Measurement Induced Confounding

तकनीकी सारांश: मापन-प्रेरित भ्रामकता (Measurement Induced Confounding)

समस्या का विवरण

अवलोकनात्मक अध्ययन (Observational studies) "सुदृढ़ अनभिज्ञता" (strong ignorability) की धारणा पर निर्भर करते हैं, जो यह प्रतिपादित करती है कि सभी भ्रामक चर (confounding variables) ज्ञात हैं और औसत प्रभाव का अनुमान लगाने के लिए पर्याप्त रूप से समायोजित किए गए हैं। इस धारणा का एक महत्वपूर्ण, अक्सर अनदेखा किया जाने वाला पहलू यह है कि भ्रामक चरों को त्रुटि रहित मापा जाना चाहिए। सामाजिक, शैक्षिक और चिकित्सा विज्ञानों में, कई भ्रामक चर अव्यक्त लक्षण (latent traits) होते हैं (जैसे, प्रेरणा, क्षमता, कल्याण) जो सीधे तौर पर अवलोकन योग्य नहीं होते हैं। इसके बजाय, शोधकर्ता प्रॉक्सी माप (proxy measures) उत्पन्न करने के लिए उपकरणों (परीक्षण या सर्वेक्षण) पर निर्भर रहते हैं, जैसे कि सम स्कोर (sum scores), आइटम रिस्पांस थ्योरी (IRT) अनुमान, या कच्चे आइटम रिस्पॉन्स (raw item responses)।

लेखक तर्क देते हैं कि इन प्रॉक्सी मापों को वास्तविक अवव्यक्त लक्षण के स्थान पर उपयोग करना मापन-प्रेरित भ्रामकता (measurement induced confounding) को जन्म देता है। क्योंकि प्रॉक्सी मापों में मापन त्रुटि होती है, इसलिए उनके लिए समायोजन करना उपचार (treatment) और परिणाम (outcome) के बीच के बैकडोर पथ (backdoor path) को पूरी तरह से अवरुद्ध करने में विफल रहता है। फलस्वरूप, पारंपरिक दृष्टिकोण औसत उपचार प्रभाव (Average Treatment Effect - ATE) के पक्षपाती अनुमान प्रदान करते हैं और अनिश्चितता अंतराल (uncertainty intervals) के गलत कवरेज गुणों (विशेष रूप से, अंडरकवरेज) को प्रदर्शित करते हैं।

कार्यप्रणाली

सैद्धांतिक ढांचा

यह शोध पत्र समस्या को स्पष्ट करने के लिए निर्देशित अचक्रीय ग्राफ (Directed Acyclic Graphs - DAGs) का उपयोग करता है। एक मानक अवलोकनात्मक सेटिंग में जहाँ एक अवव्यक्त लक्षण $\theta$, उपचार $Z$ और परिणाम $Y$ के बीच के संबंध को भ्रमित करता है, और आइटम रिस्पॉन्स $X$, $\theta$ द्वारा उत्पन्न होते हैं:

• पारंपरिक दृष्टिकोण: शोधकर्ता $\hat{\theta}$ (जो $X$ से प्राप्त अनुमान है) या $X$ को सीधे समायोजित करते हैं। लेखक DAGs के माध्यम से प्रदर्शित करते हैं कि $\hat{\theta}$ और $X$ पर्याप्त समायोजन सेट नहीं हैं क्योंकि वे अनभिव्यक्त $\theta$ का पूर्णतः लेखा-जोखा नहीं रखते, जिससे $Z$ और संभावित परिणामों $Y(1), Y(0)$ के बीच अवशिष्ट भ्रामकता (residual confounding) बनी रहती है।
• प्रस्तावित समाधान: लेखक एक बायेसियन संयुक्त अनुमान (Bayesian Joint Estimation) दृष्टिकोण का प्रस्ताव करते हैं। यह विधि एक एकल संभाव्यता मॉडल के भीतर तीन घटकों का एक साथ अनुमान लगाती है:
  1. मापन मॉडल (The Measurement Model): आइटम रिस्पॉन्स $X$ को अवव्यक्त लक्षण $\theta$ से जोड़ता है (जैसे, एक 2-पैरामीटर लॉजिस्टिक IRT मॉडल का उपयोग करके)।
  2. उपचार असाइनमेंट मॉडल (The Treatment Assignment Model): अवव्यक्त लक्षण $\theta$ को उपचार असाइनमेंट $Z$ (प्रोपेनसिटी स्कोर) से जोड़ता है।
  3. रिस्पॉन्स मॉडल (The Response Model): अवव्यक्त लक्षण $\theta$ और उपचार $Z$ को परिणाम $Y$ से जोड़ता है।

