On the use of auxiliary variables in multiple imputation when estimating the average causal effect with missing data
यह शोध पत्र लुप्त डेटा के साथ औसत कारण प्रभावों (average causal effects) के अनुमान के लिए मल्टीपल इम्प्यूटेशन में सहायक चरों (auxiliary variables) की भूमिका की जांच करता है, जो सिमुलेशन और सैद्धांतिक विश्लेषण के माध्यम से यह प्रदर्शित करता है कि कारण अनुमानों की पुनरुप्राप्ति (recoverability) और निष्पक्षता सुनिश्चित करने के लिए मध्यस्थ (mediator) और गैर-मध्यस्थ चरों के बीच अंतर करना और संगत, लचीले इम्प्यूटेशन मॉडल का उपयोग करना आवश्यक है।
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 जासूस हैं जो एक रहस्य सुलझाने की कोशिश कर रहे हैं: क्या किशोरों द्वारा कैनबिस (गांजा) पीना जीवन में बाद में मानसिक स्वास्थ्य संबंधी संघर्षों का कारण बनता है?
इसे हल करने के लिए, आपको लोगों के एक समूह को देखना होगा, उन लोगों की तुलना करनी होगी जिन्होंने धूम्रपान किया और जिन्होंने नहीं किया, और उनके मानसिक स्वास्थ्य स्कोर के बीच के अंतर को देखना होगा। वैज्ञानिक इसे "औसत कारण प्रभाव" (Average Causal Effect) का अनुमान लगाना कहते हैं।
लेकिन समस्या यह है: डेटा अस्त-व्यस्त है। कुछ लोगों ने अपने सर्वेक्षण के कुछ हिस्से भरने भूल गए। कुछ अध्ययन से बाहर हो गए। कुछ उत्तर बस गायब हैं। यह "लुप्त डेटा" (missing data) की समस्या है।
जब डेटा गायब होता है, तो आप अंतराल को अनदेखा नहीं कर सकते। यदि आप अधूरे सर्वेक्षणों को फेंक देते हैं (एक विधि जिसे "पूर्ण केस विश्लेषण" या Complete Case Analysis कहा जाता है), तो आप एक पक्षपाती तस्वीर पेश कर सकते हैं, जैसे कि केवल उन छात्रों के टेस्ट स्कोर के आधार पर पूरी कक्षा का निर्णय लेना जो उस दिन स्कूल में उपस्थित हुए थे।
समाधान: "मल्टीपल इम्प्यूटेशन" (खाली स्थान भरने का खेल)
वैज्ञानिक मल्टीपल इम्प्यूटेशन (MI) नामक तकनीक का उपयोग करते हैं। इसे एक स्मार्ट अंदाज़ा लगाने वाले खेल के रूप में सोचें। गायब सर्वेक्षणों को फेंकने के बजाय, कंप्यूटर वास्तविक डेटा में दिखने वाले पैटर्न के आधार पर गायब डेटा के कई "नकली" संस्करण बनाता है। फिर यह इन सभी नकली संस्करणों पर रहस्य को सुलझाता है और परिणामों का औसत निकालता है।
लेकिन सही अंदाज़ा लगाने के लिए, कंप्यूटर को सुरागों की आवश्यकता होती है। यहीं से ऑक्सिलरी वेरिएबल्स (Auxiliary Variables) आते हैं।
सुराग: ऑक्सिलरी वेरिएबल्स
कल्पना कीजिए कि आप एक छात्र के गणित के गायब टेस्ट स्कोर का अंदाज़ा लगाने की कोशिश कर रहे हैं।
- स्पष्ट सुराग: आप उनके अन्य गणित के ग्रेड देखते हैं।
- "ऑक्सिलरी" सुराग: आप यह भी देखते हैं कि उन्होंने कितने घंटे पढ़ाई की, या क्या उस दिन उन्हें सिरदर्द था। ये गणित का ग्रेड नहीं हैं, लेकिन ये उससे संबंधित हैं। शोध पत्र में, इन्हें ऑक्सिलरी वेरिएबल्स कहा गया है।
शोध पत्र एक बहुत ही विशिष्ट, पेचीदा सवाल की जांच करता है: क्या होगा यदि इनमें से कोई एक "सुराग" वास्तव में कारण-और-प्रभाव की श्रृंखला का हिस्सा है?
