Bias-Reduced GEE via Adjusted Estimating Equations, with Odds-Ratio Extensions

तकनीकी सारांश: समायोजित अनुमानित समीकरणों के माध्यम से पूर्वाग्रह-न्यूनीकृत (Bias-Reduced) GEE, ऑड्स-अनुपात विस्तार के साथ

समस्या विवरण
सामान्यीकृत अनुमानित समीकरण (Generalized Estimating Equations - GEE), जिसे लियांग और ज़ेगर [1986] द्वारा पेश किया गया था, सह-संबंधित डेटा (correlated data), जैसे कि अनुदैर्ध्य अध्ययनों (longitudinal studies) के विश्लेषण के लिए एक मानक दृष्टिकोण है। हालांकि GEE अनुमानक सौम्य नियमितता स्थितियों के तहत सुसंगत (consistent) और स्पर्शोन्मुखी रूप से सामान्य (asymptotically normal) होते हैं, वे कम या मध्यम स्वतंत्र क्लस्टरों की संख्या होने पर पर्याप्त परिमित-नमूना पूर्वाग्रह (finite-sample bias) प्रदर्शित कर सकते हैं। यह पूर्वाग्रह वाल्ड-प्रकार के निष्कर्ष (Wald-type inference) को प्रभावित करता है, जिससे टाइप I त्रुटि दर (Type I error rates) बढ़ जाती है।

पूर्वाग्रह न्यूनीकरण के लिए मौजूदा साहित्य कई सीमाओं का सामना करता है। पहला, पॉल और झांग [2014] तथा लुनार्डन और शार्फस्टीन [2017] के तरीके अक्सर कार्यशील सहप्रसरण मैट्रिसेस (working covariance matrices) को माध्य मापदंडों (mean parameters) के सापेक्ष स्थिर मानते हैं। यह सरलीकरण बाइनरी और पॉइसन प्रतिक्रियाओं में माध्य पर विचरण (variance) की निर्भरता को शामिल करने में विफल रहता है, जो सामान्य सेटिंग्स में प्रथम-क्रम पूर्वाग्रह न्यूनीकरण को रोकता है। दूसरा, बाइनरी प्रतिक्रियाओं के लिए, मौजूदा पूर्वाग्रह-सुधार विधियाँ सहसंबंध-गुणांक पैरामीटराइजेशन (correlation-coefficient parameterizations) पर निर्भर करती हैं। ये पैरामीटराइजेशन मार्जिनल माध्यों द्वारा लगाए गए प्रतिबंधात्मक व्यवहार्यता बाधाओं (Fréchet bounds) के अधीन हैं, जिसके कारण सहसंबंध अनुमान स्वीकार्य श्रेणियों से बाहर जा सकते हैं या कार्यशील सहसंबंध मैट्रिक्स को गैर-धनात्मक निश्चित (non-positive definite) बना सकते हैं, विशेष रूप से छोटे नमूनों में। अंत में, मौजूदा पूर्वाग्रह-सुधारित अनुमानकों के लिए एक सुपरिभाषित साधारण GEE अनुमानक की आवश्यकता होती है, जिससे पृथक्करण (separation) या निकट-पृथक्करण के मामलों में वे संख्यात्मक रूप से अस्थिर या अप्रयुक्त हो जाते हैं।

कार्यप्रणाली
यह शोध पत्र कोसिमिडीस और लुनार्डन [2024] की रोबस्ट पूर्वाग्रह-न्यूनीकरण कार्यप्रणाली पर निर्माण करते हुए, क्लस्टर्ड-डेटा M-एस्टीमेशन फ्रेमवर्क के भीतर GEE अनुमानक को समाहित करके एक एकीकृत प्रथम-क्रम पूर्वाग्रह-न्यूनीकरण फ्रेमवर्क विकसित करता है।

