Identification, Estimation, and Inference for Sequential Causally Ordered Mediation Pathways

तकनीकी सारांश: क्रमिक रूप से कारण-क्रमित मध्यस्थ मार्गों (Sequential Causally Ordered Mediation Pathways) के लिए पहचान, अनुमान और निष्कर्ष

समस्या विवरण
मध्यस्थता विश्लेषण (Mediation analysis) यह समझने के लिए आवश्यक है कि एक्सपोज़र (exposures) मध्यवर्ती मार्गों के माध्यम से परिणामों को कैसे प्रभावित करते हैं। जबकि एकल-मध्यस्थ सेटिंग्स के लिए विधियाँ अच्छी तरह से स्थापित हैं, क्रमबद्ध रूप से व्यवस्थित कई मध्यस्थों (SCOMs) को संभालने के लिए कठोर उपकरण अभी भी अपरिपक्व हैं। यह अंतराल अनुदैर्ध्य कोहॉर्ट अध्ययनों (जैसे, स्वास्थ्य के विकासात्मक मूल) में महत्वपूर्ण है जहाँ एक्सपोज़र मध्यस्थों की जटिल, समय-निर्भर श्रृंखलाओं के माध्यम से कार्य करते हैं। मौजूदा साहित्य ने मुख्य रूप से SCOM सेटिंग्स में अनुमान पर ध्यान केंद्रित किया है, लेकिन इसमें मजबूत परिकल्पना परीक्षण ढांचे का अभाव है। मानक परीक्षण (जैसे, सोबेल टेस्ट, MaxP) मध्यस्थता प्रभावों के लिए अत्यधिक रूढ़िवादी (conservative) टाइप I त्रुटि नियंत्रण से ग्रस्त हैं क्योंकि वे एक संयुक्त शून्य परिकल्पना (composite null hypothesis) पर आधारित होते हैं (जहाँ $\alpha=0, \eta\neq0$; $\alpha\neq0, \eta=0$; या $\alpha=0, \eta=0$ के विभिन्न विन्यासों के माध्यम से उत्पाद शून्य होता है)। ये परीक्षण सांख्यिकीयों के गैर-विशिष्ट सीमित वितरण (non-unique limiting distributions) को ध्यान में रखने में विफल रहते हैं, जिससे शक्ति (power) की कमी या अमान्य निष्कर्ष निकलता है।

कार्यप्रणाली
लेखक $K$ क्रम के क्रमिक रूप से कारण-क्रमित मध्यस्थों (SCOM(K)) के लिए एक व्यापक ढांचा प्रस्तावित करते हैं, जिसमें निरंतर और श्रेणीबद्ध परिणामों के लिए पहचान, अनुमान और निष्कर्ष शामिल हैं।

1. पहचान ढांचा (Identification Framework):

   • लेखक एक सामान्यीकृत संरचनात्मक समीकरण मॉडल (G-SEM) को परिभाषित करते हैं जहाँ मध्यस्थ $M_1, \dots, M_K$ एक सख्त कारण क्रम ($M_1 \to M_2 \to \dots \to M_K$) का पालन करते हैं।
   • पोटेंशियल आउटकम्स प्रतिमान (potential outcomes paradigm) का उपयोग करते हुए, वे कुल प्रभाव को पथ-विशिष्ट प्रभावों में विभाजित करते हैं। पहचान संबंधी बाधाओं (विशेष रूप से कुछ व्यक्तिगत पथों के लिए आवश्यक "क्रॉस-वर्ल्ड" स्वतंत्रता धारणा) के कारण, लेखक संयुक्त पथ प्रभावों (composite pathway effects) पर ध्यान केंद्रित करते हैं।
   • प्रत्येक मध्यस्थ $M_k$ के लिए, वे एक संयुक्त प्रभाव $\tau^\dagger_k(S \to M_k \rightsquigarrow Y)$ को परिभाषित करते हैं, जो एक्सपोज़र $S$ से परिणाम $Y$ तक के सभी कारण मार्गों को एकत्रित करता है (चाहे उसके बाद के मध्यस्थ कुछ भी हों)।
   • मानक क्रमिक अनोपलब्धता (sequential ignorability) और निरंतरता धारणाओं के तहत, वे सशर्त वितरणों पर नेस्टेड इंटीग्रल्स (nested integrals) का उपयोग करके इन संयुक्त प्रभावों के लिए पहचान सूत्र प्राप्त करते हैं।

