Bounding Causal Effects for Ordinal Outcomes Under Positive Dependence

कल्पना कीजिए कि आप यह तय करने की कोशिश कर रहे हैं कि क्या एक नई दवा प्लेसबो (दवा जैसा दिखने वाला पदार्थ) से बेहतर काम करती है। कई चिकित्सा अध्ययनों में, परिणाम केवल "हाँ" या "नहीं" वाले सरल नंबर नहीं होते। इसके बजाय, वे क्रमिक परिणाम (ordinal outcomes) होते—जैसे कि श्रेणीबद्ध स्तर: "बहुत खराब," "खराब," "ठीक," "अच्छा," और "उत्कृष्ट।"

समस्या यह है कि हालांकि हम जानते हैं कि "उत्कृष्ट" "अच्छे" से बेहतर है, लेकिन हम यह नहीं जानते कि कितना बेहतर। क्या "ठीक" और "अच्छा" के बीच का अंतर "अच्छा" और "उत्कृष्ट" के बीच के अंतर के समान है? हम नहीं जानते। इस कारण से, मानक गणितीय उपकरण (जैसे औसत सुधार की गणना करना) विफल हो जाते हैं। आप केवल "बहुत खराब" और "उत्कृष्ट" का औसत निकालकर कोई सार्थक संख्या प्राप्त नहीं कर सकते।

यह शोध पत्र एक विशिष्ट चुनौती से निपटता है: हम यह कैसे सिद्ध करें कि एक उपचार मदद करता है, बिना मनमाने नंबर बनाए या यह धारणा लिए कि हमें ठीक-ठीक पता है कि रोगियों के परिणाम एक-दूसरे से कैसे जुड़े हुए हैं?

यहाँ इस शोध पत्र की कहानी है, जिसे सरल उपमाओं के माध्यम से विभाजित किया गया है।

1. "ब्लैक बॉक्स" की समस्या

कल्पना कीजिए कि आपके पास दो समूह हैं।

• समूह A को नया उपचार मिलता है।
• समूह B को मानक देखभाल मिलती है।

आप देख सकते हैं कि समूह A के साथ क्या हुआ और समूह B के साथ क्या हुआ। लेकिन आप हर व्यक्ति के "गुप्त जुड़वां" (secret twin) को नहीं देख सकते। आप यह नहीं जान सकते कि समूह A के एक विशिष्ट व्यक्ति के साथ क्या होता यदि वह समूह B में होता।

सांख्यिकी में, हम इसे संयुक्त वितरण (Joint Distribution) कहते हैं। यह एक विशाल ग्रिड (या मैट्रिक्स) है जो परिणामों के हर संभावित संयोजन को दर्शाता है।

• ऊपरी बाएँ: वे लोग जो उपचार के साथ भी "बहुत खराब" होते और नियंत्रण के साथ भी "बहुत खराब" होते।
• निचला दाएँ: वे लोग जो दोनों दुनियाओं में "उत्कृष्ट" होते।
• विकर्ण (Diagonal): वे लोग जो दोनों दुनियाओं में "अच्छा" होते।

पेंच: हम केवल इस ग्रिड के हाशिया (margins) देख सकते हैं (समूह A के कुल योग और समूह B के कुल योग)। ग्रिड के अंदर का हिस्सा एक ब्लैक बॉक्स है। हमें नहीं पता कि पंक्तियाँ और कॉलम एक दूसरे के साथ कैसे संरेखित हैं।

2. "सबसे खराब स्थिति" का अनुमान (Model-Free Bounds)

चूंकि हम बॉक्स के अंदर नहीं देख सकते, इसलिए सांख्यिकीविद् आमतौर पर सच्चाई के चारों ओर एक "सुरक्षा घेरा" (safety fence) खींचते हैं। वे उस पूर्णतम संभव सीमा की गणना करते हैं जहाँ सच्चाई छिप सकती है, यह मानते हुए कि बॉक्स के अंदर कुछ भी हो सकता है।

शोध पत्र दिखाता है कि ये सुरक्षा घेरे अक्सर बहुत बड़े होते हैं। यह घर के बाहर देखकर घर के अंदर के तापमान का अनुमान लगाने जैसा है। आप कह सकते हैं, "यह -20°F और 100°F के बीच है।" यह तकनीकी रूप से सच है, लेकिन यह आपको कोट पहनने का निर्णय लेने में मदद नहीं करता है।

