Design-based edge-level causal inference with machine learning assisted covariate adjustment

तकनीकी सारांश: मशीन लर्निंग आधारित कोवेरिएट एडजस्टमेंट के साथ डिज़ाइन-आधारित एज-लेवल कॉज़ल इन्फरेंस (Causal Inference)

1. समस्या विवरण (Problem Statement)

यह शोध पत्र डायैडिक इंटरफेरेंस (dyadic interference) के तहत निर्देशित नेटवर्क (directed networks) में एज-लेवल आउटकम्स (edge-level outcomes) के लिए डिज़ाइन-आधारित कॉज़ल इन्फरेंस करने की चुनौती का समाधान करता है। पारंपरिक नोड-लेवल सेटिंग्स के विपरीत, जहाँ परिणाम व्यक्तिगत इकाइयों पर आधारित होते हैं, यहाँ एज-लेवल परिणाम (जैसे संचार की तीव्रता, व्यापार प्रवाह, या रोग संचरण) निर्देशित युग्मों $(i, j)$ पर परिभाषित होते हैं और प्रेषक (sender) ($Z_i$) तथा प्राप्तकर्ता (receiver) ($Z_j$) के संयुक्त उपचार असाइनमेंट (treatment assignments) पर निर्भर करते हैं।

यह सेटिंग एक जटिल निर्भरता संरचना पेश करती है जो मानक अनुमान और निष्कर्ष प्रक्रियाओं को अमान्य कर देती है जो नोड-लेवल डेटा के लिए विकसित की गई हैं। विशेष रूप से:

• निर्भरता (Dependence): साझा एंडपॉइंट्स वाले एज ऑब्जर्वेशन स्वाभाविक रूप से एक-दूसरे पर निर्भर होते हैं, जो मानक सैंपल स्प्लिटिंग में उपयोग किए जाने वाले स्वतंत्रता संबंधी धारणाओं का उल्लंघन करते हैं।
• नोड एग्रीगेशन में पूर्वाग्रह (Bias in Node Aggregation): एज परिणामों को नोड स्तर पर एकत्रित करना (जैसे कि आउटगोइंग इंटरैक्शन को जोड़ना) अक्सर उस विशिष्ट प्रेषक-प्राप्तकर्ता उपचार विन्यास (treatment configuration) की जानकारी को हटा देता है जो एज-लेवल कॉज़ल प्रभावों के निष्पक्ष अनुमान के लिए आवश्यक होती है।
• वैरिएंस अनुमान (Variance Estimation): कॉची-श्वार्ज़ असमानताओं (Cauchy-Schwarz inequalities) पर निर्भर शास्त्रीय वैरिएंस अनुमानक अत्यधिक रूढ़िवादी (conservative) होते हैं क्योंकि वे संभावित परिणामों के सभी क्रॉस-प्रोडक्ट्स को अज्ञात मान लेते हैं, जिससे एज-लेवल संरचना के अद्वितीय पहचान योग्य घटकों की अनदेखी होती है।

2. कार्यप्रणाली (Methodology)

A. ढांचा और अनुमानक (Framework and Estimators)
लेखक एक डिज़ाइन-आधारित ढांचे को अपनाते हैं जहाँ संभावित परिणाम (potential outcomes) और नेटवर्क संरचना स्थिर रहती है, और अनिश्चितता केवल उपचार असाइनमेंट वेक्टर $Z$ से उत्पन्न होती है।