2. अनुमान (Estimation):

   • लेख में रैखिक मॉडलों (निरंतर परिणामों), प्रोबिट मॉडलों (बाइनरी परिणामों) और लॉग-लीनियर मॉडलों (काउंट परिणामों) के लिए अधिकतम संभावना अनुमान (Maximum Likelihood Estimation - MLE) प्रक्रियाओं को विकसित किया गया है।
   • बाइनरी परिणामों के लिए, प्रोबिट मॉडलों के लिए बंद-रूप (closed-form) अभिव्यक्तियाँ प्राप्त की गई हैं; लॉजिस्टिक मॉडलों के लिए, क्लोज्ड फॉर्म प्राप्त करने के लिए एक 'रेयर आउटकम एप्रोक्सिमेशन' का उपयोग किया गया है।
   • लेखक पथ गुणांकों ($\alpha_k$) और संयुक्त पथ प्रभावों ($\eta_{M_k \rightsquigarrow Y}$) के अनुमानकों की संयुक्त स्पर्शोन्मुखी सामान्यता (joint asymptotic normality) को स्थापित करते हैं, और यह सिद्ध करते हैं कि इन दो घटकों के अनुमानक स्पर्शोन्मुखी रूप से स्वतंत्र हैं।

3. निष्कर्ष (Inference - SOMET):

   • संयुक्त शून्य परिकल्पना $H_0: \alpha_k \eta_{M_k \rightsquigarrow Y} = 0$ को संबोधित करने के लिए, लेखक क्रमिक रूप से क्रमित मध्यस्थता प्रभाव परीक्षण (SOMET) पेश करते हैं।
   • तंत्र: SOMET एक $Q$-फोल्ड डेटा-विभाजन रणनीति का उपयोग करता है। डेटा को $Q$ विलगित (disjoint) उपसमुच्चयों में विभाजित किया जाता है। प्रत्येक उपसमुच्चय के लिए एक सोबेल-टाइप सांख्यिकीय (Sobel-type statistic) की गणना की जाती है। इन सांख्यिकीयों का औसत निकाला जाता है और उन्हें स्टूडेंट के $t$-सांख्यिकीय में परिवर्तित किया जाता है।
   • सैद्धांतिक लाभ: डेटा विभाजन का उपयोग करके, यह विधि गैर-विशिष्ट स्पर्शोन्मुखी प्रसरणों (asymptotic variances) पर निर्भरता को समाप्त कर देती है। प्रमेय 3 स्थापित करता है कि संयुक्त शून्य के तहत, परीक्षण सांख्यिकीय $Q-1$ डिग्री ऑफ फ्रीडम के साथ स्टूडेंट के $t$-वितरण की ओर अभिसरित होता है, चाहे शून्य का विशिष्ट विन्यास कुछ भी हो (अर्थात, चाहे $\alpha_k=0$, $\eta=0$, या दोनों)। यह बिना किसी पूर्व ज्ञान के वैध टाइप I त्रुटि नियंत्रण सुनिश्चित करता है।
   • शक्ति संवर्धन (Power Enhancement): विभाजनों में छोटे नमूना आकार के कारण होने वाली शक्ति की हानि को कम करने के लिए, लेखक विभाजन प्रक्रिया को $B$ बार दोहराने और कॉची कॉम्बिनेशन टेस्ट (Cauchy combination test) का उपयोग करके $p$-मानों को एकत्रित करने का प्रस्ताव करते हैं, जो मनमाने ढंग से निर्भरता के तहत भी वैध रहता है।

