📊 statistics

Outcome-Calibrated Regression and Predicted Outcome-Based Inference

यह शोध पत्र आउटकम-कैलिब्रेटेड रिग्रेशन (OCR) को प्रस्तुत करता है, जो एक नया ढांचा है जो आउटकम वेरिएबल के संबंध में ऑर्डिनरी लीस्ट स्क्वायर्स (OLS) में निहित व्यवस्थित कंडीशनल प्रेडिक्शन बायस (conditional prediction bias) को ठीक करता है, जिससे ब्रेन-एज विश्लेषण और कॉज़ल इन्फरेंस (causal inference) जैसे अनुप्रयोगों में प्रेडिक्टेड आउटकम्स का उपयोग करते समय वैध वैज्ञानिक निष्कर्ष निकालना संभव हो जाता है।

मूल लेखक: Hwiyoung Lee, Shuo Chen

प्रकाशित 2026-05-29

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Hwiyoung Lee, Shuo Chen

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 मौसम विज्ञानी (weather forecaster) हैं। आपका काम वर्तमान डेटा जैसे कि आर्द्रता (humidity), हवा की गति और बादलों के आवरण के आधार पर कल के तापमान की भविष्यवाणी करना है।

सांख्यिकी (statistics) की दुनिया में, यह करने का मानक तरीका है जिसे ऑर्डिनरी लीस्ट स्क्वायर्स (OLS) कहा जाता है। यह "गोल्ड स्टैंडर्ड" है जिसका उपयोग वैज्ञानिक पीढ़ियों से करते आए हैं क्योंकि यह सरल है और आमतौर पर एक बहुत अच्छा औसत उत्तर देता है।

हालाँकि, यह शोध पत्र बताता है कि OLS कैसे काम करता है, इसमें एक छिपी हुई खामी है, विशेष रूप से जब आप इनपुट के बजाय परिणामों को देखते हैं।

समस्या: "शर्मीला" भविष्यवक्ता

लेखक OLS को एक "शर्मीले" भविष्यवक्ता के रूप में वर्णित करते हैं। यहाँ इसका उपमा (analogy) दी गई है:

सच्चाई: कल्पना कीजिए कि वास्तविक तापमान -10°C की ठंड से लेकर 40°C की भीषण गर्मी तक रहता है।
OLS की भविष्यवाणी: जब वास्तविक तापमान 40°C होता है, तो OLS मॉडल कुछ ऐसा अनुमान लगाता है जैसे 35°C। जब वास्तविक तापमान -10°C होता है, तो यह -5°C जैसा कुछ बताता है।

ऐसा क्यों होता है? क्योंकि OLS औसतन अपनी गलतियों को कम करने की कोशिश करता है। चरम दिनों (extreme days) पर बहुत अधिक गलत होने से बचने के लिए, यह अपनी भविष्यवाणियों को बीच (औसत तापमान) की ओर खींच लेता है।

परिणाम: यह व्यवस्थित रूप से गर्म दिनों को कम आंकता (underestimates) है और ठंडे दिनों को अधिक आंकता (overestimates) है।
वैज्ञानिक शब्द: इसे "रिग्रेशन टू द मीन" (Regression to the Mean) कहा जाता है।

पत्र का तर्क है कि हालांकि केवल एक एकल भविष्यवाणी करने के लिए यह ठीक हो सकता है, लेकिन यदि आप उन भविष्यवाणियों का उपयोग आगे की वैज्ञानिक खोजें करने के लिए करते हैं, तो यह एक आपदा बन जाता है।

डोमिनो प्रभाव: यह क्यों मायने रखता है

मान लीजिए कि आप "अनुमानित तापमान" और "आइसक्रीम की बिक्री" के बीच संबंध का अध्ययन करना चाहते हैं।

वास्तविक दुनिया: 40°C के दिन पर, लोग 1,000 आइसक्रीम खरीदते हैं। -10°C के दिन पर, वे 0 खरीदते हैं।
OLS की दुनिया: क्योंकि मॉडल "शर्मीला" था, इसने आपको बताया कि 40°C वाला दिन केवल 35°C था। इसलिए, आप सोचते हैं, "ओह, 35°C पर, लोग केवल 800 आइसक्रीम खरीदते हैं।"
परिणाम: जब आप यह देखने के लिए अपना गणित चलाते हैं कि तापमान आइसक्रीम की बिक्री को कैसे प्रभावित करता है, तो आपके परिणाम कमजोर दिखाई देते हैं। आप निष्कर्ष निकालते हैं कि तापमान उतना महत्वपूर्ण नहीं है जितना कि वास्तव में है। आपने सच्चाई को कमजोर (diluted) कर दिया है।

