📊 statistics

Calibrated Inference for the Conditional Average Treatment Effect in the Few-Placebo Regime via Gaussian Processes

यह शोध पत्र पहचान करता है कि 'फ्यू-प्लेसबो रिजीम' (few-placebo regime) में कंडीशनल एवरेज ट्रीटमेंट इफेक्ट (CATE) के लिए मानक बेयसियन इन्फरेंस, दुर्लभ आर्म (scarce arm) में अनमॉडलड बायस के कारण अंडर-कवरेज से ग्रस्त होता है, और GP-CATE का प्रस्ताव करता है, जो एक गॉसियन प्रोसेस-आधारित विधि है जो कैलिब्रेटेड अनसर्टेन्टी इंटरवल्स प्राप्त करने के लिए दुर्लभ आर्म की अनिश्चितता को सीधे पोस्टीरियर में शामिल करती है।

मूल लेखक: Eichi Uehara

प्रकाशित 2026-05-28

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Eichi Uehara

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 और यह तय करने की कोशिश कर रहे हैं कि क्या एक नई दवा किसी विशिष्ट रोगी के लिए काम करती है। आपके पास एक क्लिनिकल ट्रायल का डेटा है, लेकिन एक पेच है: ट्रायल में लगभग सभी ने दवा ली, और बहुत कम लोगों ने प्लेसबो (नकली गोली) ली।

इसे पेपर में "फ्यू-प्लेसबो रिजीम" (few-placebo regime) कहा गया है। यह वास्तविक जीवन में अक्सर होता है: शायद कोई दवा इतनी आशाजनक है कि डॉक्टर मरीजों को नकली गोली नहीं देना चाहते, या कोई कंपनी अपने नए वेबसाइट फीचर का परीक्षण करने के लिए एक छोटा "होल्डआउट" समूह चलाती है ताकि राजस्व का अधिक नुकसान न हो।

यह पेपर एक सरल लेकिन महत्वपूर्ण प्रश्न पूछता है: जब हमारे पास प्लेसबो पक्ष में बहुत कम लोग हों, तो क्या हम अपने कंप्यूटर मॉडल द्वारा दिए गए "कॉन्फिडेंस इंटरवल्स" (सुरक्षा मार्जिन) पर भरोसा कर सकते हैं?

यहाँ लेखक ने जो पाया है, उसका विवरण सरल उपमाओं के साथ दिया गया है।

1. समस्या: सुरक्षा जाल में "अंधा मोड़" (Blind Spot)

आमतौर पर, जब हम यह अनुमान लगाने के लिए उन्नत कंप्यूटर मॉडल (जैसे प्रसिद्ध X-Learner) का उपयोग करते हैं कि एक दवा किसी विशिष्ट व्यक्ति की मदद कैसे करती है, तो हम एक "कॉन्फिडेंस इंटरवल" भी निकालते हैं। इस इंटरवल को एक "सुरक्षा जाल" (safety net) के रूप में सोचें। यदि मॉडल कहता है कि दवा रक्तचाप को 10 अंक कम करती है, तो सुरक्षा जाल कह सकता है, "हमें 95% विश्वास है कि वास्तविक प्रभाव 8 और 12 के बीच है।"

लेखकों ने पाया कि "फ्यू-प्लेसबो" की स्थिति में, यह सुरक्षा जाल टूट जाता है। यह दिखता तो है कि यह वहां है, लेकिन वास्तव में यह छेदों से भरा होता है।

