📊 statistics

MEC-Cox: Machine-Learning-Assisted Generalized Entropy Calibration for ATT Marginal Hazard-Ratio Estimation

यह शोध पत्र MEC-Cox का प्रस्ताव करता है, जो एक नवीन मशीन-लर्निंग-सहायता प्राप्त विधि है जो बाहरी नियंत्रणों और उपचारित रोगियों के बीच रोगनिरोधी सारांशों को संतुलित करने के लिए ब्रेगमन अंशांकन (Bregman calibration) का उपयोग करती है, जिससे बाह्य रूप से नियंत्रित उत्तरजीविता परीक्षणों के लिए इनवर्स-प्रोबेबिलिटी-वेटेड कॉक्स रिग्रेशन में मार्जिनल हज़ार्ड रेश्यो के लचीले और कुशल अनुमान को सक्षम बनाया जा सके।

मूल लेखक: Se Yoon Lee, Yonghyun Kwon, Jae Kwang Kim

प्रकाशित 2026-06-09

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Se Yoon Lee, Yonghyun Kwon, Jae Kwang Kim

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 साबित करने की कोशिश कर रहे हैं कि एक नई, महंगी दवा कुछ न करने की तुलना में बेहतर काम करती है। एक आदर्श दुनिया में, आप एक रैंडमाइज्ड ट्रायल (randomized trial) करेंगे: आप अपने आधे मरीजों को दवा देंगे और बाकी आधे को प्लेसबो (placebo) देंगे, फिर दोनों के परिणामों की तुलना करेंगे।

लेकिन कभी-कभी, ऐसा करना असंभव होता है। शायद बीमारी इतनी दुर्लभ है कि आप पर्याप्त मरीज नहीं ढूंढ पा रहे हैं, या शायद किसी कंट्रोल ग्रुप को दवा से वंचित रखना अनैतिक है। इसलिए, एक नया कंट्रोल ग्रुप बनाने के बजाय, आप ऐतिहासिक डेटा (historical data) की ओर देखते हैं—उन मरीजों के रिकॉर्ड जिन्होंने अतीत में मानक उपचार (या कोई उपचार नहीं) लिया था। इसे एक्सटर्नल कंट्रोल (External Control) कहा जाता है।

यहाँ समस्या यह है: आपके नए ड्रग ट्रायल के लोग पुराने रिकॉर्ड के लोगों से अलग हैं। हो सकता है कि आपके नए मरीज छोटे हों, या अधिक बीमार हों, या उनके जेनेटिक मार्कर अलग हों। यदि आप सीधे दोनों समूहों की तुलना करते हैं, तो यह सेब की तुलना संतरे से करने जैसा है। आपको लग सकता है कि दवा ने काम किया, लेकिन वास्तव में, आपके नए मरीज पहले से ही बेहतर स्वास्थ्य स्थिति वाले रहे होंगे।

इसे ठीक करने के लिए, सांख्यिकीविद् (statisticians) वेटिंग (weighting) नामक तकनीक का उपयोग करते हैं। वे "पुराने" मरीजों (एक्सटर्नल कंट्रोल्स) को अलग-अलग "वेट्स" (भार) देते हैं। यदि कोई पुराना मरीज नए मरीज जैसा बहुत अधिक दिखता है, तो उसे भारी वेट दिया जाता है। यदि वह बहुत अलग दिखता है, तो उसे हल्का वेट दिया जाता है। यह एक "आभासी" (virtual) कंट्रोल ग्रुप बनाता है जो बिल्कुल आपके नए ट्रायल ग्रुप जैसा दिखता है।

पुराना तरीका बनाम नया तरीका (MEC-Cox)

पुराना तरीका (IPW Cox):
पारंपरिक रूप से, शोधकर्ता समूहों की समानता का अनुमान लगाने और उन वेट्स को असाइन करने के लिए मशीन लर्निंग मॉडल का उपयोग करते हैं। हालाँकि, इस पद्धति में दो बड़ी खामियां हैं:

यह कठोर है: यदि मशीन लर्निंग मॉडल समानताओं का अनुमान लगाने में थोड़ी सी भी गलती करता है, तो अंतिम परिणाम पक्षपाती (गलत) हो सकता है।
यह अक्षम है: भले ही वेट्स औसतन "सही" हों, लेकिन अंतिम परिणाम की गणना करने के लिए उपयोग की जाने वाली गणित अक्सर अस्थिर होती है, जिससे कॉन्फिडेंस इंटरवल (confidence intervals) बहुत व्यापक हो जाते हैं (जैसे यह कहना कि, "दवा काम करती है, लेकिन हम केवल 50% सुनिश्चित हैं")।

नया तरीका (MEC-Cox):
इस पेपर के लेखक, ली, क्वोन और किम, एक नई विधि प्रस्तावित करते हैं जिसे MEC-Cox कहा जाता है। इसे एक "डबल-चेक" सिस्टम के रूप में सोचें जो मशीन लर्निंग का अधिक बुद्धिमानी से उपयोग करता है।

यहाँ उपमा (analogy) दी गई है:
कल्पना कीजिए कि आप डांस प्रतियोगिता के लिए दो समूहों को मिलाने की कोशिश कर रहे हैं।

चरण 1 (ट्रांसपोर्ट): आप पहले एक बुनियादी नियम (जैसे ऊंचाई और वजन) का उपयोग करके उन्हें आपस में जोड़ते हैं। यह मानक "प्रोपेंसिटी स्कोर" (propensity score) विधि है। आपको एक मोटा-मोटा मिलान मिल जाता है।
चरण 2 (कैलिब्रेशन): लेखक कहते हैं, "रुको, चलो देखते हैं कि वे वास्तव में डांस कैसे करते हैं।" वे प्रत्येक व्यक्ति के प्रदर्शन (उनके "प्रोगनोसिस" या रोग निदान) की भविष्यवाणी करने के लिए एक लचीले मशीन-लर्निंग टूल का उपयोग करते हैं।
जादुई चरण: वे फिर से वेट्स को एडजस्ट करते हैं। वे पेयरिंग को इस तरह से ट्यून करते हैं कि न केवल समूह ऊंचाई और वजन में समान दिखें, बल्कि उनकी अनुमानित नृत्य क्षमता में भी समान दिखें।

यह दूसरा चरण MEC (Machine-Learning-Assisted Generalized Entropy Calibration) है। यह सुनिश्चित करता है कि "पुराने" मरीज न केवल बुनियादी आंकड़ों पर, बल्कि उन विशिष्ट कारकों पर भी पूरी तरह से संतुलित हों जो जीवित रहने की संभावना (survival) की भविष्यवाणी करते हैं।

यह बेहतर क्यों है?

यह अधिक सटीक है: जीवित रहने की भविष्यवाणी करने के लिए लचीली मशीन लर्निंग का उपयोग करके, यह विधि उन छिपे हुए अंतरों को ठीक करती है जिन्हें सरल मॉडल छोड़ देते हैं। यह "बायस" (पक्षपात/त्रुटि) को कम करता है।
यह अधिक सुस्पष्ट (precise) है: क्योंकि समूह इतने सटीक रूप से संतुलित हैं, गणित अधिक स्थिर हो जाता है। "कॉन्फिडेंस इंटरवल" छोटा हो जाता है। यह कहने के बजाय कि "दवा काम करती है, शायद", आप कह सकते हैं "दवा काम करती है, और हम बहुत आश्वस्त हैं।"
यह गणित को सही ढंग से संभालता है: पेपर परिणाम की "अनिश्चितता" (variance) की गणना करने का एक नया तरीका भी पेश करता है। मानक तरीके अक्सर इस तथ्य को नजरअंदाज कर देते हैं कि वेट्स को स्वयं अनुमानित (estimated) किया गया था। MEC-Cox इस बात का हिसाब रखता है, जिससे अंतिम कॉन्फिडेंस इंटरवल भरोसेमंद बनते हैं।