$p(\theta, Z, Y, X)$ के संयुक्त वितरण को मॉडल करके, यह दृष्टिकोण सीधे अवव्यक्त लक्षण $\theta$ के लिए समायोजन करने की अनुमति देता है, बिना उसे सीधे देखे, जिससे प्रभावी रूप से बैकडोर पथ बंद हो जाता है।

सिमुलेशन अध्ययन

सिद्धांत को मान्य करने के लिए, लेखकों ने एक सिमुलेशन अध्ययन ($N=1000$ व्यक्ति, $J=100$ आइटम, $M=1000$ पुनरावृत्ति) आयोजित किया, जो कॉलेज उपस्थिति का आय पर प्रभाव के एक अवलोकनात्मक अध्ययन की नकल करता है, जिसमें 'प्रेरणा' एकमात्र अवव्यक्त भ्रामक चर है।

• डेटा जेनरेटिंग प्रोसेस: अवव्यक्त प्रेरणा $\theta$ को एक मानक सामान्य वितरण (standard normal distribution) से लिया गया था। आइटम रिस्पॉन्स एक 2PL IRT मॉडल के माध्यम से उत्पन्न किए गए थे। उपचार असाइनमेंट और संभावित परिणाम $\theta$ के रैखिक फलन (linear functions) थे।
• तुलना समूह (Comparators): बायेसियन संयुक्त अनुमान की तुलना निम्नलिखित से की गई:
  • रिस्पॉन्स सरफेस मॉडलिंग (Response Surface Modeling): सम स्कोर ($\hat{\theta}_{sum}$), IRT अनुमानों ($\hat{\theta}_{IRT}$), या कच्चे आइटम रिस्पॉन्स ($X$) के लिए समायोजन करना।
  • इनवर्स प्रोबेबिलिटी ट्रीटमेंट वेटिंग (IPTW): $\hat{\theta}_{sum}$, $\hat{\theta}_{IRT}$, या $X$ का उपयोग करके प्रोपेनसिटी स्कोर को मॉडल करना।

निर्मित अवलोकनात्मक अध्ययन

लेखकों ने अपने पद्धति को केलर एट अल. (2025) के एक यादृच्छिक अध्ययन से प्राप्त एक निर्मित अवलोकनात्मक डेटासेट पर लागू किया। इस डेटासेट में, प्रतिभागियों ने प्राथमिकता के आधार पर उपचार समूहों में स्वयं को चुना, जिससे अवव्यक्त भ्रामकता (baseline math ability, जिसे 12-आइटम प्रीटेस्ट द्वारा मापा गया था) की स्थिति उत्पन्न हुई। यादृच्छिक अध्ययन का परिणाम निष्पक्ष बेंचमार्क के रूप में कार्य करता है।

मुख्य परिणाम

सिमुलेशन निष्कर्ष

• पक्षपात (Bias): सभी पारंपरिक दृष्टिकोणों (सम स्कोर, IRT अनुमान, और कच्चे आइटम रिस्पॉन्स) ने कंडीशनल एवरेज ट्रीटमेंट इफेक्ट (CATE) के पक्षपाती अनुमान प्रस्तुत किए।
  • रिस्पॉन्स सरफेस मॉडलों ने 0.0475 से 0.0584 मानक विचलन के बीच मानकीकृत पक्षपात दिखाया।
  • IPTW मॉडलों ने और भी बड़े पक्षपात दिखाए, जो 0.102 से 0.126 मानक विचलन के बीच थे।
  • बायेसियन संयुक्त अनुमान दृष्टिकोण शून्य पक्षपात की ओर अभिसरित (converged) हुआ।
• कवरेज (Coverage): पारंपरिक दृष्टिकोण व्यवस्थित रूप से वास्तविक प्रभाव को अंडरकवर (undercovered) करते थे (अर्थात, 95% विश्वास अंतराल नाममात्र दर से अधिक बार वास्तविक पैरामीटर को पकड़ने में विफल रहे)।
• दक्षता (Efficiency): बायेसियन संयुक्त अनुमान दृष्टिकोण ने अनिश्चितता अंतराल की लंबाई को बढ़ाए बिना नाममात्र कवरेज (95%) प्राप्त किया; वास्तव में, इसके अंतराल पक्षपाती पारंपरिक तरीकों की तुलना में बराबर या छोटे थे।