1. पूर्वाग्रह-न्यूनीकृत समायोजन (Bias-Reducing Adjustment): लेखक GEE अनुमानित समीकरणों के लिए एक स्पष्ट लक्षित समायोजन, $\Lambda_G$, व्युत्पन्न करते हैं। यह व्युत्पत्ति अनुमानक को एक M-एस्टीमेटर के रूप में मानती है और माध्य मापदंडों पर कार्यशील सहप्रसरण मैट्रिसेस की निर्भरता को स्पष्ट रूप से ध्यान में रखती है। आदर्श समायोजन अग्रणी पूर्वाग्रह पद, $\Lambda_G$, को लक्षित करता है, जो अज्ञात सहप्रसरण मैट्रिसेस पर निर्भर करता है।
2. तीन कार्यान्वयन योग्य अनुमानक: इसे व्यावहारिक बनाने के लिए, तीन सन्निकटन (approximations) निर्मित किए गए हैं:
   • रोबस्ट एडजस्टमेंट (RBR): अज्ञात सहप्रसरण मैट्रिसेस को निष्पक्ष अनुभवजन्य एनालॉग्स ($S_i S_i^\top$) से बदल देता है। यह अनुमानक चाहे कार्यशील एसोसिएशन संरचना सही ढंग से निर्दिष्ट हो या न हो, प्रथम-क्रम पूर्वाग्रह न्यूनीकरण प्राप्त करता है।
   • नैव एडजस्टमेंट (NBR): यह मानता है कि कार्यशील सहप्रसरण वास्तविक सहप्रसरण के बराबर है। यह पॉल और झांग [2014] के अनुमानकों को एक विशेष मामले के रूप में समाहित करता है (जहाँ माध्य पर विचरण की निर्भरता को अनदेखा किया जाता है)। यह सही ढंग से निर्दिष्ट होने पर या विशिष्ट स्थितियों के तहत गलत निर्दिष्ट होने पर भी पूर्वाग्रह न्यूनीकरण प्राप्त करता है।
   • एम्पेरिकल एडजस्टमेंट (EBR): सभी अपेक्षाओं (expectations) को नमूना एनालॉग्स से बदल देता है। सैद्धांतिक रूप से वैध होने के बावजूद, यह परिमित-नमूना परिवर्तनशीलता को बढ़ा सकता है और इसे केवल तभी बैकअप के रूप में अनुशंसित किया जाता है जब रोबस्ट प्रक्रिया संख्यात्मक रूप से अस्थिर हो।
3. एक-चरण पूर्वाग्रह-सुधारित एनालॉग्स (One-Step Bias-Corrected Analogs): साधारण GEE अनुमान पर समायोजन लागू करके गणनात्मक रूप से सुविधाजनक एक-चरण अनुमानक व्युत्पन्न किए गए हैं। ये समायोजित समीकरणों को दोहराने (iterating) से बचते हैं लेकिन इनके लिए साधारण GEE समाधान का अस्तित्व आवश्यक है।
4. ऑड्स-अनुपात पैरामीटराइजेशन (Odds-Ratio Parameterization): इस फ्रेमवर्क को युग्मवार ऑड्स-अनुपात पैरामीटराइजेशन (लिप्सिट्ज एट अल., 1991; कैरी एट अल., 1993) का उपयोग करके सह-संबंधित बाइनरी डेटा के लिए विस्तारित किया गया है। यह दृष्टिकोण सहसंबंध गुणांकों के प्रतिबंधात्मक व्यवहार्यता बाधाओं से बचता है। लेखक इस पैरामीटराइजेशन के लिए आवश्यक समायोजन ($\Lambda_{OR}$) व्युत्पन्न करते हैं, जिससे ऑड्स-अनुपात मॉडलिंग के तहत पहले पूर्वाग्रह-न्यूनीकृत और पूर्वाग्रह-सुधारित GEE अनुमानक प्राप्त होते हैं।
5. निष्कर्ष (Inference): छोटे-नमूना निष्कर्षों के लिए, यह शोध पत्र मानक सैंडविच अनुमानक के बजाय मोरेल एट अल. [2003] के छोटे-नमूना समायोजित सहप्रसरण अनुमानक ($\hat{\Sigma}_M$) का उपयोग करने की सिफारिश करता है।

प्रमुख परिणाम
विभिन्न क्लस्टर आकारों ($N \in \{20, 35, 50, 100, 500\}$) और मिसिंगनेस पैटर्न (MCAR मोनोटोन ड्रॉपआउट) के तहत सह-संबंधित बाइनरी (प्रोबिट मॉडल) और पॉइसन प्रतिक्रियाओं के लिए 10,000 मोंटे कार्लो पुनरावृत्तियों (Monte Carlo replications) वाले सिमुलेशन अध्ययन किए गए।