• डायैडिक इंटरफेरेंस धारणा: संभावित परिणाम $Y_{i \to j}$ केवल $(Z_i, Z_j)$ पर निर्भर करता है।
• कॉज़ल एस्टिमैंड्स (Causal Estimands): एक सामान्य वर्ग के एज-लेवल कॉज़ल प्रभावों को $\tau = \sum_{\zeta} \omega(\zeta)\theta(\zeta)$ के रूप में परिभाषित किया गया है, जहाँ $\theta(\zeta)$ उपचार विन्यास $\zeta \in \{(0,0), (0,1), (1,0), (1,1)\}$ के तहत औसत संभावित परिणाम है। यह प्रेषक प्रभाव, प्राप्तकर्ता प्रभाव और कुल प्रभाव जैसे विशिष्ट प्रभावों की अनुमति देता है।
• हॉरविट्ज़-थॉमसन (HT) अनुमानक: लेखक $\theta(\zeta)$ और $\tau$ के लिए HT अनुमानक का निर्माण करते हैं। वे स्थापित करते हैं कि ये अनुमानक निष्पक्ष (unbiased) हैं और सौम्य नियमितता शर्तों (mild regularity conditions) के तहत उनकी एसिम्प्टोटिक नॉर्मलिटी (asymptotic normality) को सिद्ध करते हैं (जैसे सीमित परिणाम, पर्याप्त नेटवर्क कनेक्टिविटी, और नेटवर्क घनत्व $\rho_n$ की विशिष्ट विकास दर)।

B. वैरिएंस अनुमान (Variance Estimation)
शास्त्रीय दृष्टिकोणों की अत्यधिक रूढ़िवादिता से बचने के लिए, शोध पत्र कुछ पहचान योग्य (identifiable) क्रॉस-प्रोडक्ट्स का लाभ उठाकर परिष्कृत वैरिएंस अनुमानक विकसित करता है।

• पहचान नियम (Identifiability Rule): एक क्रॉस-प्रोडक्ट $Y_{i \to j}(z_1, z_2)Y_{i' \to j'}(z_3, z_4)$ तब पहचान योग्य होता है यदि वह एक ही इकाई पर विरोधाभासी उपचार असाइनमेंट लागू नहीं करता है।
• परिष्कृत सीमाएँ (Refined Bounds): पूरी वैरिएंस मैट्रिक्स को डायगोनलाइज करने के बजाय, यह विधि संगत क्रॉस-प्रोडक्ट्स (जैसे कि सुसंगत उपचारों के साथ रेसिप्रोकल एडजेस $Y_{i \to j}Y_{j \to i}$) को बनाए रखती है और शेष असंगत उत्पादों को केवल सीमाबद्ध (bound) करती है। इससे दो अनुमानक प्राप्त होते हैं:
  • $\widehat{var}_{U1}$: एक परिमित-नमूना ऊपरी सीमा (रूढ़िवादी)।
  • $\widehat{var}_{U2}$: एक एसिम्प्टोटिक रूप से रूढ़िवादी लक्ष्य जो बड़े औसत नेटवर्क डिग्री के मामले में $\widehat{var}_{U1}$ की तुलना में कम रूढ़िवादी है।

C. कोवेरिएट एडजस्टमेंट और थ्री-फोल्ड सैंपल स्प्लिटिंग (Covariate Adjustment and Three-Fold Sample Splitting)
दक्षता में सुधार के लिए, शोध पत्र मशीन लर्निंग-सहायता प्राप्त ऑगमेंटेड इनवर्स प्रोबेबिलिटी वेटिंग (AIPW) दृष्टिकोण का उपयोग करके सहायक कोवेरिएट्स (auxiliary covariates) को शामिल करता है।