शोध पत्र दिखाता है कि ब्रेन-एज विश्लेषण (brain-age analysis) (मस्तिष्क की आयु का अनुमान लगाना) या कॉज़ल इन्फरेंस (causal inference) (यह पता लगाना कि क्या कोई दवा काम करती है) जैसे क्षेत्रों में, इन "शर्मीली" भविष्यवाणियों का उपयोग करने से वैज्ञानिक संबंधों की ताकत को कम आंकते हैं और गलत निष्कर्ष निकालते हैं।

समाधान: "आत्मविश्वासी" भविष्यवक्ता (OCR)

लेखक एक नई विधि प्रस्तावित करते हैं जिसे आउटकम-कैलिब्रेटेड रिग्रेशन (OCR) कहा जाता है।

सोचिए कि OCR एक ऐसा भविष्यवक्ता है जो शर्मीला होने से इनकार करता है।

यदि वास्तविक तापमान 40°C है, तो OCR बिल्कुल 40°C की भविष्यवाणी करता है।
यदि वास्तविक तापमान -10°C है, तो OCR बिल्कुल -10°C की भविष्यवाणी करता है।

यह भविष्यवाणियों को औसतन वास्तविक परिणामों के साथ पूरी तरह से संरेखित होने के लिए मजबूर करता है। यह संख्याओं को बीच की ओर नहीं खींचता।

यह कैसे काम करता है (सरल रूप में):
शोध पत्र मानक OLS मॉडल को समायोजित करने के लिए एक गणितीय "नुस्खा" (closed-form solution) प्रदान करता है। यह गणना के दौरान एक विशिष्ट बाधा (constraint) जोड़ता है जो कहती है: "चाहे इनपुट कुछ भी हो, यदि वास्तविक परिणाम उच्च है, तो आपकी भविष्यवाणी उच्च होनी चाहिए। यदि वास्तविक परिणाम कम है, तो आपकी भविष्यवाणी कम होनी चाहिए।"

प्रतिफल (The Payoff)

मानक OLS के बजाय OCR का उपयोग करके:

कोई सिकुड़न नहीं (No More Shrinkage): भविष्यवाणियां औसत की ओर सिकुड़ना बंद कर देती हैं।
वास्तविक संबंध: जब वैज्ञानिक इन नई भविष्यवाणियों का उपयोग अन्य चरों (जैसे मस्तिष्क आयु बनाम रोग का जोखिम) का अध्ययन करने के लिए करते हैं, तो उन्हें संबंधों की वास्तविक ताकत मिलती है, न कि एक कमजोर संस्करण।
वैध विज्ञान: यह "डाउनस्ट्रीम बायस" (downstream bias) को ठीक करता है, जिससे यह सुनिश्चित होता है कि अनुमानित डेटा से निकाले गए निष्कर्ष वास्तव में सही हैं।

सारांश उपमा

OLS उस छात्र की तरह है जो 'F' ग्रेड पाने से डरता है, इसलिए वह हमेशा 'B' का अनुमान लगाता है, भले ही उत्तर स्पष्ट रूप से 'A' या 'C' हो। वह औसतन सुरक्षित है, लेकिन वह चरम स्थितियों (extremes) को चूक जाता है।
OCR उस छात्र की तरह है जो उत्तर कुंजी को देखता है और अपने अनुमानों को पूरी तरह से चरम स्थितियों के साथ मिलाने के लिए मजबूर करता है।
शोध पत्र का दावा: यदि आप छात्र की समझ के विषय वस्तु (material) को उनके टेस्ट स्कोर के आधार पर ग्रेड करने की कोशिश कर रहे हैं (inference), तो "शर्मीला" छात्र (OLS) आपको यह सोचने पर मजबूर करता है कि वे जितना जानते हैं उससे कम जानते हैं। "आत्मविश्वासी" छात्र (OCR) वास्तविक तस्वीर पेश करता है।

