📊 statistics

B-CALM: Bias-Limited Bayesian Borrowing for RCT-Anchored Treatment Effects under Covariate Mismatch

यह शोध पत्र B-CALM को प्रस्तुत करता है, जो एक बेयसियन (Bayesian) विधि है जो एक लेटेंट कोवेरिएट मैपिंग और एक बायस-लिमिटेड प्रायर के माध्यम से बड़े अवलोकनात्मक अध्ययनों से डेटा उधार लेकर रैंडमाइज्ड ट्रायल्स में उपचार प्रभावों के विश्वसनीय अनुमान को सक्षम बनाती है, जो कोवेरिएट मिसमैच के तहत नकारात्मक ट्रांसफर को रोकने के लिए स्थानांतरित सूचना की मात्रा को स्पष्ट रूप से नियंत्रित करता है।

मूल लेखक: Amir Asiaee, Samhita Pal

प्रकाशित 2026-07-20

📖 8 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Amir Asiaee, Samhita Pal

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

द ग्रेट मेडिकल डिटेक्टिव गेम (The Great Medical Detective Game)

कल्पना कीजिए कि आप एक जासूस हैं जो यह पता लगाने की कोशिश कर रहे हैं कि क्या एक नई दवा वास्तव में काम करती है। विज्ञान की दुनिया में, इस रहस्य को सुलझाने के लिए "गोल्ड स्टैंडर्ड" एक रैंडमाइज्ड कंट्रोल्ड ट्रायल (RCT) है। इसे एक पूरी तरह से व्यवस्थित खेल के रूप में सोचें जहाँ स्वयंसेवकों के एक छोटे समूह को दो टीमों में विभाजित किया जाता है: एक को असली दवा मिलती है, और दूसरी को चीनी की एक नकली गोली (प्लेसबो) मिलती है। क्योंकि टीमें एक सिक्के के उछाल (coin flip) द्वारा चुनी जाती हैं, इसलिए उनके महसूस करने के तरीके में कोई भी अंतर दवा के कारण माना जा सकता है, न कि इस कारण कि वे कौन हैं। लेकिन यहाँ एक पेंच है: ये खेल अक्सर बहुत छोटे होते हैं। इनमें केवल कुछ सौ खिलाड़ी हो सकते हैं, जो यह साबित करने के लिए तो बेहतरीन है कि दवा औसतन कैसे काम करती है, लेकिन यह समझने के लिए बहुत बुरा है कि यह किसे सबसे अधिक मदद करती है। हो सकता है कि यह किशोरों के लिए चमत्कार करे लेकिन वरिष्ठ नागरिकों के लिए कुछ भी न करे, लेकिन छोटा समूह इस पैटर्न को स्पष्ट रूप से देखने के लिए बहुत छोटा होता है।

यहाँ प्रवेश होता है "ऑब्जर्वेशनल स्टडी" (OS) का। यह एक विशाल, अराजक भीड़ को देखने जैसा है जिसमें लाखों लोग एक वास्तविक शहर में मौजूद हैं। आपके पास यहाँ बहुत अधिक डेटा है, लेकिन आप यह नियंत्रित नहीं कर सकते कि कौन दवा लेता है। हो सकता है कि बीमार लोगों ने इसे इसलिए लिया क्योंकि वे हताश थे, या शायद अमीर लोगों ने इसे लिया क्योंकि वे इसे वहन कर सकते थे। यह "कन्फाउंडिंग" (confounding) डेटा को अव्यवस्थित और पक्षपाती बना देता है। चिकित्सा विज्ञान में बड़ा सवाल यह है: हम उस विशाल, अव्यवस्थित भीड़ का उपयोग उस छोटे, सटीक प्रयोग को समझने के लिए कैसे कर सकते हैं बिना उस भीड़ की अराजकता को हमारा उत्तर खराब किए? हम चाहते हैं कि बड़ी भीड़ खाली जगहों को भर दे, लेकिन हम नहीं चाहते कि वह नियमों को ही बदल दे। यह शोध पत्र ठीक इसी समस्या पर काम करता है: कैसे एक अव्यवस्थित, पक्षपाती स्रोत से जानकारी उधार लेकर एक साफ, छोटे प्रयोग के दृश्य को तेज किया जाए, बिना उस गंदगी के धोखे में आए।