निचोड़ (The Bottom Line)

यह पेपर MEC-Cox को ऐतिहासिक डेटा के विरुद्ध एक नए चिकित्सा उपचार की तुलना करने के लिए एक स्मार्ट और अधिक मजबूत तरीके के रूप में प्रस्तुत करता है।

समस्या: ऐतिहासिक डेटा अव्यवस्थित होता है और वर्तमान मरीजों से भिन्न होता है।
समाधान: वेटिंग की दो-चरणीय प्रक्रिया। पहले, ऐतिहासिक डेटा को वर्तमान मरीजों जैसा दिखने के लिए 'ट्रांसपोर्ट' करें। दूसरा, मिलान को 'कैलिब्रेट' करने के लिए मशीन लर्निंग का उपयोग करें ताकि अनुमानित परिणाम (प्रोगनोसिस) भी पूरी तरह से संतुलित हों।
परिणाम: एक अधिक सटीक और सुस्पष्ट अनुमान कि क्या उपचार वास्तव में काम करता है, बिना एक नए कंट्रोल ग्रुप की आवश्यकता के।

लेखकों ने कंप्यूटर सिमुलेशन और वास्तविक दुनिया के स्तन कैंसर के डेटा के साथ इसका परीक्षण किया। हर मामले में, MEC-Cox ने त्रुटियों को कम किया और वर्तमान में सांख्यिकीविदों द्वारा उपयोग किए जाने वाले मानक तरीकों की तुलना में अधिक सटीक और विश्वसनीय परिणाम दिए।

तकनीकी सारांश: ATT मार्जिनल हैजर्ड-रेशियो अनुमान के लिए MEC-Cox

1. समस्या विवरण (Problem Statement)

यह शोध पत्र बाह्य रूप से नियंत्रित सिंगल-आर्म सर्वाइवल ट्रायल्स (externally controlled single-arm survival trials) में कारण संबंधी उपचार प्रभावों (causal treatment effects) के अनुमान की चुनौती को संबोधित करता है, जो कि ऑन्कोलॉजी और दुर्लभ रोगों में तेजी से उपयोग किया जाने वाला डिज़ाइन है जहाँ समवर्ती रैंडमाइज्ड कंट्रोल्स (concurrent randomized controls) संभव नहीं होते। विशिष्ट लक्ष्य ATT (Average Treatment Effect on the Treated) मार्जिनल हैजर्ड रेशियो है, जो उपचारित ट्रायल आबादी के भीतर उपचार के तहत मार्जिनल हैजर्ड की तुलना काउंटरफैक्चुअल मार्जिनल हैजर्ड (कंट्रोल के तहत) से करता है।

पहचानी गई प्राथमिक अनुमानात्मक कठिनाइयाँ हैं:

मॉडल मिसस्पेसिफिकेशन संवेदनशीलता (Model Misspecification Sensitivity): मानक इनवर्स प्रोबेबिलिटी वेटेड (IPW) कॉक्स रिग्रेशन सोर्स प्रोपेंसिटी स्कोर पर निर्भर करता है। यदि प्रोपेंसिटी स्कोर के लिए पैरामीट्रिक मॉडल गलत (misspecified) है (जैसे गैर-रेखीय संबंधों के कारण), तो परिणामी वेटेड कॉक्स एस्टिमेटर गंभीर बायस (bias) से ग्रस्त होता है।
वेरिएंस एस्टीमेशन जटिलता (Variance Estimation Complexity): IPW कॉक्स एस्टिमेटर्स के लिए वैध अनुमान (valid inference) तकनीकी रूप से चुनौतीपूर्ण है क्योंकि वेटेड पार्शियल लाइक्लीहुड, वेट्स के माध्यम से इवेंट योगदान और रिस्क-सेट औसतों (risk-set averages) दोनों पर निर्भर करता है।
- नेटिव वेरिएंस एस्टिमेटर्स वेटिंग स्ट्रक्चर को अनदेखा करते हैं।
- रोबस्ट सैंडविच एस्टिमेटर्स (जैसे Lin–Wei/Binder) अनुमानित वेट्स को फिक्स्ड मानकर चलते हैं, जिससे प्रोपेंसिटी स्कोर अनुमान से जुड़ी अनिश्चितता अनदेखी रह जाती है।
- करेक्टेड सैंडविच एस्टिमेटर्स (जैसे Shu et al., 2021b) वेट अनिश्चितता को ध्यान में रखते हैं, लेकिन आमतौर पर सही ढंग से निर्दिष्ट पैरामीट्रिक प्रोपेंसिटी स्कोर मॉडल पर निर्भर करते हैं, जिससे वे मिसस्पेसिफिकेशन के प्रति संवेदनशील हो जाते हैं।
मशीन लर्निंग का एकीकरण (Integration of Machine Learning): जबकि टार्गेटेड मैक्सिमम लाइक्लीहुड एस्टीमेशन (TMLE) और डबल मशीन लर्निंग (DML) मीन-टाइप एस्टिमेंड्स के लिए लचीली मशीन लर्निंग (ML) को सफलतापूर्वक शामिल करते हैं, इन्हें कॉक्स हैजर्ड-रेशियो अनुमान तक विस्तारित करना गैर-मामूली है। इसके लिए आमतौर पर एक एफिशिएंट इन्फ्लुएंस फंक्शन (EIF) या नेयमैन-ऑर्थोगोनल स्कोर को व्युत्पन्न करने की आवश्यकता होती है, जो रिस्क-सेट औसतों के माध्यम से वेट्स पर नॉन-लीनियर निर्भरता के कारण कॉक्स मॉडल्स के लिए विश्लेषणात्मक रूप से जटिल है।

2. कार्यप्रणाली: MEC-Cox

लेखक MEC-Cox प्रस्तावित करते हैं, जो IPW कॉक्स रिग्रेशन के लिए मशीन-लर्निंग-असिस्टेड जनरलाइज्ड एंट्रॉपी कैलिब्रेशन (MEC) फ्रेमवर्क (Lee and Kim, 2026) को अनुकूलित करता है। यह विधि दो मुख्य चरणों में कार्य करती है:

A. बेसलाइन वेट निर्माण (Baseline Weight Construction)

सोर्स प्रोपेंसिटी स्कोर अनुमान: सोर्स प्रोपेंसिटी स्कोर $\pi(X) = P(A=1|X)$ को ओवरफिटिंग से बचने के लिए K-fold क्रॉस-फिटिंग के माध्यम से लचीले ML तरीकों (जैसे BART, डीप लर्निंग) या पैरामीट्रिक लॉजिस्टिक रिग्रेशन का उपयोग करके अनुमानित किया जाता है।
ATT ट्रांसपोर्ट वेट्स: बाहरी कंट्रोल्स ( $A=0$ ) के लिए, बेसलाइन वेट्स को नॉर्मलाइज्ड ATT ऑड्स के रूप में बनाया जाता है: $d_i = n_1 \hat{q}(X_i) / \sum \hat{q}(X_j)$ , जहाँ $\hat{q}(X) = \hat{\pi}(X)/(1-\hat{\pi}(X))$ । ये वेट्स बाहरी कंट्रोल डिस्ट्रीब्यूशन को उपचारित ट्रायल आबादी तक ट्रांसपोर्ट करते हैं।

B. ब्रेगमन कैलिब्रेशन स्टेप (Bregman Calibration Step)

मुख्य नवाचार कैलिब्रेशन स्टेप है जो केवल कच्चे कोवेरियेट्स के बजाय प्रोग्नोस्टिक समरीज़ (prognostic summaries) को संतुलित करने के लिए बेसलाइन वेट्स को परिष्कृत करता है।