यह पत्र सिद्ध करता है कि इस नए "आत्मविश्वासी" तरीके में स्विच करके, वैज्ञानिक जीव विज्ञान और चिकित्सा जैसे क्षेत्रों में अपनी खोजों की शक्ति को कम आंकना बंद कर सकते हैं।

तकनीकी सारांश: परिणाम-कैलिब्रेटेड रिग्रेशन और प्रेडिक्टेड आउटकम-आधारित इन्फरेंस

समस्या विवरण
साधारण न्यूनतम वर्ग (Ordinary Least Squares - OLS) रिग्रेशन वैज्ञानिक निष्कर्ष (scientific inference) के लिए एक मानक उपकरण है, जिसे गॉस-मार्कोव प्रमेय के तहत 'बेस्ट लीनियर अनबायस्ड एस्टिमेटर' (BLUE) के रूप में सराहा जाता है। यह गुण सुनिश्चित करता है कि भविष्यवाणियाँ कोवेरिएट्स ( $X$ ) के सापेक्ष सशर्त रूप से निष्पक्ष (conditionally unbiased) हैं, अर्थात $E(\hat{Y} - Y | X = x) = 0$ । हालांकि, लेखक एक महत्वपूर्ण, अक्सर अनदेखी की जाने वाली कमी की पहचान करते हैं: OLS भविष्यवाणियाँ सामान्यतः आउटकम ( $Y$ ) के सापेक्ष सशर्त रूप से निष्पक्ष नहीं होती हैं।

मीन स्क्वेर्ड एरर (mean squared error) के न्यूनीकरण के कारण, OLS भविष्यवाणियाँ व्यवस्थित रूप से आउटकम के जनसंख्या माध्य ( $\mu_Y$ ) की ओर सिकुड़ जाती हैं। इसके परिणामस्वरूप एक "रिग्रेशन-टू-द-मीन" (RTM) घटना उत्पन्न होती है, जहाँ बड़े आउटकम मानों का कम अनुमान लगाया जाता है और छोटे आउटकम मानों का अधिक अनुमान लगाया जाता है। गणितीय रूप से, सशर्त भविष्यवाणी पूर्वाग्रह (conditional prediction bias) $E(\hat{Y}_{OLS} - Y | Y = y) = (\eta_{OLS} - 1)(y - \mu_Y)$ है, जहाँ $\eta_{OLS} < 1$ वास्तविक परिणामों पर भविष्यवाणियों के रिग्रेशन का जनसंख्या ढलान (population slope) है (जो कि जनसंख्या $R^2$ के बराबर है)।

यह पूर्वाग्रह प्रेडिक्टेड आउटकम-आधारित इन्फरेंस के लिए एक गैर-नगण्य समस्या पैदा करता है, जो मस्तिष्क-आयु विश्लेषण (brain-age analysis), पॉलीजेनिक रिस्क स्कोर अध्ययन, और कारण संबंधी निष्कर्ष (causal inference) जैसे क्षेत्रों में एक सामान्य अभ्यास है, जहाँ वास्तविक आउटकम $Y$ अप्रोक्षित है या उसे मापना महंगा है, और इन्फरेंस का कार्य $\hat{Y}$ के विरुद्ध एक चर $W$ का उपयोग करके किया जाता है। लेखक प्रदर्शित करते हैं कि यह संकुचन (shrinkage) डाउनस्ट्रीम विश्लेषण में फैलता है, जिससे $\hat{Y}$ और $W$ के बीच अनुमानित संबंध व्यवस्थित रूप से क्षीण (attenuate) हो जाता है, जिससे पक्षपाती प्रभाव अनुमान (biased effect estimates) और संभावित रूप से त्रुटिपूर्ण वैज्ञानिक निष्कर्ष निकलते हैं।

कार्यप्रणाली: आउटकम-कैलिब्रेटेड रिग्रेशन (OCR)
इसे हल करने के लिए, लेखक आउटकम-कैलिब्रेटेड रिग्रेशन (OCR) का प्रस्ताव करते हैं, जो मॉडल फिटिंग के दौरान सीधे आउटकम-कंडीशनल अनबायस्डनेस (outcome-conditional unbiasedness) को लागू करता है।