"B-CALM" समाधान: एक स्मार्ट ट्रांसलेटर और एक सख्त बाउंसर

इस शोध पत्र के लेखक, अमीर एशियाई (Amir Asiaee) और संहिता पाल (Samhita Pal) ने B-CALM (बायस-लिमिटेड बेयसियन बोरोइंग) नामक एक नई विधि विकसित की है। आप B-CALM को एक सुपर-स्मार्ट ट्रांसलेटर और एक सख्त बाउंसर के मिश्रण के रूप में देख सकते हैं।

आमतौर पर, जब वैज्ञानिक एक छोटे परीक्षण और एक विशाल वास्तविक दुनिया के अध्ययन से डेटा मिलाने की कोशिश करते हैं, तो उन्हें एक समस्या का सामना करना पड़ता है: दोनों समूहों के लोग एक जैसे नहीं होते। परीक्षण ने शायद "आयु" और "रक्तचाप" को मापा होगा, जबकि वास्तविक दुनिया के अध्ययन ने "आयु" और "जूते का आकार" मापा होगा। यह दो मानचित्रों की तुलना करने जैसा है जहाँ एक मील का उपयोग करता है और दूसरा किलोमीटर का, और एक में पहाड़ हैं जबकि दूसरे में नदियाँ हैं। B-CALM इसे एक साझा गुप्त भाषा (एक "लेटेंट स्टेट") बनाकर हल करता है। यह परीक्षण के विशिष्ट विवरणों और वास्तविक दुनिया के अध्ययन के विशिष्ट विवरणों को इस सामान्य भाषा में अनुवादित करता है, जिससे उन्हें अगल-बगल रखा जाकर तुलना किया जा सके।

लेकिन जादू वाला हिस्सा यहाँ है: B-CALM जानता है कि वास्तविक दुनिया का डेटा पक्षपाती है। यह केवल बड़ी भीड़ पर अंधा विश्वास नहीं करता है। इसके बजाय, यह एक "बायस डिटेक्टर" (पक्षपात डिटेक्टर) स्थापित करता है। यह मानता है कि वास्तविक दुनिया का डेटा दो विशिष्ट तरीकों से गलत हो सकता है:

बेसलाइन बायस (Baseline Bias): शायद वास्तविक दुनिया के लोग परीक्षण के लोगों की तुलना में पहले से ही अधिक बीमार या अधिक स्वस्थ हैं।
कंपैरेटिव बायस (Comparative Bias): शायद वास्तविक दुनिया का डेटा यह सोचता है कि दवा वास्तव में काम करने के तरीके से अलग काम करती है क्योंकि इसमें छिपे हुए कारक (जैसे धन या जीवनशैली) शामिल हैं।

B-CALM इन पूर्वापों (biases) को एक "सेंसिटिविटी नॉब" (संवेदनशीलता नियंत्रण) की तरह मानता है। शोधकर्ता इस नॉब को घुमाकर यह तय कर सकते हैं कि वे वास्तविक दुनिया के डेटा पर कितना भरोसा करते हैं। यदि वे नॉब को "शंकालु" (skeptic) पर रखते हैं, तो विधि कहती है, "मैं बड़ी भीड़ की बात सुनूँगा, लेकिन मैं उसे अपने मन को बदलने नहीं दूँगा कि दवा कैसे काम करती है।" यदि वे इसे "भरोसेमंद" (trusting) पर रखते हैं, तो यह बड़ी भीड़ को उत्तर को अधिक प्रभावित करने की अनुमति देता है।

उन्होंने क्या पाया: "सीलिंग" (छत) प्रभाव

इस शोध पत्र की सबसे रोमांचक खोज एक अवधारणा है जिसे वे "बायस-लिमिटेड बोरोइंग" कहते हैं। कल्पना कीजिए कि आप एक इमारत की ऊंचाई का अनुमान लगाने की कोशिश कर रहे हैं। आपके पास एक छोटा, सटीक लेजर माप (परीक्षण) है और एक विशाल, धुंधला टेलीस्कोप दृश्य (वास्तविक दुनिया का अध्ययन) है।