उपमा: कल्पना कीजिए कि आप एक जंगल की औसत ऊंचाई का अनुमान लगाने की कोशिश कर रहे हैं। आपने 1,000 लंबे पेड़ों (ट्रीटमेंट ग्रुप) को मापा है लेकिन केवल 30 छोटे पौधों (प्लेसबो ग्रुप) को मापा है।
गलती: मानक कंप्यूटर मॉडल उन 30 छोटे नमूनों के आधार पर "औसत पौधे की ऊंचाई" का अनुमान लगाने की कोशिश करता है। क्योंकि नमूने बहुत कम हैं, मॉडल को एक अनुमान लगाने के लिए डेटा को "स्मूथ" (smooth out) करना पड़ता है। यह स्मूथिंग एक छिपा हुआ बायस (bias - व्यवस्थित त्रुटि) पैदा करती है।
परिणाम: मॉडल एक सुरक्षा जाल की गणना करता है, लेकिन यह उस जाल को गलत स्थान पर केंद्रित करता है। यह लक्ष्य के केंद्र से 5 फीट हटकर जाल फेंकने जैसा है। भले ही जाल चौड़ा हो, फिर भी वह सही उत्तर को चूक जाता है। पेपर इसे "अंडर-कवरेज" (under-coverage) कहता है: मॉडल दावा करता है कि वह 95% आश्वस्त है, लेकिन वास्तव में वह केवल 34% से 88% बार ही सही होता है।

2. क्यों "मानक समाधान" विफल रहा

वैज्ञानिक आमतौर पर इस तरह की त्रुटियों को ठीक करने के लिए एक तरकीब का उपयोग करते हैं। वे "ऑर्थोगोनल स्कोर" (Orthogonal Score) (या डबली-रोबस्ट स्कोर) नामक चीज़ का उपयोग करते हैं। इसे एक विशेष गणितीय फिल्टर के रूप में समझें जिसे त्रुटियों को रद्द करने के लिए डिज़ाइन किया गया है।

लेखकों ने इस फिल्टर को आजमाया, और यह भी विफल रहा। क्यों?

उपमा: कल्पना कीजिए कि कुछ प्लेसबो मरीज एक छोटे, डगमगाते पुल की तरह हैं। मानक फिल्टर एक "मैग्निफाइंग ग्लास" (आवर्धक लेंस) का उपयोग करके उस छोटे पुल को बड़ा दिखाने की कोशिश करता है।
समस्या: क्योंकि पुल बहुत छोटा है, मैग्निफाइंग ग्लास डगमगाहट (वेरिएंस) को भयानक रूप से बड़ा दिखा देता है।
- यदि आप मैग्निफाइंग ग्लास का उपयोग नहीं करते हैं, तो आपको बायस्ड (पक्षपाती) परिणाम मिलता है (पुल टेढ़ा है)।
- यदि आप बायस को ठीक करने के लिए मैग्निफाइंग ग्लास का उपयोग करते हैं, तो पुल इतना अस्थिर (हाई वेरिएंस) हो जाता है कि आप परिणाम पर भरोसा भी नहीं कर सकते।
निष्कर्ष: इस विशिष्ट "फ्यू-प्लेसबो" परिदृश्य में, आप पुराने तरीकों का उपयोग करके सटीकता (accuracy) और परिशुद्धता (precision) दोनों प्राप्त नहीं कर सकते। गणित विफल हो जाता है क्योंकि "पुल" (डेटा) बहुत पतला है।

3. समाधान: GP-CATE ("पूर्ण चित्र" वाला दृष्टिकोण)

लेखक GP-CATE नामक एक नया तरीका प्रस्तावित करते हैं। प्लेसबो समूह के लिए एक एकल "सर्वश्रेष्ठ" संख्या का अनुमान लगाने और फिर उससे सुरक्षा जाल जोड़ने के बजाय, वे पूरे दृष्टिकोण को बदल देते हैं।

पुराना तरीका (पॉइंट एस्टीमेट): "मुझे लगता है कि औसत पौधा 2 फीट लंबा है। यहाँ मेरा सुरक्षा जाल है।" (लेकिन मैं गुप्त रूप से बायस्ड हूँ क्योंकि मैंने केवल 30 पौधे देखे हैं)।
नया तरीका (गौसियन प्रोसेस): "मैं केवल एक संख्या का अनुमान नहीं लगाता। मैं पौधों के क्या होने की संभावनाओं का एक बादल (cloud of possibilities) बनाता हूँ।"
- जहाँ बहुत सारे पौधे हैं (ट्रीटमेंट ग्रुप), वहाँ बादल सघन और संकीकर है।
- जहाँ बहुत कम पौधे हैं (प्लेसबो ग्रुप), वहाँ बादल चौड़ा और धुंधला है।