कैलिब्रेशन बेसिस निर्माण: सभी विषयों के लिए एक क्रॉस-फिटेड प्रोग्नोस्टिक स्कोर जेनरेट किया जाता है। पेपर लचीले सर्वाइवल लर्नर्स (जैसे रैंडम सर्वाइवल फॉरेस्ट या कॉक्स मॉडल) का उपयोग करके एक्सटर्नल कंट्रोल कोहॉर्ट से अनुमानित लैंडमार्क कंट्रोल-सर्वाइवल प्रोबेबिलिटीज $\hat{S}_0(t_k | X)$ का उपयोग करने का सुझाव देता है। बेसिस वेक्टर है $h_i = (1, \hat{S}_0(t_1|X_i), \dots, \hat{S}_0(t_{p-1}|X_i))$ ।
ब्रेगमन प्रोजेक्शन: बेसलाइन वेट्स $d_i$ को नए वेट्स $w_i$ में अपडेट किया जाता है, जो एक ब्रेगमन डायवर्जेंस $D_G(w_i \| d_i)$ को न्यूनतम करता है, इस बाधा के अधीन कि एक्सटर्नल कंट्रोल ग्रुप में कैलिब्रेशन बेसिस का वेटेड औसत उपचारित ट्रायल ग्रुप के बराबर हो:
$\sum_{i \in I_0} w_i h_i = \sum_{i \in I_1} h_i$
समाधान का रूप $w_i = g^{-1}(g(d_i) + \lambda^\top h_i)$ है, जहाँ $\lambda$ कैलिब्रेशन समीकरण को हल करने वाला ड्यूल पैरामीटर है।
अंतिम अनुमान: अपडेट किए गए वेट्स $\tilde{\omega}_i = A_i + (1-A_i)w_i$ का उपयोग मार्जिनल लॉग-हैजर्ड रेशियो $\theta_{ATT}$ को हल करने के लिए मानक IPW कॉक्स एस्टिमेटिंग इक्वेशन में किया जाता है।

C. वेरिएंस एस्टीमेशन (Variance Estimation)

कैलिब्रेशन स्टेप द्वारा पेश की गई अनिश्चितता को ध्यान में रखने के लिए, लेखक एक स्टैक्ड सैंडविच वेरिएंस एस्टिमेटर (stacked sandwich variance estimator) प्रस्तावित करते हैं।

वे $\theta$ के लिए वेटेड कॉक्स एस्टिमेटिंग इक्वेशन को $\lambda$ के लिए ड्यूल कैलिब्रेशन इक्वेशन के साथ स्टैक करते हैं।
वेरिएंस को इस संयुक्त सिस्टम के इन्फ्लुएंस फंक्शन से व्युत्पन्न किया जाता है, जो प्रभावी रूप से कैलिब्रेशन पैरामीटर एस्टीमेशन को करेक्टेड सैंडविच एस्टिमेटर्स में प्रोपेंसिटी स्कोर एस्टीमेशन के समान परिवर्तनशीलता के स्रोत के रूप में मानता है।
यह दृष्टिकोण कैलिब्रेशन पैरामीटर $\lambda$ की फर्स्ट-ऑर्डर अनिश्चितता को ध्यान में रखता है, जबकि क्रॉस-फिटेड न्युसेंस फंक्शन्स (प्रोपेंसिटी स्कोर और प्रोग्नोस्टिक मॉडल) को सैंडविच कैलकुलेशन में फिक्स्ड मानता है।

3. प्रमुख योगदान और सैद्धांतिक परिणाम (Key Contributions and Theoretical Results)