अतीत में, लोगों को लगता था कि यदि आप टेलीस्कोप दृश्य को बड़ा और बड़ा बनाते जाते हैं (वास्तविक दुनिया के अधिक से अधिक डेटा को जोड़ते हैं), तो आपका अनुमान अंततः पूर्ण हो जाएगा, चाहे टेलीस्कोप कितना भी धुंधला क्यों न हो। B-CALM सिद्ध करता है कि यह गलत है।

लेखक दिखाते हैं कि वास्तविक दुनिया के डेटा के मदद करने की एक सीमा (ceiling) होती है। आप वास्तविक दुनिया के अध्ययन में कितने भी लाखों लोग जोड़ दें, दवा के प्रभाव के बारे में आपकी अनिश्चितता एक निश्चित सीमा से नीचे कभी नहीं गिरेगी। क्यों? क्योंकि "बायस नॉब" (यह अनिश्चितता कि वास्तविक दुनिया का डेटा कितना झुका हुआ है) एक कठोर रोक के रूप में कार्य करता है। यदि वास्तविक दुनिया का डेटा पक्षपाती है, तो अधिक डेटा जोड़ने से आपको केवल पक्षपात का अधिक सटीक माप मिलता है, सत्य का नहीं।

अपने कंप्यूटर सिमुलेशन में, उन्होंने इसे काल्पनिक दुनिया बनाकर परखा जहाँ वास्तविक दुनिया का डेटा अत्यधिक पक्षपाती था। उन्होंने पाया कि:

पुराने तरीके (जैसे सभी डेटा को बस मिला देना) बहुत आत्मविश्वासी और संकीर्ण उत्तरों के साथ आए, लेकिन वे अक्सर गलत थे। वे एक ऐसे जासूस की तरह थे जो उन सुरागों को अनदेखा कर देता है जो उनके सिद्धांत में फिट नहीं बैठते।
B-CALM विनम्र रहा। भले ही वास्तविक दुनिया का डेटा विशाल था, B-CALM ने स्वीकार किया, "मैं 100% निश्चित नहीं हो सकता क्योंकि मुझे नहीं पता कि यह डेटा कितना पक्षपाती है।"
परिणाम: B-CALM ने अपने उत्तरों को सटीक और अपने "कॉन्फिडेंस इंटरवल" (संभावित उत्तरों की सीमा) को ईमानदार रखा। उनके परीक्षणों में, B-CALM 94% बार सही था (90% के लक्ष्य के बहुत करीब), जबकि अन्य तरीके जो डेटा को बस मिला देते थे, वे केवल 58% बार सही थे।

वास्तविक दुनिया के परीक्षण: नकली डेटा से बच्चों के स्वास्थ्य तक

लेखकों ने केवल कंप्यूटर गेम तक ही सीमित नहीं रहे। उन्होंने B-CALM का दो अन्य परिदृश्यों पर परीक्षण किया:

एक सेमी-सिंथेटिक टेस्ट: उन्होंने कक्षा के आकार (टेनेसी STAR ट्रायल) के बारे में एक प्रसिद्ध वास्तविक दुनिया के प्रयोग का उपयोग किया और उसमें नकली "वास्तविक दुनिया" का डेटा जोड़ा। B-CALM ने नकली पक्षपात से धोखा खाए बिना उत्तर को अधिक सटीक बनाने के लिए अतिरिक्त डेटा का सफलतापूर्वक उपयोग किया।
एक वास्तविक चिकित्सा अध्ययन: उन्होंने बाल चिकित्सा मोटापे (बचपन के वजन संबंधी समस्याएं) के इलाज के लिए एक वास्तविक परीक्षण का अध्ययन किया जिसमें 385 बच्चे शामिल थे। उन्होंने मदद के लिए 15,150 बच्चों के अस्पताल रिकॉर्ड (इलेक्ट्रॉनिक हेल्थ रिकॉर्ड्स) से डेटा जोड़ने की कोशिश की।
- अस्पताल का डेटा विशाल लेकिन अव्यवस्थित (गैर-यादृच्छिक) था।
- B-CALM ने अनिश्चितता की सीमा को लगभग 9.4% कम करने के लिए अस्पताल के डेटा का उपयोग किया।
- महत्वपूर्ण रूप से, इसने यह स्वीकार करते हुए ऐसा किया कि अस्पताल का डेटा पक्षपाती हो सकता है। अन्य तरीके जिन्होंने डेटा को बस मिला दिया था, उन्होंने दावा किया कि उन्होंने अनिश्चितता को लगभग 70% तक कम कर दिया है, लेकिन लेखक तर्क देते हैं कि वे तरीके संभवतः अपनी सटीकता के बारे में खुद से झूठ बोल रहे थे।

