📊 statistics

Causal Inference for Case Studies in Behavioral Health

यह शोधपत्र व्यवहारिक स्वास्थ्य केस स्टडीज के लिए एक कारण अनुमान (कॉज़ल इन्फरेंस) ढांचे को प्रस्तुत करता है जो वितरणों के बजाय परिणाम समर्थनों (आउटकम सपोर्ट्स) पर आधारित $\Omega$ एस्टिमेंड्स का उपयोग करता है, जिससे केवल एक पॉजिटिविटी धारणा के तहत अनमापित कन्फाउंडिंग (unmeasured confounding) के बावजूद वैध कारण निष्कर्ष निकालना संभव हो पाता है।

मूल लेखक: Shane Sparkes

प्रकाशित 2026-07-09

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Shane Sparkes

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

यहाँ एक सरल भाषा, उपमाओं और रूपकों का उपयोग करते हुए इस शोध पत्र की व्याख्या दी गई, जो पूरी तरह से पाठ में किए गए दावों पर आधारित है।

बड़ी समस्या: "टाइम ट्रैवल" (समय यात्रा) की दुविधा

कल्पना कीजिए कि आप एक थेरेपिस्ट हैं जो यह पता लगाने की कोशिश कर रहे हैं कि क्या किसी विशिष्ट उपचार ने किसी क्लाइंट की मदद की। एक आदर्श दुनिया में, आप एक "टाइम मशीन" का उपयोग कर सकते यह देखने के लिए कि यदि उस उसी व्यक्ति को उपचार नहीं मिला होता, तो क्या होता। आप उनके "उपचारित" स्वरूप की तुलना उनके "अनुपचारित" स्वरूप से कर सकते थे।

लेकिन, जैसा कि पेपर बताता है, टाइम ट्रैवल अस्तित्व में नहीं है। आप घड़ी को पीछे नहीं घुमा सकते। इसके अलावा, वास्तविक जीवन में, आप सब कुछ माप नहीं सकते। हमेशा छिपे हुए कारक (जैसे क्लाइंट का काम पर बुरा दिन, पारिवारिक झगड़ा, या मौसम) होते हैं जो उपचार और उनकी स्थिति दोनों को प्रभावित कर सकते हैं। सांख्यिकी (statistics) में, इन छिपे हुए कारकों को कन्फाउंडर्स (confounders) कहा जाता है। आमतौर पर, कारण और प्रभाव (cause and effect) को सिद्ध करने के लिए, आपको इन सभी छिपे हुए कारकों को मापना और नियंत्रित करना होता है। लेकिन व्यवहार संबंधी स्वास्थ्य (behavioral health) में, देखभाल के स्वाभाविक प्रवाह को बिगाड़े बिना सब कुछ मापना अक्सर असंभव या अनैतिक होता है।

समाधान: "ऑर्डर" के बजाय "मेन्यू" को देखना

लेखक, शेन स्पार्क्स (Shane Sparkes), इसे हल करने का एक नया तरीका प्रस्तावित करते हैं। औसत सुधार (average improvement) की गणना करने के बजाय (जिसके लिए सभी छिपे हुए प्रायिकता/probabilities को जानना आवश्यक है), वे संभावनाओं की सीमा (range of possibilities) को देखने का सुझाव देते हैं।

उपमा: रेस्टोरेंट का मेन्यू
कल्पना कीजिए कि क्लाइंट की चिंता का स्तर संभव भावनाओं का एक मेन्यू है, जो "शांत" (1) से "घबराहट" (10) तक है।

उपचार से पहले: क्लाइंट की संभावित भावनाओं का "मेन्यू" 1 से 10 तक की हर चीज़ को शामिल करता है। वे आज 10 महसूस कर सकते हैं, कल 7, या अगले सप्ताह 2।
उपचार के बाद: यदि उपचार काम करता है, तो क्लाइंट अभी भी 1, 2, या 3 महसूस कर सकता है, लेकिन वे कभी भी 9 या 10 महसूस नहीं करेंगे। "9" और "10" को मेन्यू से हटा दिया गया है।