कंसिस्टेंसी (Consistency): थ्योरम 2 स्थापित करता है कि MEC-Cox एस्टिमेटर मानक कॉज़ल धारणाओं (कंसिस्टेंसी, सर्वाइवल ट्रांसपोर्टेबिलिटी, पॉजिटिविटी) और रेगुलेरिटी कंडीशंस के तहत ATT मार्जिनल लॉग-हैजर्ड रेशियो के लिए कंसिस्टेंट है। महत्वपूर्ण बात यह है कि एस्टिमेटर की कंसिस्टेंसी के लिए यह आवश्यक नहीं है कि कैलिब्रेशन बेसिस (प्रोग्नोस्टिक मॉडल) सही ढंग से निर्दिष्ट हो; इसके लिए केवल यह आवश्यक है कि सोर्स प्रोपेंसिटी स्कोर को कंसिस्टेंटली अनुमानित किया गया हो और कैलिब्रेशन बेसिस $L_2$ -स्टोकेस्टिकली बाउंडेड हो।
एफिशिएंसी गेन (Efficiency Gain): थ्योरम 3 प्रदर्शित करता है कि एक प्रोजेक्शन कंडीशन के तहत, MEC-Cox स्टैक्ड सैंडविच, फिक्स्ड-वेट Lin–Wei रोबस्ट वेरिएंस से बड़ा नहीं है। कैलिब्रेशन स्टेप प्रभावी रूप से कैलिब्रेशन बेसिस द्वारा समझाए गए कॉक्स स्कोर वेरिएशन के घटक को हटा देता है, जिससे संभावित एफिशिएंसी गेन होता है।
ओरेकल बेसिस (Oracle Basis): प्रोपोजीशन 4 दिखाता है कि यदि एक "ओरेकल" कंट्रोल-प्रोग्नोस्टिक स्कोर मौजूद है (एक सारांश जो काउंटरफैक्चुअल कंट्रोल आउटकम के लिए पर्याप्त है), तो उसे कैलिब्रेशन बेसिस के रूप में उपयोग करने से वेट-नॉर्मलाइज्ड कॉक्स योगदान का रेसिडुअल वेरिएशन न्यूनतम हो जाता है, जो सैद्धांतिक रूप से एफिशिएंसी को अधिकतम करता है।
लचीलापन (Flexibility): यह विधि प्रोपेंसिटी स्कोर अनुमान और प्रोग्नोस्टिक समरी कंस्ट्रक्शन दोनों के लिए लचीले ML तरीकों (BART, रैंडम सर्वाइवल फॉरेस्ट, डीप लर्निंग) के एकीकरण की अनुमति देती है, जिसके लिए जटिल EIFs के व्युत्पन्न की आवश्यकता नहीं होती है।

4. अनुभवजन्य परिणाम (Empirical Results)

पेपर सिमुलेशन अध्ययनों और एक रियल-डेटा एप्लीकेशन के माध्यम से MEC-Cox का मूल्यांकन करता है।

सिमुलेशन अध्ययन (Simulation Studies)

परिदृश्य 1 (लीनियर मॉडल्स): सही ढंग से निर्दिष्ट लीनियर मॉडल्स वाले सेटिंग्स में, MEC-Cox (प्रोपेंसिटी स्कोर के लिए लॉजिस्टिक रिग्रेशन और प्रोग्नोसिस के लिए कॉक्स मॉडल का उपयोग करते हुए) ने मानक ATT-IPW एस्टिमेटर्स की तुलना में छोटा बायस और रूट मीन स्क्वेर्ड एरर (RMSE) प्राप्त किया, जो बिना मॉडल मिसस्पेसिफिकेशन के भी एफिशिएंसी गेन को प्रदर्शित करता है।
परिदृश्य 2 (नॉनलीनियर मॉडल्स): सोर्स सिलेक्शन और आउटकम मॉडल्स दोनों में गंभीर नॉन-लिनियरिटी वाली सेटिंग्स में, लॉजिस्टिक रिग्रेशन का उपयोग करने वाले मानक IPW एस्टिमेटर्स प्रोपेंसिटी स्कोर मिसस्पेसिफिकेशन के कारण महत्वपूर्ण बायस प्रदर्शित करते हैं। MEC-Cox, प्रोपेंसिटी स्कोर के लिए BART और कैलिब्रेशन बेसिस के लिए फ्लेक्सिबल सर्वाइवल लर्नर्स (RSF) का उपयोग करते हुए, बायस और RMSE को सफलतापूर्वक कम करने में सफल रहा, और नाममात्र स्तरों के करीब कवरेज बनाए रखा।