यह क्यों काम करता है:
नया तरीका स्वीकार करता है, "हे, हमें प्लेसबो समूह के बारे में बहुत कम पता है क्योंकि हमारे पास बहुत कम डेटा पॉइंट्स हैं।" इसलिए, यह अनिश्चितता को दर्शाने के लिए सुरक्षा जाल को चौड़ा कर देता है।

परिणाम: सुरक्षा जाल अब टूटा हुआ नहीं है। यह कैलिब्रेटेड (calibrated) है। यदि यह "95% कॉन्फिडेंस" कहता है, तो यह वास्तव में 95% आश्वस्त है।
ट्रेड-ऑफ (समझौता): चूंकि डेटा कम है, इसलिए सुरक्षा जाल बहुत चौड़ा है।
- पुराना तरीका: "हम 95% आश्वस्त हैं कि प्रभाव 8 और 12 के बीच है।" (झूठी आत्म-भरोसा; यह सच्चाई को चूक जाता है)।
- नया तरीका: "हम 95% आश्वस्त हैं कि प्रभाव 2 और 20 के बीच है।" (सच्चा आत्मविश्वास; यह एक बहुत बड़ी रेंज है, लेकिन यह वास्तव में सच्चाई को पकड़ लेता है)।

4. मुख्य निष्कर्ष (Takeaway)

पेपर का तर्क है कि ऐसी स्थितियों में जहाँ एक पक्ष बहुत छोटा है, परिशुद्धता (precision) से बेहतर ईमानदारी (honesty) है।

यदि आप मानक उपकरणों (जैसे Causal Forest या BART) का उपयोग करते हैं, तो आपको संकीर्ण, सुंदर अंतराल मिलते हैं जो दिखने में अच्छे लगते हैं लेकिन अक्सर गलत होते हैं। यदि आप नए GP-CATE तरीके का उपयोग करते हैं, तो आपको चौड़े, अस्त-व्यस्त अंतराल मिलते हैं जो वास्तव में सही होते हैं।

मूल सबक:
जब आपके पास समीकरण के एक पक्ष के लिए बहुत कम डेटा होता है, तो आप गणित को आपको एक सटीक उत्तर देने के लिए मजबूर नहीं कर सकते। सही परिणाम पाने का एकमात्र तरीका यह है कि आप अपनी अनिश्चितता को कवर करने के लिए अपने "सुरक्षा जाल" को फैलने दें। नया तरीका बिल्कुल यही करता है: यह यह दावा करना बंद कर देता है कि वह जितना जानता है उससे कहीं अधिक जानता है, और ऐसा करके, यह एकमात्र ऐसा तरीका बन जाता है जिस पर भरोसा किया जा सकता है।

तकनीकी सारांश: गाऊसी प्रक्रियाओं (Gaussian Processes) के माध्यम से 'फ्यू-प्लेसबो रिजीम' में CATE के लिए कैलिब्रेटेड इन्फरेंस

समस्या विवरण (Problem Statement)
यह शोध पत्र "फ्यू-प्लेसबो रिजीम" (few-placebo regime) में कैलिब्रेटेड अनिश्चितता अंतराल (uncertainty intervals) के साथ कंडीशनल एवरेज ट्रीटमेंट इफेक्ट (CATE), $\tau(x) = E[Y(1) - Y(0) | X=x]$ , का अनुमान लगाने की चुनौती को संबोधित करता है। यह रिजीम उपचार भुजाओं (treatment arms) के बीच नमूना आकारों में गंभीर असंतुलन द्वारा परिभाषित है ( $N_0 \ll N_1$ ), जो कि असमान-आवंटन वाले नैदानिक परीक्षणों (clinical trials), बजट-बाधित A/B परीक्षणों और दुर्लभ-परिदृश्य अध्ययनों में सामान्य है।