3. "जादुई धारणा" (स्वतंत्रता/Independence)

घेरे को छोटा और सटीक बनाने के लिए, शोधकर्ता अक्सर इस बारे में अनुमान लगाने की कोशिश करते हैं कि बॉक्स के अंदर चीजें कैसे व्यवस्थित हैं। एक सामान्य अनुमान है स्वतंत्रता (Independence)।

उपमा: कल्पना कीजिए कि आप ताश के दो डेक (एक उपचार के लिए, एक नियंत्रण के लिए) को फेंट रहे हैं और उन्हें बांट रहे हैं। यदि डेक वास्तव में स्वतंत्र हैं, तो उपचार डेक में "किंग" मिलना, नियंत्रण डेक में "किंग" मिलने से संबंधित नहीं है।

यदि हम मान लेते हैं कि डेक स्वतंत्र रूप से फेंटे गए हैं, तो हम एक बहुत ही सटीक, उपयोगी संख्या की गणना कर सकते हैं। उदाहरण के लिए, हम कह सकते हैं, "कम से कम 50% लोगों में सुधार हुआ।"

शोध पत्र की बड़ी खोज:
लेखकों ने पूछा: "क्या हमें इस 'फेंटे हुए डेक' (स्वतंत्रता) वाले गणित का उपयोग करना सुरक्षित है यदि हम मानते हैं कि उपचार सहायक है?"

उन्होंने इसकी तुलना "सकारात्मक निर्भरता" (Positive Dependence) के मानक नियमों के विरुद्ध की (यह विचार कि यदि आप एक परिदृश्य में अच्छा करते हैं, तो आप दूसरे में भी अच्छा करेंगे)।

• परिणाम: उन्होंने पाया कि "साथ-साथ अच्छा करने" के मजबूत, मानक नियम भी यह गारंटी देने के लिए पर्याप्त नहीं हैं कि "स्वतंत्रता" वाला गणित सही होगा।
• रूपक: कल्पना कीजिए कि आपके दो दोस्त हैं, एलिस और बॉब। आप जानते हैं कि वे दोनों सामान्य रूप से खुश रहने वाले लोग हैं (सकारात्मक निर्भरता)। लेकिन इसका मतलब यह नहीं है कि उनकी खुशी इतनी सटीक रूप से जुड़ी हुई है कि आप "स्वतंत्रता" वाले गणित का उपयोग कर सकें। कभी-कभी, गणित कहता है "एलिस 60% समय खुश रहती है," लेकिन वास्तविकता यह है कि वह 40% समय खुश रहती है। "स्वतंत्रता" वाला अनुमान बहुत आशावादी था।

4. नया "विकर्ण पूँछ" नियम (Diagonal Tail Rule)

चूंकि पुराने नियम काम नहीं आए, इसलिए लेखकों ने एक नया, अधिक सख्त नियम बनाया जिसे डायगोनल टेल डोमिनेंस (DTD) कहा जाता है।

उपमा: परिणामों के ग्रिड की फिर से कल्पना करें। "विकर्ण" (Diagonal) वह जगह है जहाँ एक व्यक्ति दोनों दुनियाओं में समान रैंक प्राप्त करता है (जैसे, दोनों में "ठीक")।

• DTD कहता है: यदि कोई व्यक्ति नियंत्रण की दुनिया में एक विशिष्ट रैंक (मान लीजिए "ठीक") पर है, तो उपचार की दुनिया में वह अनिवार्य रूप से बेहतर (या कम से कम उतना ही अच्छा) होगा जितना कि वह तब होता यदि डेक को बस बेतरतीब ढंग से फेंटा गया होता।

यह एक बहुत ही विशिष्ट, मजबूत शर्त है। यह कुछ ऐसा कहने जैसा है: "यदि आप बिना दवा के सीढ़ियों के तीसरे पायदान पर खड़े हैं, तो दवा यह गारंटी देती है कि आप चौथे या उससे ऊंचे पायदान पर होने की अधिक संभावना रखते हैं, बजाय इसके कि आप बस अनुमान लगा रहे हों।"

फैसला:

• यदि यह नया नियम लागू होता है, तो "स्वतंत्रता" वाला गणित सुरक्षित है और एक सटीक, उपयोगी निचली सीमा (lower bound) देता है।
• हालाँकि, लेखक स्वीकार करते हैं कि यह नियम बहुत मजबूत है। यह कई वास्तविक दुनिया की स्थितियों में सच नहीं हो सकता है। यह सितारों के एक विशिष्ट, पूर्ण संरेखण की आवश्यकता रखने जैसा है ताकि भविष्यवाणी काम कर सके।

5. "स्थानीय" समझौता (Local Compromise)

चूंकि "वैश्विक" (Global) नियम (DTD) बहुत सख्त है, इसलिए लेखकों ने एक "स्थानीय" (Local) संस्करण प्रस्तावित किया।

उपमा:
यह माँगने के बजाय कि नियम सीढ़ी के हर एक पायदान के लिए काम करे, हम केवल यह माँगते हैं कि यह ऊपरी पायदानों (सर्वश्रेष्ठ परिणामों) के लिए काम करे।

• शायद हम इस बात के प्रति आश्वस्त नहीं हो सकते कि दवा उन लोगों की मदद करती है जो "बहुत खराब" (चरण 1) हैं।
• लेकिन हम निश्चित रूप से कह सकते हैं कि यदि कोई "अच्छा" (चरण 4) है, तो दवा उसे "उत्कृष्ट" (चरण 5) बनाने की अधिक संभावना रखती है, बजाय इसके कि वह केवल रैंडम चांस (random chance) हो।

इन "सुरक्षित क्षेत्रों" (स्थानीय पूँछ) पर गणित लागू करके, वे "सबसे खराब स्थिति" वाले विशाल घेरे की तुलना में एक अधिक सटीक, उपयोगी उत्तर प्राप्त कर सकते हैं, बिना उस असंभव वैश्विक नियम की आवश्यकता के।

6. वास्तविक दुनिया का परीक्षण (स्ट्रोक ट्रायल)

लेखकों ने एक स्ट्रोक ट्रायल के वास्तविक डेटा पर इसका परीक्षण किया।

• पुराना तरीका (बिना किसी धारणा के): उत्तर था "15% और 79% लोगों में सुधार हुआ।" (बेकार)।
• "स्वतंत्रता" वाला तरीका (मान्यता के साथ): उत्तर था "कम से कम 48% में सुधार हुआ।" (बेहतर, लेकिन जोखिम भरा यदि धारणा गलत है)।
• नया "स्थानीय" तरीका: बेहतर परिणामों पर अपना नया नियम लागू करके, उन्होंने 22% का एक सुरक्षित निचला स्तर (lower bound) पाया।

यह एक जीत है। यह जोखिम भरे "48%" के अनुमान जितना ऊंचा नहीं है, लेकिन यह बेकार "15%" वाले सबसे खराब-स्थिति के परिदृश्य से बहुत बेहतर है। यह डॉक्टरों को एक ठोस, बचाव योग्य संख्या देता है कि "हमें विश्वास है कि कम से कम 22% रोगियों को लाभ हुआ।"

सारांश

यह शोध पत्र सांख्यिकीविदों के लिए एक चेतावनी और शोधकर्ताओं के लिए एक मार्गदर्शिका है:

1. क्रमिक डेटा के लिए साधारण स्वतंत्रता गणित का उपयोग करने के औचित्य के रूप में मानक "सकारात्मक सहसंबंध" नियमों पर भरोसा न करें; वे अक्सर विफल हो जाते हैं।
2. हमें एक नए, सख्त नियम (Diagonal Tail Dominance) की आवश्यकता है ताकि वह गणित सुरक्षित हो सके।
3. यदि सख्त नियम मानना कठिन है, तो बेहतर उत्तर प्राप्त करने के लिए केवल सर्वश्रेष्ठ परिणामों पर लागू होने वाला "स्थानीय" संस्करण उपयोग करें।

यह शोध पत्र सच्चाई के इर्द-गिर्द एक अधिक सटीक, सुरक्षित घेरा बनाने के लिए गणितीय उपकरण प्रदान करता है, बशर्ते कि आप परिणाम वितरण की "पूँछों" (extremes) को प्रभावित करने वाली विशिष्ट, अच्छी तरह से परिभाषित शर्तों को स्वीकार करने के लिए तैयार हों।