कैलिब्रेशन बाधाएं (Calibration Constraints): यह विधि रिग्रेशन गुणांकों $\beta$ पर दो रैखिक समानता बाधाएं (linear equality constraints) लागू करती है:
- यूनिट स्लोप (Unit Slope): प्रेक्षित परिणामों पर भविष्यवाणियों के रिग्रेशन का ढलान 1 होना चाहिए ( $\hat{\eta} = 1$ )। यह सुनिश्चित करता है कि भविष्यवाणियों और वास्तविक अवलोकनों के बीच सहप्रसरण (covariance), अवलोकनों के प्रसरण (variance) के बराबर हो।
- जीरो इंटरसेप्ट (Zero Intercept): इस कैलिब्रेशन रिग्रेशन का इंटरसेप्ट 0 होना चाहिए ( $\hat{\alpha} = 0$ )। यह सुनिश्चित करता है कि फिट किए गए मानों का माध्य, प्रेक्षित परिणामों के माध्य के बराबर हो।
क्लोज्ड-फॉर्म सॉल्यूशन (Closed-Form Solution): OCR को एक बाधित न्यूनतम वर्ग (constrained least squares) समस्या के रूप में तैयार किया गया है:
$\hat{\beta}_{OCR} = \arg\min_{\beta} \frac{1}{2n}\|y - X\beta\|_2^2 \quad \text{सर्त: } A\beta = c$
जहाँ $A\beta = c$ स्लोप और इंटरसेप्ट बाधाओं को दर्शाता है। लेखक लैग्रेंज मल्टीप्लायर्स (Lagrange multipliers) का उपयोग करके एक क्लोज्ड-फॉर्म समाधान निकालते हैं, जो यह दर्शाता है कि OCR एस्टिमेटर, OLS एस्टिमेटर का एक रैखिक समायोजन (linear adjustment) है:
$\hat{\beta}_{OCR} = \hat{\beta}_{OLS} - K(A\hat{\beta}_{OLS} - c)$
यहाँ, $K$ एक कैलिब्रेशन करेक्शन मैट्रिक्स के रूप में कार्य करता है जो OLS एस्टिमेटर के बाधा उल्लंघन (constraint violation) को गुणांक समायोजन में मैप करता है।
सैद्धांतिक गुण (Theoretical Properties):
- प्रतिबंधित गॉस-मार्कोव (Constrained Gauss-Markov): उन सभी रैखिक निष्पक्ष एस्टिमेटर्स के बीच जो कैलिब्रेशन बाधाओं को संतुष्ट करते हैं, $\hat{\beta}_{OCR}$ का प्रसरण (variance) न्यूनतम है।
- डाउनस्ट्रीम अनबायस्डनेस (Downstream Unbiasedness): इस धारणा के तहत कि अवशेष $(\hat{Y}_{OCR} - Y)$ $Y$ के सापेक्ष बाहरी चर $W$ से स्वतंत्र है, $\hat{Y}_{OCR}$ का $W$ पर रिग्रेशन बिना किसी क्षीणन (attenuation) के वास्तविक जनसंख्या गुणांक $\theta$ को पुनः प्राप्त करता है।
- इन्फरेंस (Inference): शोध पत्र $\hat{\beta}_{OCR}$ के वेरियेंस-कोवेरिएंस मैट्रिक्स, स्टैंडर्ड एरर, और वैध कॉन्फिडेंस/प्रेडिक्शन इंटरवल के लिए सूत्र प्रदान करता है, यह नोट करते हुए कि पैरामीटर स्पेस के प्रतिबंधित होने के कारण इसका प्रसरण आमतौर पर OLS की तुलना में अधिक नहीं होता है।

प्रमुख परिणाम
लेखक विभिन्न नमूना आकारों ( $n$ ), प्रेडिक्टर आयामों ( $p$ ), और शोर स्तरों ( $\sigma$ ) केAcross विभिन्न परिदृश्यों में OLS के मुकाबले OCR का सिमुलेशन अध्ययनों के माध्यम से सत्यापन करते हैं।

