभाषित किया गया है।
जॉइंट मॉडलिंग: फ्रेमवर्क आउटकम $Y$ और कोवेरियट्स $X$ के संयुक्त वितरण को एक लेटेंट स्टैंडर्ड नॉर्मल स्केल पर मॉडल करता है। संयुक्त संचयी वितरण फलन (CDF) को इस प्रकार परिभाषित किया गया है:
$P(X \le x, Y \le y \mid W = w) = \Phi_{\Sigma(w)}(h(x, y \mid W = w))$
जहाँ $\Phi_{\Sigma(w)}$ एक मल्टीवेरिएट नॉर्मल CDF है जिसका कोवेरिएंस मैट्रिक्स उपचार-निर्भर $\Sigma(w)$ है।
मार्जिनलिटी को सुरक्षित रखना: सहसंबंध मैट्रिक्स के डायगोनल को एकता ( $\text{diag}(\Sigma(w)) \equiv 1$ ) तक सीमित करके, यह मॉडल सुनिश्चित करता है कि कोवेरियट्स के समावेश से आउटकम का मार्जिनल वितरण अपरिवर्तित रहे। यह गारंटी देता है कि एडजस्टमेंट के बाद भी ट्रीटमेंट इफेक्ट $\tau$ अपनी मार्जिनल व्याख्या (कोलैप्सिबिलिटी) बनाए रखता है।
प्रभावों का पैरामीटराइजेशन:
- प्रोग्नोस्टिक इफेक्ट्स: कंट्रोल आर्म में कोवेरियट्स और आउटकम के बीच सहसंबंध द्वारा कैप्चर किए जाते हैं (इनवर्स चोलेस्की फैक्टर $\Lambda(0)$ के अंतिम रो के तत्व)।
- प्रेडिक्टिव इफेक्ट्स: उपचार और कंट्रोल आर्म्स के बीच सहसंबंधों के अंतर द्वारा कैप्चर किए जाते हैं (ट्रीटमेंट-डिपेंडेंट कंपोनेंट $\Gamma(\gamma)$ के तत्व)।
- स्टैंडर्डाइजेशन: चूंकि कोवेरियट्स को स्टैंडर्ड नॉर्मल स्केल पर मैप किया गया है, इसलिए प्रोग्नोस्टिक और प्रेडिक्टिव स्ट्रेंथ को एक सामान्य स्केल पर मापा जा सकता है, जिससे सीधा तुलना और रैंकिंग संभव होती है।

2. प्रयोज्यता (Applicability)

यह फ्रेमवर्क लचीला है और निम्नलिखित पर लागू होता है:

सतत परिणाम (Continuous outcomes): जहाँ $\tau$ को कोहेन के $d$ (स्टैंडर्डाइज्ड मीन डिफरेंस) के रूप में व्याख्यायित किया जाता है।
बाइनरी और ऑर्डिनल परिणाम (Binary and Ordinal outcomes): जहाँ $\tau$ को लॉग-ऑड्स रेशियो के रूप में व्याख्यायित किया जाता है।
टाइम-टू-इवेंट परिणाम (Time-to-event outcomes): जहाँ $\tau$ को लॉग-हजार्ड रेशियो के रूप में व्याख्यायित किया जाता है।
सेन्सिंग (Censoring): यह एक ही लाइकलीहुड-आधारित एस्टीमेशन प्रक्रिया के भीतर राइट-, लेफ्ट-, और इंटरवल-सेन्सिंग, साथ ही मिसिंग डेटा को भी समायोजित करता है।

3. एस्टीमेशन (Estimation)

पैरामीटर्स का अनुमान मैक्सिमम लाइकलीहुड के माध्यम से लगाया जाता है। यह विधि प्रोग्नोस्टिक और प्रेडिक्टिव प्रभावों के औपचारिक परिकल्पना परीक्षण (hypothesis testing) की अनुमति देती है, जिसमें मल्टीप्लिसिटी एडजस्टमेंट शामिल है, जो हेटेरोजेनिटी विश्लेषण के लिए एक कन्फर्मेटरी दृष्टिकोण प्रदान करता है।

मुख्य परिणाम (Key Results)

सैद्धांतिक निष्कर्ष (सतत परिणाम)

कोहेन के $d$ के लिए निरंतर परिणामों के लिए, लेखकों ने कोवेरिएट एडजस्टमेंट के तहत मार्जिनल ट्रीटमेंट इफेक्ट के एसिम्प्टोटिक वेरिएंस (asymptotic variance) के लिए क्लोज्ड-फॉर्म एक्सप्रेशन प्राप्त किए हैं।

दक्षता (Efficiency): एडजस्टेड एस्टीमेटर का एसिम्प्टोटिक वेरिएंस अन-एडजस्टेड एस्टीमेटर से कभी भी खराब नहीं होता है और अक्सर बेहतर होता है।
दक्षता के चालक: दक्षता में लाभ मुख्य रूप से प्रोग्नोस्टिक प्रभावों द्वारा संचालित होते हैं। वास्तविक प्रेडिक्टिव प्रभाव केवल मामूली अतिरिक्त सुधार में योगदान देते हैं।
सबसे खराब स्थिति (Worst-Case Scenario): एकमात्र परिदृश्य जहाँ कोई दक्षता लाभ प्राप्त नहीं होता है, वह है जब प्रोग्नोस्टिक और प्रेडिक्टिव प्रभाव दोनों का परिमाण समान हो लेकिन दो अलग-अलग ट्रीटमेंट आर्म्स में उनके संकेत (signs) विपरीत हों।

सिमुलेशन अध्ययन

सिमुलेशन सतत, बाइनरी और सर्वाइवल परिणामों के लिए विभिन्न प्रोग्नोस्टिक और प्रेडिक्टिव प्रभावों के साथ किए गए थे।