• चुनौती: एज-लेवल सेटिंग्स में मानक टू-फोल्ड सैंपल स्प्लिटिंग विफल हो जाती है क्योंकि एक एज फोल्ड A के नोड को फोल्ड B के नोड से जोड़ सकता है। एक मॉडल को एक फोल्ड पर प्रशिक्षित करने के लिए दोनों एंडपॉइंट्स से डेटा को बाहर करना होगा ताकि सशर्त स्वतंत्रता सुनिश्चित हो सके, जिससे प्रशिक्षण के लिए डेटा ही नहीं बचेगा।
• समाधान: एक थ्री-फोल्ड सैंपल स्प्लिटिंग और क्रॉस-फिटिंग योजना पेश की गई है। नोड्स को तीन अलग-अलग सेटों ($S_1, S_2, S_3$) में विभाजित किया जाता है। एडजेस को उनके एंडपॉइंट्स की फोल्ड सदस्यता के आधार पर वर्गीकृत किया जाता है (इन-फोल्ड या बिटवीन-फोल्ड)। मॉडल को विशिष्ट फोल्ड संयोजनों पर प्रशिक्षित किया जाता है जो यह सुनिश्चित करते हैं कि प्रशिक्षण डेटा का उस एज के एंडपॉइंट्स के साथ कोई साझा हिस्सा न हो जिसे वह स्वयं प्रस्तुत कर रहा है।
• स्थिरता की स्थिति (Stability Condition): समायोजित अनुमानक की एसिम्प्टोटिक नॉर्मलिटी एक स्थिरता स्थिति पर निर्भर करती है, जिसके लिए यह आवश्यक है कि फिट किए गए मॉडल नेटवर्क के आकार और घनत्व के सापेक्ष पर्याप्त दर से ओरकल फंक्शन (oracle function) की ओर अभिसरण (converge) करें।
• कैलिब्रेशन (Calibration): गैर-रेखीय मशीन लर्निंग मॉडलों के लिए एक कैलिब्रेशन चरण पेश किया गया है ताकि यह गारंटी दी जा सके कि समायोजित अनुमानक अन-एडजस्टेड अनुमानक की तुलना में एसिम्प्टोटिक दक्षता का नुकसान न करे (इसे "डू-नो-हार्म" गुण कहा जाता है)।

3. मुख्य योगदान (Key Contributions)

1. सैद्धांतिक आधार: मौजूदा साहित्य की तुलना में कमजोर नेटवर्क धारणाओं के तहत सामान्य एज-लेवल कॉज़ल प्रभावों के लिए हॉरविट्ज़-थॉमसन अनुमानकों के अभिसरण दर (convergence rates) और सेंट्रल लिमिट थ्योरम की स्थापना।
2. परिष्कृत वैरिएंस अनुमान: पहचान योग्य एज-लेवल निर्भरता संरचनाओं का लाभ उठाने वाले वैरिएंस अनुमानकों का विकास, जो शास्त्रीय कॉची-श्वार्ज़ आधारित दृष्टिकोणों की तुलना में काफी कम रूढ़िवादी सीमाएँ प्रदान करते हैं।
3. थ्री-फोल्ड क्रॉस-फिटिंग: एक अनुकूलित थ्री-फोल्ड सैंपल स्प्लिटिंग प्रक्रिया का परिचय जो एज-लेवल निर्भरता की उपस्थिति में कोवेरिएट एडजस्टमेंट के लिए आवश्यक सशर्त स्वतंत्रता को बहाल करती है, जिससे लचीले मशीन लर्निंग तरीकों का उपयोग संभव होता है।
4. उच्च-आयामी और नॉन-पैरामीट्रिक वैधता: रैखिक मॉडल (जो $d = o(n)$ कोवेरिएट आयाम की अनुमति देता है) और नॉन-पैरामीट्रिक मशीन लर्निंग विधियों दोनों के लिए स्थिरता की स्थिति और दक्षता लाभ सुनिश्चित करने के लिए एक कैलिब्रेशन चरण के साथ सत्यापन।

4. परिणाम (Results)