निष्कर्ष (The Bottom Line)

B-CALM वैज्ञानिकों के लिए एक नया उपकरण है जो कहता है, "एक अव्यवस्थित स्रोत से उधार लेना ठीक है, लेकिन आपको अपनी सीमाओं को जानना होगा।" यह सिद्ध करता है कि आप पक्षपात को ठीक करने के लिए केवल अधिक डेटा नहीं डाल सकते; आपको पक्षपात को ही मॉडल करना होगा। एक "सेंसिटिविटी नॉब" का उपयोग करके, यह शोधकर्ताओं को यह देखने की अनुमति देता है कि उनके उत्तर बाहरी डेटा पर उनके भरोसे के लिए कितने निर्भर हैं।

सिमुलेशन में, विधि ने दिखाया कि यदि आप पक्षपात के प्रति शंकालु हैं, तो अतिरिक्त डेटा थोड़ी मदद करता है, लेकिन यदि आप बहुत अधिक भरोसेमंद हैं, तो आपको एक बहुत ही आत्मविश्वासी लेकिन गलत उत्तर मिल सकता है। यह शोध पत्र सुझाव देता है कि भविष्य में, वैज्ञानिकों को यह पूछना बंद कर देना चाहिए कि, "क्या यह डेटा इतना समान है कि इसे मिलाया जा सके?" और इसके बजाय यह पूछना शुरू करना चाहिए कि, "एक थोड़ा बेहतर उत्तर पाने के लिए मैं कितना पक्षपात स्वीकार करने को तैयार हूँ?" B-CALM उन्हें उस प्रश्न का सुरक्षित रूप से उत्तर देने के लिए गणित प्रदान करता है।

तकनीकी सारांश: B-CALM (बायस-लिमिटेड बेयसियन बोरोइंग)

1. समस्या विवरण (Problem Statement)

रैंडमाइज्ड कंट्रोल्ड ट्रायल्स (RCTs) उपचार प्रभावों के आंतरिक रूप से वैध अनुमान प्रदान करते हैं, लेकिन वे रोगी उपसमूहों (subgroups) में कंडीशनल एवरेज ट्रीटमेंट इफेक्ट्स (CATEs) का अनुमान लगाने के लिए अक्सर अपर्याप्त शक्ति (underpowered) रखते हैं। बड़े पैमाने के ऑब्जर्वेशनल स्टडीज (OS) पर्याप्त नमूना आकार (sample sizes) प्रदान करते हैं, लेकिन वे कन्फाउंडिंग (confounding), जनसंख्या बेमेल (population mismatch), और आंशिक कोवेरिएट ओवरलैप (जहाँ RCTs और OSs कुछ साझा कोवेरिएट्स $W$ साझा करते हैं, लेकिन उनके अपने अद्वितीय सेट $U$ और $V$ हैं) से ग्रस्त होते हैं।

मुख्य चुनौती यह है कि RCT-परिभाषित CATE अनुमान में अनिश्चितता को कम करने के लिए OS डेटा का लाभ कैसे उठाया जाए, बिना इस जोखिम के कि पक्षपाती (biased) OS डेटा अनुमान पर हावी हो जाए (अर्थात, "नेगेटिव ट्रांसफर" को रोकना जहाँ OS, वास्तविक RCT लक्ष्य से एस्टिमैंड को दूर धकेल देता है)। मौजूदा विधियाँ अक्सर अलग-अलग प्रोपेगेटेड अनसर्टेन्टी के साथ पॉइंट एस्टीमेट्स या ग्लोबल बोरोइंग वेट्स पर निर्भर करती हैं जो कोवेरिएट मिसमैच के तहत बायस के फंक्शनल फॉर्म को स्पष्ट रूप से मॉडल नहीं करती हैं।