लेखक इन सुरागों को दो प्रकारों में विभाजित करते हैं:
- "साइड-क्लू" (गैर-मीडिएटर/Non-Mediator): एक ऐसा चर (variable) जो गायब डेटा को समझाने में मदद करता है लेकिन आपके द्वारा अध्ययन किए जा रहे विषय से उत्पन्न नहीं होता है। (जैसे, एक छात्र का सिरदर्द जिसके कारण उसने टेस्ट मिस कर दिया, लेकिन कैनबिस के उपयोग ने सिरदर्द पैदा नहीं किया)।
- "मिडल-मैन" (मीडिएटर/Mediator): एक ऐसा चर जो आपके द्वारा अध्ययन किए जा रहे विषय से उत्पन्न होता है और फिर परिणाम का कारण बनता है। (जैसे, कैनबिस का उपयोग नींद की समस्या मानसिक स्वास्थ्य संबंधी मुद्दे)। यहाँ, "नींद की समस्या" गायब डेटा का सुराग है, लेकिन यह कारण-संबंधी श्रृंखला के ठीक बीच में स्थित है।
प्रयोग: अंदाज़ा लगाने वाले खेल का परीक्षण
शोधकर्ताओं ने एक विशाल सिमुलेशन (कंप्यूटर प्रयोग) चलाया यह देखने के लिए कि विभिन्न "मिसिंगनेस मैप्स" (यह दिखाने वाले आरेख कि डेटा क्यों गायब हुआ) के तहत कौन सी अंदाज़ा लगाने वाली रणनीतियाँ सबसे अच्छा काम करती हैं।
उन्होंने तीन मुख्य रणनीतियों का परीक्षण किया:
- "फेंक देने" की रणनीति (CCA): बस गायब डेटा को अनदेखा कर दें।
- "सुराग को अंतिम समीकरण में जोड़ने" की रणनीति (A-CCA): सुरागों का उपयोग करके गायब डेटा को ठीक करने के लिए उन्हें सीधे अंतिम गणितीय सूत्र में जोड़ दें।
- "स्मार्ट इम्प्यूटेशन" की रणनीति (Auxiliary Variables के साथ MI): अंतिम गणित करने से पहले सुरागों को कंप्यूटर के "खाली स्थान भरने" वाले इंजन में डालें।
मुख्य निष्कर्ष
उन्होंने क्या खोजा, जिसे सरल अंग्रेजी (यहाँ हिंदी) में अनुवादित किया गया है:
1. "मिडल-मैन" का जाल
यदि आपका सुराग एक "मिडल-मैन" (एक मीडिएटर) है, तो आप इसे अपने अंतिम गणितीय सूत्र में सीधे नहीं जोड़ सकते (रणनीति 2)।
- उपमा: यदि आप जानना चाहते हैं कि धूम्रपान से फेफड़ों के कैंसर का कितना प्रभाव पड़ता है, और आप "फेफड़ों में टार" को अपने सूत्र में जोड़ देते हैं, तो आप अनजाने में धूम्रपान के मार्ग को रोक रहे हैं। आप टार के प्रभाव को माप रहे हैं, धूम्रपान के नहीं।
- परिणाम: इस विधि (A-CCA) ने तब भारी त्रुटियां पैदा कीं जब सुराग एक मीडिएटर था। इसने जासूस को यह सोचने पर मजबूर कर दिया कि धूम्रपान का कोई प्रभाव ही नहीं था, या गलत प्रभाव था।
2. "स्मार्ट इम्प्यूटेशन" जीतता है (लेकिन सावधान रहें कि आप इसे कैसे करते हैं)
इन सुरागों का उपयोग करने का सबसे अच्छा तरीका उन्हें "खाली स्थान भरने" वाले इंजन (Multiple Imputation) में डालना है।
- लचीला दृष्टिकोण (CART): शोधकर्ताओं ने पाया कि एक नॉन-पैरामीट्रिक पद्धति (जैसे एक निर्णय वृक्ष, या "CART") का उपयोग करना बहुत मजबूत था। यह एक ऐसे जासूस की तरह है जो कठोर नियमों पर निर्भर रहने के बजाय पूरी तस्वीर को देखता है। यह तरीका तब भी अच्छा काम करता है जब सुराग पेचीदा "मिडल-मैन" हों।
- संगत दृष्टिकोण (A-SMCFCS): एक अन्य तरीका भी अच्छा काम करता है, बशर्ते कंप्यूटर के "खाली स्थान भरने" के नियम अंतिम गणित के नियमों के साथ पूरी तरह से संगत (compatible) हों।
3. "असंगत" अंदाज़े का खतरा
यदि आप एक मानक अंदाज़ा लगाने वाली विधि (जैसे लीनियर रिग्रेशन) का उपयोग करते हैं और यह सुनिश्चित नहीं करते हैं कि अंदाज़ा लगाने के नियम अंतिम गणित के नियमों से मेल खाते हों, तो आपको पक्षपाती परिणाम मिलेंगे। यह वजन मापने के लिए स्केल (रूलर) का उपयोग करने जैसा है। शोध पत्र दिखाता है कि बिना विशेष देखभाल के एक मानक अंदाज़ा लगाने वाले इंजन में "मिडल-मैन" सुराग डालने से पूरा मामला बिगड़ सकता है।
जासूस के लिए सीख
यदि आप बिखरे हुए (messy) डेटा के साथ कारण-और-प्रभाव का पता लगाने की कोशिश कर रहे हैं:
- गायब डेटा को बस फेंक न दें।
- अपने पास मौजूद हर सुराग को अपने अंतिम गणितीय समीकरण में न डालें। यदि कोई सुराग एक "मिडल-मैन" (कारण से उत्पन्न होने वाला) है, तो उसे अंतिम समीकरण में रखने से आपके परिणाम खराब हो जाएंगे।
- एक "स्मार्ट इम्प्यूटेशन" टूल का उपयोग करें। अपने सुरागों (दोनों साइड-क्लू और मिडल-मैन) को अंतिम गणित करने से पहले कंप्यूटर के अंदाज़ा लगाने वाले इंजन में डालें।
- लचीले टूल्स का उपयोग करें। शोध पत्र सुझाव देता है कि लचीले, नॉन-पैरामीट्रिक टूल्स (जैसे CART) या विशेष रूप से डिज़ाइन किए गए "संगत" टूल्स (जैसे A-SMCFCS) गलत उत्तर पाने से बचने के लिए सबसे सुरक्षित विकल्प हैं।
संक्षेप में: गायब डेटा के रहस्य को सुलझाने के लिए, आपको सही सुरागों की आवश्यकता है, लेकिन आपको उन्हें सही तरीके से कंप्यूटर को देना होगा, अन्यथा आप गलत मामला सुलझा लेंगे।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।