कैलिब्रेशन: जबकि OLS ने लगातार कैलिब्रेशन स्लोप ( $\hat{\eta}$ ) प्रदर्शित किया जो 1 से काफी कम था (शोर के आधार पर 0.335 से 0.837 के बीच), OCR ने सभी परिदृश्यों में सटीक कैलिब्रेशन ( $\hat{\eta} = 1.000, \hat{\alpha} = 0$ ) प्राप्त किया।
डाउनस्ट्रीम इन्फरेंस: वास्तविक जुड़ाव $\theta$ $θ$ का अनुमान लगाने के लिए एक बाहरी चर $W$ $W$ पर प्रेडिक्टेड आउटकम्स को रिग्रेट करने पर:
- OLS: गंभीर रूप से पक्षपाती अनुमान उत्पन्न किए (Bias $\approx -0.50$ ) जिसमें 95% कॉन्फिडेंस इंटरवल का एम्पिरिकल कवरेज 0% था। बायस-टू-स्टैंडर्ड डेविएशन अनुपात अत्यंत उच्च था, जो दर्शाता है कि व्यवस्थित पूर्वाग्रह (systematic bias) सैंपलिंग परिवर्तनशीलता (sampling variability) पर हावी था।
- OCR: लगभग निष्पक्ष अनुमान उत्पन्न किए ($|Bias| < 0.25$, अक्सर इससे भी बहुत कम) जिसमें नाममात्र 95% के करीब एम्पिरिकल कवरेज दर (95.2% से 98.6% के बीच) देखी गई।
ट्रेड-ऑफ (Trade-off): कैलिब्रेशन बाधाओं को लागू करने के परिणामस्वरूप भविष्यवाणियों के लिए स्वयं का मीन स्क्वेर्ड एरर (MSE), विशेष रूप से उच्च शोर की स्थितियों में, OLS की तुलना में अधिक होता है। हालांकि, यह बढ़ता हुआ प्रेडिक्शन एरर, डाउनस्ट्रीम इन्फरेंस में व्यवस्थित पूर्वाग्रह को समाप्त करने के लिए आवश्यक लागत है।

महत्व और दावे
लेखक दावा करते हैं कि OLS में रिग्रेशन-टू-द-मीन पूर्वाग्रह एक पद्धति की अंतर्निहित विशेषता है, न कि केवल सीमित-नमूना (finite-sample) आर्टिफैक्ट, और इसके परिणाम डाउनस्ट्रीम इन्फरेंस के लिए अब तक अनिश्चित रहे हैं।

OCR का महत्व उन स्थितियों में वैध सांख्यिकीय निष्कर्ष (valid statistical inference) सक्षम करने की इसकी क्षमता में निहित है जब प्रेडिक्टेड आउटकम्स का उपयोग अनऑब्जर्व्ड ग्राउंड ट्रुथ के सरोगेट के रूप में किया जाता है। लेखक कहते हैं कि OCR विशेष रूप से प्रासंगिक है:

प्रेडिक्टेड एक्सपोजर या आउटकम के साथ कारण प्रभाव (causal effect) अनुमान के लिए।
ब्रेन-एज गैप विश्लेषण और जैविक आयु घड़ियों (biological aging clocks) के लिए।
पॉलीजेनिक रिस्क स्कोर एसोसिएशन अध्ययनों के लिए।
टू-सैंपल मेंडेलियन रैंडमाइजेशन के लिए।
फेडरेटेड या ट्रांसफर लर्निंग सेटिंग्स में जहाँ केवल मॉडल भविष्यवाणियाँ साझा की जाती हैं।

मानक OLS भविष्यवाणियों को OCR-सुधारित भविष्यवाणियों से बदलकर, शोधकर्ता रिग्रेशन-टू-द-मीन के कारण होने वाले व्यवस्थित क्षीणन (systematic attenuation) को समाप्त कर सकते हैं, जिससे डाउनस्ट्रीम वैज्ञानिक निष्कर्षों में पूर्वाग्रह को कम किया जा सकता है। लेखक OCR को सभी संदर्भों में OLS के विकल्प के रूप में नहीं, बल्कि विशेष रूप से तब एक आवश्यक ढांचे के रूप में प्रस्तुत करते हैं जब लक्ष्य प्रेडिक्टेड आउटकम्स के आधार पर इन्फरेंस करना हो।

समस्या: "शर्मीला" भविष्यवक्ता

डोमिनो प्रभाव: यह क्यों मायने रखता है

समाधान: "आत्मविश्वासी" भविष्यवक्ता (OCR)

प्रतिफल (The Payoff)

सारांश उपमा

इसी तरह के और पेपर