बायस (Bias): प्रेडिक्टिव प्रभावों की उपस्थिति में भी, अन-एडजस्टेड और एडजस्टेड दोनों मॉडल्स के तहत मार्जिनल ट्रीटमेंट इफेक्ट $\hat{\tau}$ का अनुमान बिना किसी बायस के लगाया गया।
प्रिसिजन (Precision): एडजस्टेड मॉडल (NAMI-HTE) ने अन-एडजस्टेड मार्जिनल इन्फरेंस की तुलना में लगातार छोटे स्टैंडर्ड एरर और उच्च सांख्यिकीय शक्ति (statistical power) प्रदर्शित की।
प्रेडिक्टिव पावर: हालांकि विधि प्रोग्नोस्टिक पैरामीटर्स को सही ढंग से अनुमानित करती है, लेकिन प्रेडिक्टिव प्रभावों का पता लगाने की शक्ति (power to detect predictive effects) वास्तविक सैंपल साइज में सीमित पाई गई (जैसे, मध्यम प्रभावों के लिए <10%, मजबूत प्रभावों के लिए <40%), जो RCTs में इंटरैक्शन का पता लगाने की सामान्य कठिनाई के अनुरूप है।
टाइप I एरर: एम्पिरिकल साइज़ आमतौर पर निर्धारित स्तर के करीब थे, हालांकि छोटे नमूनों के लिए सतत और सर्वाइवल परिणामों में मामूली विचलन देखे गए, जिसका कारण वाल्ड स्टैटिस्टिक (Wald statistic) एप्रोक्सिमेशन है।

अनुप्रयोग: एककुपचर ट्रायल (Acupuncture Trial)

इस विधि को क्रोनिक सिरदर्द के लिए एक एककुपचर के रैंडमाइज्ड ट्रायल ( $N=401$ ) पर लागू किया गया।

परिणामों का पुनरुत्पादन: विधि ने कोवेरिएट एडजस्टमेंट के माध्यम से प्रिसिजन में सुधार करते हुए मूल ट्रायल के निष्कर्षों (यूजुअल केयर की तुलना में एककुपचर का महत्वपूर्ण लाभ) को सफलतापूर्वक पुनरुत्पादित किया।
प्रोग्नोस्टिक रैंकिंग: बेसलाइन सिरदर्द स्कोर को सभी मॉडल्स में लगातार सबसे मजबूत प्रोग्नोस्टिक कारक के रूप में पहचाना गया।
प्रेडिक्टिव रैंकिंग: बेसलाइन सिरदर्द स्कोर प्रेडिक्टिव प्रभाव के लिए भी शीर्ष उम्मीदवार था, जो यह सुझाव देता है कि अधिक गंभीर बेसलाइन दर्द वाले रोगियों को अधिक लाभ हो सकता है। हालांकि, इस इंटरैक्शन की पुष्टि करने के लिए सांख्यिकीय साक्ष्य कमजोर और वितरण संबंधी धारणाओं के प्रति संवेदनशील थे, जो इस डेटासेट में हेटेरोजेनिटी की पुष्टि करने की कठिनाई को उजागर करता है।
मजबूती (Robustness): परिणाम नॉर्मलिटी, फ्लेक्सिबल ट्रांसफॉर्मेशन और ऑर्डिनल आउटकम्स को मानने वाले मॉडल्स के बीच सुसंगत रहे।

महत्व और दावे (Significance and Claims)

यह शोध पत्र यह दावा करता है कि यह मार्जिनल इन्फरेंस और हेटेरोजेनिटी विश्लेषण के बीच के अंतर को पाटता है, और एक एकीकृत ढांचा प्रदान करता है जो:

मार्जिनल व्याख्यात्मकता को सुरक्षित रखता है: मानक नॉनलीनियर रिग्रेशन एडजस्टमेंट्स के विपरीत, प्रस्तावित विधि यह सुनिश्चित करती है कि निर्माण (construction) द्वारा ट्रीटमेंट इफेक्ट एक मार्जिनल एस्टिमेंड बना रहे।
स्पष्ट मात्रा निर्धारण (Explicit Quantification): यह प्रोग्नोस्टिक और प्रेडिक्टिव प्रभावों को एक मानकीकृत स्केल पर स्पष्ट रूप से अलग और मात्रात्मक रूप से परिभाषित करता है, जिससे कोवेरियट्स की सीधी रैंकिंग संभव होती है।
कन्फर्मेटरी इन्फरेंस: यह नियंत्रित टाइप I एरर के साथ ट्रीटमेंट-कोवेरिएट इंटरैक्शन के औपचारिक परिकल्पना परीक्षण के लिए एक ढांचा प्रदान करता है, जो एक्सप्लोरेटरी मशीन लर्निंग दृष्टिकोणों के विपरीत है।
व्यापकता (Generality): यह निरंतर, बाइनरी, ऑर्डिनल और टाइम-टू-इवेंट परिणामों के साथ-साथ विभिन्न सेन्सिंग मैकेनिज्म को एक ही मॉडलिंग संरचना के भीतर एकीकृत करता है।

लेखक विनम्रतापूर्वक सीमाओं को स्वीकार करते हैं, विशेष रूप से विशिष्ट (typical) ट्रायल सैंपल साइज में प्रेडिक्टिव प्रभावों का पता लगाने की कम शक्ति और एक लेटेंट गौसियन कोरिलेशन स्ट्रक्चर पर निर्भरता (जो मूल स्केल पर मोनोटोनिसिटी का संकेत देता है)। वे सुझाव देते हैं कि भविष्य के कार्यों को मॉडल मिसस्पेसिफिकेशन के तहत मजबूती की जांच करनी चाहिए।