• सिमुलेशन (Simulations): विभिन्न नेटवर्क आकार, स्पार्सिटी स्तर और डेटा-जेनरेटिंग प्रक्रियाओं (रैखिक और गैर-रैखिक) में व्यापक सिमुलेशन दर्शाते हैं कि:
  • प्रस्तावित अनुमानक निष्पक्ष (unbiased) हैं।
  • कोवेरिएट-एडजस्टेड अनुमानक (Linear Regression, B-Splines, Random Forest) अन-एडजस्टेड अनुमानकों की तुलना में पर्याप्त वैरिएंस रिडक्शन (जैसे गैर-रैखिक सेटिंग्स में रैखिक एडजस्टमेंट की तुलना में ~10% की कमी) प्राप्त करते हैं।
  • दूसरा वैरिएंस अनुमानक ($\widehat{var}_{U2}$) पहले अनुमानक की तुलना में नाममात्र 95% स्तर के करीब कवरेज प्रोबेबिलिटी और छोटी लंबाई वाले कॉन्फिडेंस इंटरवल प्रदान करता है।
  • कैलिब्रेशन चरण प्रभावी रूप से गैर-रैखिक मॉडलों में वैरिएंस इन्फ्लेशन को रोकता है।
• वास्तविक-डेटा अनुप्रयोग: इन विधियों को अरबों निर्देशित किनारों (directed edges) वाले वीचैट चैनल्स (WeChat Channels) के एक बड़े पैमाने के A/B टेस्ट पर लागू किया गया।
  • अध्ययन ने प्रेषक-से-प्राप्तकर्ता इंटरेक्शन की तीव्रता पर अपडेट किए गए फाइन-रैंकिंग फॉर्मूला के प्रभाव का मूल्यांकन किया।
  • रैंडम फॉरेस्ट-एडजस्टेड अनुमानक (Random Forest-adjusted estimator) ने दूसरे वैरिएंस अनुमानक के साथ एक सांख्यिकीय रूप से महत्वपूर्ण सकारात्मक प्रभाव (p-value = 0.049) का पता लगाया, जिसमें अन-एडजस्टेड अनुमानक (0.72%) की तुलना में छोटा स्टैंडर्ड एरर (0.63%) देखा गया, जो व्यावहारिक दक्षता लाभ को प्रदर्शित करता है।

5. महत्व और दावे (Significance and Claims)

यह शोध पत्र निर्देशित नेटवर्क में एज-लेवल परिणामों के लिए एक कठोर, डिज़ाइन-आधारित कॉज़ल इन्फरेंस फ्रेमवर्क प्रदान करने का दावा करता है। इसका प्राथमिक महत्व है:

• अंतराल को भरना: उस पद्धतिगत अंतराल को संबोधित करना जहाँ मानक नोड-लेवल कॉज़ल इन्फरेंस उपकरण जटिल निर्भरता संरचनाओं के कारण सीधे एज-लेवल परिणामों तक विस्तारित नहीं हो पाते हैं।
• दक्षता (Efficiency): यह प्रदर्शित करना कि कोवेरिएट को मशीन लर्निंग के माध्यम से शामिल करना, प्रस्तावित थ्री-फोल्ड स्प्लिटिंग और कैलिब्रेशन के साथ मिलकर, वैधता से समझौता किए बिना अनुमान की सटीकता में उल्लेखनीय सुधार कर सकता है।
• मजबूती (Robustness): ऐसा वैध निष्कर्ष प्रदान करना जो आउटकम मॉडल के सही विनिर्देश (specification) पर निर्भर नहीं करता है, क्योंकि डिज़ाइन-आधारित ढांचा रैंडमाइजेशन को ही अनिश्चितता के एकमात्र स्रोत के रूप में मानता है।
• व्यावहारिक प्रयोज्यता: वास्तविक दुनिया के बड़े पैमाने के प्लेटफॉर्म डेटा पर इस दृष्टिकोण को सत्यापित करना, यह दिखाते हुए कि इन सैद्धांतिक प्रगति को नेटवर्क इंटरैक्शन पर हस्तक्षेपों का मूल्यांकन करने के लिए औद्योगिक सेटिंग्स में तैनात किया जा सकता है।

लेखक स्वीकार करते हैं कि यह ढांचा डायैडिक इंटरफेरेंस (केवल एंडपॉइंट्स पर निर्भरता) को मानता है और एक्सपोज़र मैपिंग के माध्यम से उच्च-क्रम के इंटरफेरेंस (जैसे पड़ोसियों के पड़ोसी) के विस्तार के लिए भविष्य के कार्य के क्षेत्र के रूप में देखते हैं। वे यह भी उल्लेख करते हैं कि नोड-लेवल विश्लेषण की तुलना में एज-लेवल विश्लेषण के लिए अधिक डेटा और कम्प्यूटेशनल आवश्यकताओं की आवश्यकता होती है।