प्रमुख परिणाम

• सिमुलेशन अध्ययन: रैखिक, लॉजिस्टिक और प्रोबिट मॉडलों में व्यापक सिमुलेशन दर्शाते हैं कि SOMET सभी शून्य विन्यासों ($H_{01}, H_{02}, H_{03}$) के तहत वैध टाइप I त्रुटि नियंत्रण बनाए रखता है, जबकि मौजूदा बेंचमार्क (सोबेल, MaxP, और उनके बूटस्ट्रैप वेरिएंट) या तो अत्यधिक रूढ़िवादी हैं या विशिष्ट शून्य परिदृश्यों (विशेष रूप से जब दोनों पैरामीटर शून्य हों) के तहत त्रुटि दर को नियंत्रित करने में विफल रहते हैं।
• सांख्यिकीय शक्ति (Statistical Power): SOMET, पारंपरिक परीक्षणों की तुलना में संयुक्त मध्यस्थता प्रभावों का पता लगाने में लगातार उच्च सांख्यिकीय शक्ति प्रदर्शित करता है, विशेष रूप से उन परिदृश्यों में जहाँ पारंपरिक परीक्षण रूढ़िवादी होते हैं।
• अनुप्रयोगात्मक अनुप्रयोग:
  • मधुमेह जोखिम (All of Us डेटा): BMI और शारीरिक गतिविधि द्वारा मध्यस्थता वाले परिवार के मधुमेह इतिहास के मधुमेह की शुरुआत पर प्रभाव का विश्लेषण। SOMET ने BMI और शारीरिक गतिविधि दोनों के लिए महत्वपूर्ण मध्यस्थता प्रभावों की पहचान की, जिसमें अन्य प्रतिस्पर्धी विधियों की तुलना में कम $p$-मान प्राप्त हुए।
  • किशोर मोटापा (ELEMENT डेटा): जन्म के वजन और लिपिड मेटाबोलाइट्स द्वारा मध्यस्थता वाले प्रसवपूर्व लेड (lead) एक्सपोजर के किशोर BMI पर प्रभाव का आकलन। SOMET ही एकमात्र विधि थी जिसने मल्टीपल टेस्टिंग सुधार के बाद एक विशिष्ट लिपिड मेटाबोलाइट (FA 18:0 OH) के माध्यम से एक सांख्यिकीय रूप से महत्वपूर्ण मध्यस्थता मार्ग का पता लगाया, जबकि अन्य विधियाँ शून्य को खारिज करने में विफल रहीं।

महत्व और दावे
यह शोध पत्र दावा करता है कि यह विविध परिणाम सेटिंग्स में क्रमबद्ध मध्यस्थों के लिए पहचान, अनुमान और वैध निष्कर्ष को एक साथ संभालने वाला पहला कठोर ढांचा प्रदान करता है। इसका प्राथमिक योगदान SOMET प्रक्रिया है, जो मध्यस्थता विश्लेषण में संयुक्त शून्य के तहत परिकल्पना परीक्षण की लंबे समय से चली आ रही तकनीकी चुनौती को हल करता है। डेटा विभाजन का उपयोग करके, एक अद्वितीय सीमित वितरण प्राप्त करके, यह विधि ट्यूनिंग पैरामीटर या वास्तविक शून्य विन्यास के ज्ञान की आवश्यकता के बिना मौजूदा परीक्षणों की रूढ़िवादिता से बचती है। लेखक का तर्क है कि उनकी कार्यप्रणाली जटिल अनुदैर्ध्य प्रणालियों में नवीन मध्यस्थता मार्गों की खोज के लिए विश्वसनीय अनुमान, वैध निष्कर्ष और बेहतर शक्ति प्रदान करती है। वे स्वीकार करते हैं कि हालांकि SOMET के साथ गणनात्मक लागत (computational cost) बढ़ जाती है, लेकिन यह संरचित कारण मार्गों में स्केलेबल मध्यस्थता विश्लेषण के लिए एक सिद्धांतवादी आधार प्रदान करता है।