निर्मित अध्ययन के निष्कर्ष

• यादृच्छिक बेंचमार्क CATE 0.7603 था।
• बायेसियन संयुक्त अनुमान ने 0.73 का CATE प्राप्त किया (बेंचमार्क से 0.007 मानक विचलन)।
• पारंपरिक तरीकों ने 0.99 से 1.24 के बीच अनुमान दिए (बेंचमार्क से 0.06 से 0.132 मानक विचलन दूर)।
• महत्वपूर्ण रूप से, सभी रिस्पॉन्स सरफेस मॉडल अपने 95% अंतराल के साथ प्रयोगात्मक बेंचमार्क को कवर करने में विफल रहे। हालांकि कुछ IPTW अंतरालों ने बेंचमार्क को कवर किया, यह अत्यधिक अनिश्चितता (चौड़े अंतराल) के कारण था, न कि सटीकता के कारण।

योगदान और महत्व

यह शोध पत्र दो प्राथमिक योगदान देता है:

1. मापन-प्रेरित भ्रामकता की पहचान: यह औपचारिक रूप से पहचानता और प्रदर्शित करता है कि अवलोकनात्मक अध्ययनों में प्रॉक्सी मापों (सम स्कोर, IRT अनुमान, या आइटम रिस्पॉन्स) के माध्यम से अवव्यक्त लक्षणों के लिए समायोजन करने से पक्षपाती कारण अनुमान और गलत अनिश्चितता परिमाणीकरण (uncertainty quantification) होता है, भले ही अंतर्निहित कार्यात्मक रूप रैखिक और सही ढंग से निर्दिष्ट हों।
2. प्रस्तावित समाधान: यह एक बायेसियन संयुक्त अनुमान ढांचे को पेश करता है जो मापन, असाइनमेंट और रिस्पॉन्स प्रक्रियाओं को एक साथ मॉडल करके इस समस्या को हल करता है।

महत्व:
लेखक निष्कर्ष निकालते हैं कि शिक्षा, मनोविज्ञान और चिकित्सा में मौजूदा अवलोकनात्मक अध्ययनों की एक बड़ी संख्या, जो पारंपरिक तरीकों का उपयोग करके अवव्यक्त लक्षणों के लिए समायोजन करती है, संभवतः पक्षपाती कारण अनुमान और भ्रामक अनिश्चितता अंतराल रिपोर्ट करती है। प्रस्तावित बायेसियन संयुक्त अनुमान इन सेटिंग्स में निष्पक्ष निष्कर्ष निकालने का एक मार्ग प्रदान करता है।

हालाँकि, लेखक अपने समाधान की सीमाओं के संबंध में एक संयमित स्वर बनाए रखते हैं:

• पैरामीट्रिक धारणाएं (Parametric Assumptions): वर्तमान कार्यान्वयन मजबूत पैरामीट्रिक धारणाओं (जैसे, रैखिक संबंध, 2PL IRT) पर निर्भर करता है। वे स्वीकार करते हैं कि लचीले मशीन लर्निंग तरीके (जैसे, BART, Causal Forests) वर्तमान में मापन-प्रेरित भ्रामकता को हल नहीं कर सकते क्योंकि वे अवव्यक्त चरों के शामिल होने पर असाइनमेंट तंत्र के माध्यम से बैकडोर पथ को संबोधित नहीं करते हैं।
• स्केलेबिलिटी (Scalability): हालांकि यह दृष्टिकोण कई अवव्यक्त भरामकों तक स्केल कर सकता है, ट्री-आधारित अनुमानकों की गैर-विभेदनीयता (non-differentiability) के कारण गैर-पैरामीट्रिक मॉडलों तक विस्तार करना एक महत्वपूर्ण कम्प्यूटेशनल चुनौती बनी हुई है।
• इष्टतम विकल्प: लेखक दोहराते हैं कि यादृच्छिक अध्ययन (randomized studies) इष्टतम समाधान बने हुए हैं, क्योंकि यादृच्छिकरण डिज़ाइन द्वारा भ्रामकता को समाप्त कर देता है, जिससे अवव्यक्त लक्षणों का मापन अनावश्यक हो जाता है। प्रस्तावित विधि उन स्थितियों के लिए एक उपचार है जहाँ यादृच्छिकरण नैतिक या तार्किक रूप से असंभव है।