• पूर्वाग्रह न्यूनीकरण: रोबस्ट बायस-रिड्यूस्ड (RBR) अनुमानक ने साधारण GEE की तुलना में, विशेष रूप से समय-परिवर्ती सह-चरों (time-varying covariates) के लिए और छोटे-से-मध्यम नमूना आकारों में, निरंतर परिमित-नमूना पूर्वाग्रह को कम किया। पूर्वाग्रह न्यूनीकरण बाइनरी प्रतिक्रियाओं के लिए सबसे अधिक स्पष्ट था।
• दक्षता और कवरेज: RBR अनुमानक ने साधारण GEE के समान दक्षता बनाए रखी। $\hat{\Sigma}_M$ पर आधारित नाममात्र 95% वाल्ड कॉन्फिडेंस इंटरवल का अनुभवजन्य कवरेज RBR के लिए नाममात्र स्तर के करीब था, जबकि साधारण GEE अक्सर छोटे नमों में अंडरकवरेज (undercoverage) प्रदर्शित करता है।
• गलत विनिर्देश के प्रति मजबूती (Robustness to Misspecification): RBR अनुमानक ने कार्यशील एसोसिएशन संरचना के गलत निर्दिष्ट होने पर भी अच्छा प्रदर्शन किया। नैव बायस-रिड्यूस्ड (NBR) अनुमानक ने भी गलत निर्दिष्ट होने की कुछ स्थितियों में पूर्वाग्रह न्यूनीकरण दिखाया, जो सैद्धांतिक निष्कर्षों की पुष्टि करता है।
• संख्यात्मक स्थिरता: एम्पेरिकल बायस-रिड्यूस्ड (EBR) अनुमानक ने डेटा की कमी वाले छोटे नमूनों में संख्यात्मक अस्थिरता दिखाई, जिसमें निम्न अभिसरण दर (convergence rates) और बढ़ी हुई मानक त्रुटियां देखी गईं, जो RBR को डिफ़ॉल्ट के रूप में उपयोग करने की सिफारिश की पुष्टि करती है।
• ऑड्स-अनुपात बनाम सहसंबंध: क्लिनिकल ट्रायल अनुप्रयोग (शोल्डर-टिप पेन डेटा) में, अनस्ट्रक्चर्ड वर्किंग कोरिलेशन मैट्रिक्स के साथ मॉडल फिट करने से संख्यात्मक कठिनाइयाँ (अभिसरण न होना, अमान्य अनुमान) उत्पन्न हुईं। इसके विपरीत, ऑड्स-अनुपात पैरामीटराइजेशन ने स्थिर अनुमान प्रदान किए, जो छोटे नमूनों में बाइनरी एसोसिएशंस के लचीले मॉडलिंग के लिए इसकी श्रेष्ठता को प्रदर्शित करता है।

महत्व और दावे
यह शोध पत्र दावा करता है कि यह पूर्वाग्रह न्यूनीकरण के लिए पहला एकीकृत फ्रेमवर्क प्रदान करता है जो:

1. कार्यशील सहप्रसरण की माध्य मापदंडों पर निर्भरता को स्पष्ट रूप से ध्यान में रखता है, जिससे उन माध्य-निर्भर विचरण कार्यों (बाइनरी/पॉइसन) के लिए प्रथम-क्रम पूर्वाग्रह न्यूनीकरण की गारंटी मिलती है जहाँ पिछले तरीके विफल रहे थे।
2. सह-संबंधित बाइनरी डेटा के लिए ऑड्स-अनुपात पैरामीटराइजेशन तक पूर्वाग्रह न्यूनीकरण का विस्तार करता है, जो सहसंबंध-आधारित तरीकों के लिए एक स्थिर विकल्प प्रदान करता है जो छोटे नमूनों में स्वीकार्यता बाधाओं से ग्रस्त होते हैं।
3. मौजूदा विधियों (पॉल और झांग [2014]; लुनार्डन और शार्फस्टीन [2017]) को स्पष्ट करता है और उनके बीच के संबंध को स्पष्ट करता है, उन्हें प्रस्तावित रोबस्ट और नैव फ्रेमवर्क के विशेष मामलों के रूप में दिखाता है।
4. उन सेटिंग्स के लिए एक व्यावहारिक समाधान प्रदान करता है जहाँ साधारण GEE विफल हो जाता है (जैसे, सेपरेशन), जो फर्थ के पूर्वाग्रह-न्यूनीकृत GLM के माध्यम से आरंभ (initialize) किए जा सकने वाले पूर्णतः पुनरावर्तित (fully iterated) पूर्वाग्रह-न्यूनीकृत अनुमानक प्रदान करता है।

लेखक निष्कर्ष निकालते हैं कि रोबस्ट बायस-रिड्यूस्ड (RBR) अनुमानक, जिसे geer R पैकेज में लागू किया गया है, छोटे-से-मध्यम नमूना आकारों के लिए, विशेष रूप से सह-संबंधित बाइनरी डेटा के लिए, व्यावहारिक डिफ़ॉल्ट के रूप में उपयोग किया जाना चाहिए, क्योंकि यह साधारण GEE के स्पर्शोन्मुखी गुणों और दक्षता को बनाए रखते हुए पूर्वाग्रह को कम करता है।