पेपर का तर्क है कि यदि उपचार मेन्यू (संभावित परिणामों का सेट) को बदल देता है, तो हम कह सकते हैं कि इसका प्रभाव पड़ा है, भले ही हमें यह न पता हो कि 7 बनाम 8 महसूस करने की सटीक संभावना क्या है।

मुख्य विचार: $\Omega$ -एस्टिमैंड्स ( $\Omega$ -estimands)

यह पेपर एक फैंसी शब्द पेश करता है जिसे $\Omega$ -एस्टिमैंड्स (उच्चारण: "ओमेगा-एस्टिमैंड्स") कहा जाता है।

पारंपरिक तरीके वितरण (distribution - हर संख्या की संभावना) को देखते हैं। वे पूछते हैं: "औसत स्कोर क्या है?"
इस पेपर का तरीका सपोर्ट (support) (वास्तविक संभव संख्याओं की सूची) को देखता है। यह पूछता है: "मेन्यू में कौन से नंबर हैं?"

लेखक का दावा है कि यदि आप संभावनाओं (distribution) के बजाय मेन्यू (support) को देखते हैं, तो आपको छिपे हुए कन्फाउंडर्स को जानने की आवश्यकता नहीं होती है। जब तक कि एक बुनियादी शर्त जिसे पॉज़िटिविटी (Positivity) कहा जाता है, पूरी हो जाती है, तब तक वास्तविक दुनिया में दिखने वाला "मेन्यू" वही होता है जो एक आदर्श प्रयोग में दिखता।

पॉज़िटिविटी क्या है?
पॉज़िटिविटी को "खुले विकल्पों" के नियम के रूप में सोचें। इसका अर्थ है कि क्लाइंट की किसी भी स्थिति में (बुरा दिन, अच्छा दिन, संकट), उपचार प्रदाता के पास उपचार देने की संभावना बनी रहनी चाहिए। यदि संकट इतना गंभीर है कि प्रदाता सामान्य उपचार नहीं दे सकता, तो पॉज़िटिविटी टूट जाती है। लेकिन यदि प्रदाता हमेशा उपचार दे सकता है (भले ही वह इसे करने के तरीके में बदलाव करे), तो "मेन्यू" तुलना के लिए वैध रहता है।

इस पद्धति के लिए तीन "नियम"

एक वास्तविक क्लिनिक में इसे काम करने के लिए, पेपर तीन शर्तें सुझाता है:

पॉज़िटिविटी (खुले दरवाजे का नियम): जैसा कि ऊपर बताया गया है, उपचार सभी स्थितियों में संभव होना चाहिए। क्लाइंट का जीवन जटिल होने मात्र से उपचार का "मेन्यू" गायब नहीं होना चाहिए।
एपिस्टेमिक प्रिजर्वेशन (समान आकार का नियम): यह थोड़ा तकनीकी है, लेकिन इसका मूल अर्थ यह है कि निर्णय लेने वाले व्यक्ति (थेरेपिस्ट या क्लाइंट) को अनिश्चितता के बारे में सोचने का एक सुसंगत तरीका अपनाना चाहिए। यदि वे उपचार से पहले "औसत" भावना का अनुमान लगाते हैं, तो उन्हें उपचार के बाद भी उसी मानसिक तर्क का उपयोग करके "औसत" का अनुमान लगाना चाहिए।
सपोर्ट रिकॉल ("मेमोरी मेन्यू" नियम): आमतौर पर, हमारे पास "पहले" की अवधि का डेटा नहीं होता क्योंकि क्लाइंट का मापन नहीं किया जा रहा था। पेपर क्लाइंट को अपने बेसलाइन को याद करने के लिए कहने का सुझाव देता है। नियम यहाँ है: भले ही क्लाइंट की याददाश्त एकदम सटीक न हो, जब तक कि वे संभावनाओं की सीमा (जैसे, "मैं पहले 8 से 10 के बीच महसूस करता था") को याद रखते हैं, वह स्मृति वर्तमान "मेन्यू" की तुलना करने के लिए पर्याप्त है।