2. कार्यप्रणाली: B-CALM

लेखक B-CALM (बायेसियन कैलिब्रेटेड अलाइनमेंट अंडर कोवेरिएट मिसमैच) का प्रस्ताव करते हैं, जो एक बेयसियन फ्रेमवर्क है जो OS को RCT आउटकम सर्फेस के एक पक्षपाती, आंशिक रूप से मिसमैच्ड मेजरमेंट के रूप में मानता है।

2.1 मॉडल आर्किटेक्चर

लेटेंट अलाइनमेंट (Latent Alignment): सोर्स-विशिष्ट एनकोडर्स ( $q_{\phi_r}$ RCT के लिए, $q_{\phi_o}$ OS के लिए) विशिष्ट कोवेरिएट ब्लॉक्स ( $X_r = (W, U)$ और $X_o = (W, V)$ ) को एक साझा लेटेंट पेशेंट स्टेट $Z$ में मैप करते हैं। यह तुलना के लिए एक सामान्य समन्वय प्रणाली (common coordinate system) बनाता है।
आउटकम सर्फेस (Outcome Surfaces):
- RCT सरफेस: $\eta_r(a, z) = \mu(z) + a\tau(z)$ , जहाँ $\mu(z)$ कंट्रोल प्रोग्नोसिस है और $\tau(z)$ लक्षित CATE है।
- OS सरफेस: $\eta_o(a, z) = \mu(z) + a\tau(z) + b_0(z) + ab_\Delta(z)$ ।
बायस डिकंपोजिशन (Bias Decomposition):
- $b_0(z)$ : बेसलाइन बायस (Baseline Bias), जो समान लेटेंट स्टेट पर OS और RCT के बीच कंट्रोल आउटकम के अंतर को दर्शाता है (जैसे कि अनमेज़र्ड कोमोरबिडिटीज के कारण)।
- $b_\Delta(z)$ : कंपैरेटिव बायस (Comparative Bias), जो बेसलाइन शिफ्ट के समायोजन के बाद उपचार कंट्रास्ट ( $\tau_{OS} - \tau_{RCT}$ ) के अंतर को दर्शाता है। यह वह महत्वपूर्ण पैरामीटर है जो बोरोइंग को नियंत्रित करता है।

2.2 संभाव्य सूत्रीकरण (Probabilistic Formulation)

यह विधि आउटकम फंक्शन्स ( $\mu, \tau$ ) और बायस फंक्शन्स ( $b_0, b_\Delta$ ) पर गॉसियन प्रोसेस (GP) प्रायर्स (priors) रखती है।

बोरोइंग मैकेनिज्म: कंपैरेटिव बायस का प्रायर वेरिएंस, $\sigma^2_\Delta$ $σ_{Δ}^{2}$ , एक "सेंसिटिविटी नॉब" (sensitivity knob) के रूप में कार्य करता है।
- यदि $\sigma^2_\Delta \to 0$ , तो यह माना जाता है कि OS और RCT कंट्रास्ट सुसंगत हैं, जिससे पूर्ण पूलिंग (full pooling) की अनुमति मिलती है।
- यदि $\sigma^2_\Delta \to \infty$ , तो OS कंट्रास्ट को मनमाना पक्षपाती होने की अनुमति दी जाती है, जिससे निष्कर्ष वापस RCT-ओनली पर लौट आता है।
- मध्यवर्ती मान एक संवेदनशीलता विश्लेषण (sensitivity analysis) को परिभाषित करते हैं जहाँ OS केवल तब तक RCT CATE को सूचित करता है जब तक कि बायस फंक्शन प्रायर द्वारा सीमित हो।

2.3 अलाइनमेंट और कैलिब्रेशन (Alignment and Calibration)

फ्रेमवर्क दोनों स्रोतों के बीच लेटेंट डिस्ट्रीब्यूशन के अवशेष मिसमैच को मापने के लिए एक इंटीग्रल प्रोबेबिलिटी मेट्रिक (IPM) को शामिल करता है। मॉडल एक वेरिएशनल लोअर बाउंड (ELBO) को ऑप्टिमाइज़ करता है जिसमें शामिल हैं:

दोनों स्रोतों (RCT और OS) के आउटकम के लिए लाइक्लीहुड टर्म्स।
प्रायर्स से KL डाइवर्जेंस।
एक अलाइनमेंट पेनल्टी (जैसे MMD या एडवरसेरियल लॉस) ताकि यह सुनिश्चित हो सके कि लेटेंट स्पेस पर्याप्त रूप से अलाइन्ड है।

3. मुख्य सैद्धांतिक योगदान

पेपर चार मुख्य सैद्धांतिक परिणाम स्थापित करता है:

बायस-लिमिटेड इंफॉर्मेशन बाउंड: लेखक सिद्ध करते हैं कि OS द्वारा RCT ट्रीटमेंट-इफेक्ट फंक्शन के बारे में दिया जा सकने वाला सूचना योगदान, कंपैरेटिव बायस फंक्शन $b_\Delta$ के प्रायर प्रिसिजन द्वारा सीमित है। जैसे-जैसे OS सैंपल साइज ( $n_o$ ) अनंत की ओर बढ़ता है, सूचना लाभ (information gain) बढ़ता नहीं है; यह संतृप्त (saturate) हो जाता है।
इफेक्टिव सैंपल साइज (ESS) सैचुरेशन: एक स्केलर विशेष मामले (जैसे, एवरेज ट्रीटमेंट इफेक्ट) में, लेखक एक ESS फॉर्मूला प्राप्त करते हैं: $n_{eff} = n_o / (1 + n_o \sigma^2_b / \sigma^2_o)$ । जैसे-जैसे $n_o \to \infty$ , $n_{eff}$ , $\sigma^2_o / \sigma^2_b$ की ओर अभिसरित होता है। यह दर्शाता है कि OS सैंपल साइज बढ़ाने से बायस के बारे में प्रायर अनसर्टेंटी को दूर नहीं किया जा सकता।
फंक्शन-वैल्यूड एक्सटेंशन: थ्योरम 1 CATE फंक्शन के परिमित-आयामी (finite-dimensional) निरूपणों तक इस सैचुरेशन परिणाम को विस्तारित करता है, यह दिखाते हुए कि ट्रीटमेंट इफेक्ट के लिए फिशर इंफॉर्मेशन (Fisher information) हर दिशा में बायस फंक्शन के प्रायर प्रिसिजन द्वारा सीमित है।
PAC-Bayes रिस्क डिकंपोजिशन: लेखक एक टारगेट-रिस्क डिकंपोजिशन प्रदान करते हैं जो RCT एम्पिरिकल रिस्क, लेटेंट अलाइनमेंट एरर (IPM), और डिबायस्ड OS सरफेस के अवशेष कैलिब्रेशन एरर को अलग करता है। यह स्पष्ट करता है कि केवल अलाइनमेंट ही पर्याप्त नहीं है; डिबायस्ड OS सरफेस को भी RCT सरफेस के साथ कैलिब्रेटेड होना चाहिए।

4. प्रयोगात्मक परिणाम (Experimental Results)

इस पद्धति का मूल्यांकन तीन डेटासेट्स पर किया गया: एक सिंथेटिक फैक्टोरियल स्टडी, टेनेसी STAR ट्रायल पर आधारित एक सेमी-सिंथेटिक बेंचमार्क, और एक वास्तविक बाल चिकित्सा मोटापा बाहरी-नियंत्रण अध्ययन।