रियल-डेटा एप्लीकेशन (Real-Data Application)

इस विधि का उपयोग ब्रेस्ट कैंसर रिकरेंस-फ्री सर्वाइवल के लिए हार्मोनल थेरेपी (GBSG ट्रायल) बनाम नो हार्मोनल थेरेपी (Rotterdam tumor bank) की तुलना करने के लिए किया गया।

इम्बैलेंस (Imbalance): अनवेटेड तुलना ने कोई महत्वपूर्ण अंतर नहीं दिखाया, लेकिन रॉ कोवेरियेट इम्बैलेंस गंभीर था (मैक्स SMD = 1.158)।
परिणाम: मानक ATT-IPW कॉक्स रिग्रेशन ने हार्मोनल थेरेपी के महत्वपूर्ण लाभ (HR = 0.569) का सुझाव दिया लेकिन रेसिडुअल इम्बैलेंस (मैक्स SMD = 0.270) और उच्च वेट वेरिएबिलिटी छोड़ दी।
MEC-Cox प्रदर्शन: MEC-Cox कार्यान्वयन (GLM/Cox और DL/RSF दोनों का उपयोग करते हुए) ने समान गुणात्मक निष्कर्ष (HR $\approx$ 0.61–0.65) दिए, लेकिन बेहतर वेट स्टेबिलिटी (उच्च इफेक्टिव सैंपल साइज, कम कोएफिशिएंट ऑफ वेरिएशन) और बेहतर कोवेरियेट बैलेंस (मैक्स SMD < 0.15) के साथ। मानक IPW दृष्टिकोण की तुलना में स्टैंडर्ड एरर्स भी कम हो गए।

5. महत्व और दावे (Significance and Claims)

पेपर दावा करता है कि MEC-Cox एक्सटर्नली कंट्रोल्ड ट्रायल्स में मार्जिनल हैजर्ड-रेशियो अनुमान के संबंध में साहित्य के अंतराल को पाटता है।

रोबस्टनेस (Robustness): यह लचीली ML का लाभ उठाकर प्रोपेंसिटी स्कोर मॉडल मिसस्पेसिफिकेशन के प्रति मौजूदा विधियों की संवेदनशीलता का समाधान प्रदान करता है।
अनुमान (Inference): यह एक वैध वेरिएंस एस्टीमेशन फ्रेमवर्क (स्टैक्ड सैंडविच) प्रदान करता है जो कैलिब्रेशन स्टेप की अनिश्चितता को ध्यान में रखता है, जो नेटिव रोबस्ट एस्टिमेटर्स की एक सीमा को संबोधित करता है।
एफिशिएंसी (Efficiency): केवल कच्चे कोवेरियेट्स के बजाय प्रोग्नोस्टिक समरीज़ को संतुलित करके, यह विधि फाइनाइट-सैंपल एफिशिएंसी में सुधार करती है।
व्यावहारिकता (Practicality): कैलिब्रेशन स्टेप के लिए ड्यूल न्यूटन सॉल्वर कम्प्यूटेशनल रूप से कुशल है, जो वेट्स के हाई-डायमेंशनल स्पेस के बजाय कैलिब्रेशन बेसिस के लो-डायमेंशनल स्पेस में काम करता है।

लेखक नोट करते हैं कि जबकि MEC-Cox दक्षता और मजबूती में सुधार करता है, यह दावा नहीं करता है कि यह मार्जिनल हैजर्ड रेशियो के लिए सेमिपैरामेट्रिक एफिशिएंसी बाउंड प्राप्त करता है, और न ही यह मीन-टाइप एस्टिमेंड्स के समान बीजगणितीय अर्थ में वेटेड कॉक्स के लिए 'डॉबली रोबस्ट' गुण स्थापित करता है। यह विधि सोर्स-विशिष्ट इंडिपेंडेंट सेंसरिंग को मानती है, और इंफॉर्मेटिव सेंसरिंग के लिए विस्तार भविष्य के कार्य के लिए छोड़ दिए गए हैं।