केस स्टडी: एक सरल उदाहरण

पेपर चिंता से जूझ रहे एक 23 वर्षीय छात्र का वास्तविक उदाहरण उपयोग करता है।

उपचार से पहले: उनकी चिंता का स्कोर उच्च (लगभग 10) था।
19 सत्रों के बाद: उनके स्कोर गिर गए, और सबसे निचला स्कोर जो उन्होंने कभी छुआ था, वह 4 था।
गणना: लेखक एक सरल गणितीय ट्रिक (बेयसियन रीजनिंग) का उपयोग करके कहता है: "यह देखते हुए कि छात्र 10 पर शुरू हुआ और 4 के निचले स्तर तक गिरा, यह दृढ़ विश्वास है कि उपचार प्रभावी रहा।"
परिणाम: उन्होंने एक संभावना (लगभग 59%) की गणना की कि उपचार प्रभावी था। यह वैज्ञानिक अर्थों में "प्रमाण" नहीं है, लेकिन यह थेरेपिस्ट और क्लाइंट को यह विश्वास करने का एक सुसंगत, तार्किक कारण देता है कि उपचार ने मदद की, क्योंकि "मेन्यू" बदल गया था।

निष्कर्ष (Bottom Line)

यह पेपर दावा करता है कि हम एक व्यक्ति के जीवन में (N=1 अध्ययन) यह सिद्ध कर सकते हैं कि एक उपचार काम करता है, बिना उनके जीवन के हर छिपे हुए कारक को मापे।

पुराना तरीका: "निश्चित होने के लिए हमें सब कुछ मापना होगा।" (अक्सर असंभव)।
नया तरीका: "यदि उपचार क्लाइंट के जीवन से सबसे बुरे विकल्पों को हटा देता है (मेन्यू बदल देता है), और उपचार हमेशा एक विकल्प था (पॉज़िटिविटी), तो हमारे पास कारण प्रभाव (causal effect) का प्रमाण है।"

लेखक स्वीकार करते हैं कि यह विधि एक समझौता (trade-off) है: यह छिपी हुई त्रुटियों (confounders) के प्रति बहुत मजबूत है, लेकिन यह उन सूक्ष्म परिवर्तनों को मिस कर सकती है जहाँ "मेन्यू" समान रहता है लेकिन भावनाओं की आवृत्ति (frequency) बदल जाती है। हालाँकि, व्यवहार संबंधी स्वास्थ्य के लिए, जहाँ सबसे खराब लक्षणों (9 और 10) को समाप्त करना अक्सर लक्ष्य होता है, यह विधि थेरेपिस्ट और क्लाइंट को उनकी प्रगति समझने के लिए एक व्यावहारिक, तार्किक मार्ग प्रदान करती है।

तकनीकी सारांश: व्यवहारिक स्वास्थ्य में केस स्टडीज के लिए कॉज़ल इन्फरेंस (कारण संबंधी अनुमान)

समस्या का विवरण (Problem Statement)
यह शोधपत्र अवलोकन संबंधी $N=1$ सेटिंग्स, विशेष रूप से व्यवहारिक स्वास्थ्य (behavioral health) केस स्टडीज के भीतर, कॉज़ल इन्फरेंस (causal inference) संचालित करने की मौलिक चुनौती को संबोधित करता है। मानक कॉज़ल इन्फरेंस पद्धतियां आमतौर पर रैंडमाइजेशन (randomization), प्रयोगात्मक नियंत्रण, या कन्फाउंडिंग (confounding) को समायोजित करने के लिए बड़े जनसंख्या फ्रेमों पर निर्भर करती हैं। हालांकि, व्यक्तिगत देखभाल प्रक्रियाओं में इन विशेषताओं का अभाव होता है। प्रदाता और क्लाइंट एक ऐसे संदर्भ में कार्य करते हैं जहाँ "अपरिभाषित कन्फाउंडिंग" ( $U$ ) मौजूद होती है, जहाँ अनकही चर (latent variables) का एक जाल उपचार चयन ( $T$ ) और परिणामों ( $Y$ ) दोनों को प्रभावित करता है। इसके अतिरिक्त, सख्त प्रयोगात्मक डिजाइन (जैसे A-B-A-B रिवर्सल) अक्सर अनैतिक या चिकित्सीय संबंधों के लिए प्रतिकूल होते हैं। फलस्वरूप, प्रदाता काउंटरफैक्चुअल (counterfactuals) को अनुभवजन्य रूप से मापित नहीं कर सकते (जैसे कि $Y|do(t=0) $जब$ Y|do(t=1)$ देखा जा रहा हो) या उन जनसंख्या-आधारित मिलान धारणाओं पर भरोसा नहीं कर सकते जो अलग-अलग समय बिंदुओं या व्यक्तियों के बीच एक "अनिवार्य पहचान" (essential identity) को पूर्वकल्पित करती हैं। मुख्य समस्या बिना कन्फाउंडर्स के मापन या समायोजन की आवश्यकता के, वैध 'कॉज़ल एस्टिमेंड्स' (causal estimands) तक पहुँचने का मार्ग स्थापित करना है।