सिंथेटिक स्टडी:
- कवरेज (Coverage): B-CALM ने विभिन्न बायस व्यवस्थाओं के तहत लगभग नाममात्र 90% क्रेडिबल इंटरवल कवरेज (औसत 0.939) बनाए रखा। इसके विपरीत, पूल्ड मेथड्स और कॉज़ल फॉरेस्ट्स (CF) कंपैरेटिव बायस के तहत अत्यधिक आत्मविश्वासी (overconfident) हो गए (कवरेज क्रमशः 0.581 और 0.811 तक गिर गया)।
- नेगेटिव ट्रांसफर: B-CALM ने कम नेगेटिव ट्रांसफर (0.023) प्रदर्शित किया, जिसका अर्थ है कि इसने शायद ही कभी RCT-ओनली विश्लेषण से खराब प्रदर्शन किया।
- सैचुरेशन: जैसे-जैसे OS सैंपल साइज बढ़ा, B-CALM के क्रेडिबल इंटरवल की चौड़ाई $\sigma_\Delta$ द्वारा निर्धारित एक फ्लोर (floor) तक सपाट हो गई, जबकि पूल्ड मेथड्स बायस को अनदेखा करते हुए शून्य की ओर सिकुड़ते रहे।
सेमी-सिंथेटिक (STAR): B-CALM ने पूल्ड मेथड्स के 0.425 कवरेज की तुलना में 0.936 कवरेज प्राप्त किया, जबकि RMSE तुलनीय रहा।
रियल-डेटा (बाल चिकित्सा मोटापा): बाहरी नियंत्रण के रूप में EHR डेटा का उपयोग करते हुए, B-CALM ने "बायस-ससेप्टिबिलिटी रेश्यो" को 1.0 से नीचे रखते हुए, RCT-ओनली के सापेक्ष 90% क्रेडिबल इंटरवल की चौड़ाई को 9.4% कम कर दिया। पूल्ड मेथड्स ने बड़ी चौड़ाई कमी (70% तक) हासिल की, लेकिन उनके द्वारा रिपोर्ट किए गए इंटरवल विड्थ्स से अधिक बायस जोखिमों को दर्शाया (रेश्यो > 1.0)।

5. महत्व और दावे (Significance and Claims)

यह पेपर B-CALM को "बोरोइंग" को एक पॉइंट-एस्टिमेशन समस्या के बजाय एक पोस्टीरियर सेंसिटिविटी एनालिसिस के रूप में देखने के बदलाव के रूप में प्रस्तुत करता है।

स्पष्ट बायस मॉडलिंग: ग्लोबल डिस्काउंट फैक्टर्स या एक्सचेंजैबिलिटी इंडिकेटर्स का उपयोग करने वाली विधियों के विपरीत, B-CALM स्पष्ट रूप से बायस फंक्शन $b_\Delta(z)$ को मॉडल करता है। यह विश्लेषक को प्रायर प्रिसिजन के आधार पर यह नियंत्रित करने की अनुमति देता है कि कहाँ और कितना बोरोइंग किया जाए।
सुरक्षा तंत्र (Safety Mechanism): इसकी "बायस-लिमिटेड" विशेषता यह सुनिश्चित करती है कि चाहे ऑब्जर्वेशनल डेटासेट कितना भी बड़ा क्यों न हो जाए, निष्कर्ष पूरी तरह से संभावित रूप से पक्षपाती डेटा द्वारा संचालित नहीं हो सकते। बायस फंक्शन पर प्रायर, सूचना हस्तांतरण पर एक हार्ड सीलिंग (hard ceiling) के रूप में कार्य करता है।
व्यावहारिक आउटपुट: लेखक दावा करते हैं कि प्राथमिक आउटपुट एक एकल अनुमान नहीं है, बल्कि एक कैलिब्रेटेड विश्लेषण है जिसमें RCT-परिभाषित एस्टिमैंड पर एक पोस्टीरियर, प्रायर बायस स्केल्स पर एक सेंसिटिविटी कर्व, और एक इफेक्टिव सैंपल साइज डायग्नोस्टिक शामिल है। यह शोधकर्ताओं को यह रिपोर्ट करने की अनुमति देता है कि OS बायस के बारे में धारणाएं बदलने पर निष्कर्ष कैसे बदलते हैं, न कि एक एकल, संभावित रूप से नाजुक बोरोइंग वेट के प्रति प्रतिबद्ध होना।

लेखक सीमाओं को स्वीकार करते हैं, जिनमें प्रायर के बिना $b_\Delta$ की नॉन-आइडेंटिफिएबिलिटी (जिसके लिए सेंसिटिविटी एनालिसिस आवश्यक है), लेटेंट अलाइनमेंट के लिए साझा कोवेरिएट्स पर निर्भरता, और बड़े पैमाने पर कम्प्यूटेशनल लागत शामिल है।