जबकि X-Learner असंतुलित भुजाओं के लिए एक मानक मेटा-लर्नर है, यह केवल एक पॉइंट एस्टीमेट (point estimate) प्रदान करता है। लेखक X-Learner के दूसरे चरण को विश्वसनीय अंतराल (credible intervals) उत्पन्न करने के लिए बेयसियन बनाने के स्वाभाविक विस्तार की जांच करते हैं। वे प्रदर्शित करते हैं कि यह दृष्टिकोण "फ्यू-प्लेसबो रिजीम" में कैलिब्रेटेड कवरेज (अर्थात, अंतराल नाममात्र स्तर पर वास्तविक प्रभाव को कितनी बार समाहित करते हैं) प्रदान करने में विफल रहता है।

विफलता का निदान (Diagnosis of Failure)
शोध पत्र बेयसियन X-Learner अंतरालों के अंडर-कवरेज (under-coverage) के लिए एक संरचनात्मक कारण की पहचान करता है:

प्रथम-क्रम का न्यूसेंस बायस (First-Order Nuisance Bias): X-Learner छद्म-परिणामों (pseudo-outcomes) (जैसे, $D_1 = Y - \hat{\mu}_0(X)$ ) का निर्माण करता है ताकि उपचार प्रभाव का अनुमान लगाया जा सके। चूंकि मशीन लर्निंग न्यूसेंस मॉडल (जैसे रेगुलराइज्ड ट्री) वेरिएंस के बदले बायस (bias) का व्यापार करते हैं, इसलिए $\hat{\mu}_0$ का अनुमान सशर्त रूप से निष्पक्ष (unbiased) नहीं होता है। फलस्वरूप, छद्म-परिणाम का सशर्त माध्य $\tau(x) - b_0(x)$ होता है, जहाँ $b_0(x)$ छोटे कंट्रोल आर्म पर फिट किए गए न्यूसेंस मॉडल का रेगुलराइजेशन बायस है।
पोस्टीरियर विस्थापन (Posterior Displacement): इन बायस्ड छद्म-परिणामों पर बेयसियन रिग्रेशन एक बायस्ड टारगेट ( $\tau - b_0$ ) पर केंद्रित पोस्टीरियर उत्पन्न करता है, न कि वास्तविक प्रभाव पर। चूंकि बायस एक लोकेशन शिफ्ट है, इसलिए पोस्टीरियर वेरिएंस को बढ़ाकर (अंतराल को चौड़ा करके) कवरेज को ठीक नहीं किया जा सकता; अंतराल सत्य से विस्थापित ही रहता है।
ऑर्थोगोनल स्कोर्स की विफलता (Failure of Orthogonal Scores): न्यूसेंस बायस के लिए मानक उपाय—एक नेयमैन-ऑर्थोगोनल, डबली-रोबस्ट (DR) स्कोर का रिग्रेशन करना—लेखक दिखाते हैं कि यह भी फ्यू-प्लेसबो रिजीम में विफल रहता है। यह रिजीम स्वाभाविक रूप से खराब ओवरलैप प्रेरित करता है (कंट्रोल आर्म के लिए छोटा प्रोपेंसिटी, $1-\pi \approx 0$ )। DR स्कोर का "सेकंड-ऑर्डर" शेष भाग (remainder) $1/(1-\pi)^2$ के कारक द्वारा प्रवर्धित हो जाता है, जिससे शेष भाग नगण्य नहीं रह जाता। इसके अलावा, कंट्रोल आर्म के उच्च वेरिएंस को स्थिर करने के लिए इनवर्स-वेरिएंस वेटिंग लागू करना क्रॉस-आर्म कैंसिलेशन मैकेनिज्म को बाधित करता है जो निष्पक्षता सुनिश्चित करता है, जिससे एस्टिमेटर प्रभावी रूप से बायस्ड X-Learner के रूप में वापस आ जाता है।

कार्यप्रणाली: GP-CATE
इन मुद्दों को हल करने के लिए, लेखक GP-CATE प्रस्तावित करते हैं, जो पॉइंट-एस्टीमेट-प्लस-पोस्ट-हॉक-वेरिएंस प्रतिमान को त्यागकर स्वयं न्यूसेंस फंक्शनों के लिए पूर्णतः बेयसियन दृष्टिकोण अपनाता है।

मॉडलिंग: $\hat{\mu}_0$ और $\hat{\mu}_1$ के पॉइंट एस्टीमेट्स को फिट करने के बजाय, GP-CATE प्रत्येक आर्म ( $\mu_0$ और $\mu_1$ ) के लिए आउटकम सरफेस को स्वतंत्र गाऊसी प्रक्रियाओं (GPs) का उपयोग करके मॉडल करता है।
पोस्टीरियर निर्माण: GP एक फुल पोस्टीरियर डिस्ट्रीब्यूशन लौटाता है, जिसमें एक मीन $m_w(x)$ और एक पॉइंटवाइज स्टैंडर्ड डेविएशन $s_w(x)$ शामिल है। अनिश्चितता $s_w(x)$ वहां स्वाभाविक रूप से बड़ी होती है जहां डेटा विरल (sparse) होता है (कंट्रोल आर्म) और वहां छोटी होती है जहां डेटा सघन (dense) होता है।
CATE इन्फरेंस: CATE पोस्टीरियर को दो आर्म पोस्टरियर्स के अंतर के रूप में प्राप्त किया जाता है:
$\tau(x) | D \sim \mathcal{N}(m_1(x) - m_0(x), s_1(x)^2 + s_0(x)^2)$
यह निर्माण सुनिश्चित करता है कि छोटे कंट्रोल आर्म की अनिश्चितता सीधे CATE पोस्टीरियर में वेरिएंस के रूप में प्रवेश करती है, न कि अनमॉडलड बायस के रूप में।
कंप्यूटेशनल रणनीति: जबकि सटीक GPs $O(N^3)$ होते हैं, लेखक नोट करते हैं कि फ्यू-प्लेसो रिजीम में, कंट्रोल आर्म ( $N_0$ ) छोटा है, जिससे इसका सटीक फिट कम्प्यूटेशनल रूप से नगण्य हो जाता है। बड़े ट्रीटमेंट आर्म ( $N_1$ ) के लिए, एक स्केलेबल सरोगेट (जैसे स्पार्स/इंड्यूसिंग-पॉइंट GP) पर्याप्त है क्योंकि कंट्रोल आर्म की अनिश्चितता कुल CATE वेरिएंस पर हावी रहती है।

प्रमुख योगदान

निदान (Diagnosis): यह पेपर स्थापित करता है कि फ्यू-प्लेसो रिजीम में बेयसियन X-Learners में अंडर-कवरेज का कारण नॉन-ऑर्थोगोनल छद्म-परिणामों से होने वाला फर्स्ट-ऑर्डर न्यूसेंस बायस है, जो पोस्टीरियर मीन को विस्थापित कर देता है।
नेगेटिव रिजल्ट: यह प्रदर्शित करता है कि डबली-रोबस्ट/ऑर्थोगोनल-स्कोर उपचार, ओवरलैप प्रवर्धन और दक्षता वेटिंग एवं निष्पक्षता के बीच एक मौलिक संघर्ष के कारण इस रिजीम में विफल रहता है, भले ही प्रोपेंसिटी स्कोर ज्ञात हो।
मूल-कारण विश्लेषण (Root-Cause Analysis): लेखक तर्क देते हैं कि एक "हार्ड-टू-लर्न" न्यूसेंस (जो विरल डेटा पर फिट किया गया है) के पॉइंट एस्टीमेट के साथ वेरिएंस जोड़ना संरचनात्मक रूप से त्रुटिपूर्ण है क्योंकि रेगुलराइजेशन बायस पोस्ट-हॉक वेरिएंस एस्टीमेट्स के लिए अदृश्य होता है।
विधि और अनुभवजन्य सत्यापन: GP-CATE प्रस्तावित किया गया है, जो पॉइंट एस्टीमेट्स को बेयसियन पोस्टरियर्स से बदल देता है। अनुभवजन्य परिणाम दिखाते हैं कि GP-CATE फ्यू-प्लेसो रिजीम में लीनियर, नॉन-लीनियर और सेमी-सिंथेटिक (IHDP) बेंचमार्क में कैलिब्रेटेड कवरेज प्राप्त करने वाला एकमात्र परीक्षण किया गया तरीका है।

प्रायोगिक परिणाम
लेखकों ने तीन डिजाइनों पर Causal Forest, BART, और मानक मेटा-लर्नर्स (X-Learner, DR-Learner) के विरुद्ध GP-CATE का मूल्यांकन किया:

कवरेज: फ्यू-प्लेसो रिजीम ( $N_0=30$ ) में, मानक अंतराल एस्टिमेटर्स गंभीर रूप से अंडर-कवर करते हैं। IHDP बेंचमार्क पर Causal Forest का कवरेज गिरकर 0.34 तक पहुँच गया, और BART 0.59 तक गिरा। इसके विपरीत, GP-CATE ने सभी डिजाइनों और सैंपल साइज में 0.94 और 0.99 के बीच कवरेज बनाए रखा।
अंतराल की चौड़ाई (Interval Width): GP-CATE द्वारा उत्पादित कैलिब्रेटेड अंतराल हाई-डायमेंशनल सेटिंग्स में अन्य विकल्पों की तुलना में काफी चौड़े हैं। लेखक तर्क देते हैं कि यह एक फीचर है, बग नहीं: GP-CATE के चौड़े अंतराल विरल डेटा से सतह का अनुमान लगाने में निहित उच्च अनिश्चितता को सही ढंग से दर्शाते हैं, जबकि अन्य तरीकों के संकीर्ण अंतराल मिसकैलिब्रेटेड होते हैं।
पॉइंट सटीकता: GP-CATE पॉइंट एस्टिमेशन सटीकता ( $\sqrt{\epsilon PEHE}$ द्वारा मापा गया) में प्रतिस्पर्धी बना हुआ है, और अक्सर Causal Forest और BART को मात देता है या उनके बराबर रहता है, विशेष रूप से जैसे-जैसे $N_0$ बढ़ता है।

महत्व और दावे
पेपर दावा करता है कि फ्यू-प्लेसो रिजीम एक संरचनात्मक सीमा का प्रतिनिधित्व करता है जहाँ मानक एसिम्प्टोटिक ओरकल गुण (जो फिक्स्ड ओवरलैप मानते हैं) टूट जाते हैं। इस कार्य का महत्व इस पहचान में निहित है कि इस रिजीम में कैलिब्रेटेड इन्फरेंस के लिए एक पूर्ण बेयसियन न्यूसेंस मॉडल की आवश्यकता होती है, न कि एक सुधारे गए वेरिएंस वाले पॉइंट एस्टीमेट की।

लेखक अपने योगदान को एक नवीन एस्टिमेटर आर्किटेक्चर के रूप में नहीं, बल्कि एक डायग्नोस्टिक अंतर्दृष्टि के रूप में प्रस्तुत करते हैं (यह नोट करते हुए कि GPs के साथ बेयसियन T-learner, Alaa और van der Schaar, 2017 के पिछले कार्यों के समान है)। GP-CATE को उस एस्टिमेटर के रूप में प्रस्तुत किया गया है जिसकी आवश्यकता मूल-कारण विश्लेषण (root-cause analysis) द्वारा की गई है। पेपर निष्कर्ष निकालता है कि चिकित्सकों को imbalanced सेटिंग्स में GP-CATE को प्राथमिकता देनी चाहिए, और डेटा की कमी के ईमानदार प्रतिबिंब के रूप में व्यापक अंतरालों को स्वीकार करना चाहिए, बजाय इसके कि वे मानक तरीकों के संकीर्ण, मिसकैलिब्रेटेड अंतरालों पर भरोसा करें।

1. समस्या: सुरक्षा जाल में "अंधा मोड़" (Blind Spot)

2. क्यों "मानक समाधान" विफल रहा

3. समाधान: GP-CATE ("पूर्ण चित्र" वाला दृष्टिकोण)

4. मुख्य निष्कर्ष (Takeaway)

इसी तरह के और पेपर