कार्यप्रणाली और ढांचा (Methodology and Framework)
लेखक स्ट्रक्चरल कॉज़ल मॉडल्स (SCMs) और संभाव्यता (probability) की एक सब्जेक्टिविस्ट (de Finetti) व्याख्या पर आधारित एक ढांचे का प्रस्ताव करते हैं, जहाँ संभाव्यता को एक वस्तुनिष्ठ आवृत्ति (objective frequency) के बजाय अनिश्चितता के व्यक्तिगत माप के रूप में देखा जाता है।

$\Omega$ -एस्टिमेंड्स ( $\Omega$ -Estimands): शोधपत्र संभाव्यता वितरण (जैसे माध्य का अंतर) के कंट्रास्ट के बजाय सपोर्ट (support) के कंट्रास्ट पर ध्यान केंद्रित करता है। किसी यादृच्छिक चर का सपोर्ट, जिसे $\Omega$ द्वारा दर्शाया गया है, गैर-शून्य संभाव्यता वाले मानों का सेट है। लेखक $\Omega$ -एस्टिमेंड्स को इन सपोर्ट्स के कार्यों के रूप में परिभाषित करते हैं (जैसे $\max(\Omega)$ , $\min(\Omega)$ , रेंज, या कार्डिनैलिटी) जो संभाव्यता भार (probability weights) को शामिल नहीं करते हैं।
मुख्य धारणा (Positivity): यह ढांचा एक एकल, महत्वपूर्ण धारणा पर निर्भर करता है: पॉज़िटिविटी (Positivity)। औपचारिक रूप से, सभी उपचार मूल्यों $t \in \Omega_T$ और अपरिभाषित कन्फाउंडर्स $u \in \Omega_U$ के लिए, सशर्त संभाव्यता $f(t|u) > 0$ है। सब्जेक्टिविस्ट संदर्भ में, इसका तात्पर्य यह है कि अनकहे कन्फाउंडर $u$ की कोई भी अवस्था किसी विशिष्ट उपचार $t$ को असंभव नहीं बनाती है। लेखक तर्क देते हैं कि यदि उपचार को एक पर्याप्त मोटे स्तर पर अवधारणाबद्ध किया जाए (जैसे, सूक्ष्म-हस्तक्षेप के बजाय "केस मैनेजमेंट का एक्सपोजर"), तो पॉज़िटिविटी बनी रहती है, भले ही अपरिभाषित कन्फाउंडर्स मौजूद हों।
सपोर्ट कोइन्सिडेंस (Support Coincidence): केंद्रीय सैद्धांतिक परिणाम (प्रपोजिशन 1) यह सिद्ध करता है कि पॉज़िटिविटी की धारणा के तहत, अवलोकनीय सपोर्ट (observational support) अपने इंटरवेंशनल सपोर्ट (interventional support) के साथ मेल खाता है: $\Omega_{Y|t} = \Omega_{Y|do(t)}$ । इसका अर्थ है कि वास्तविक दुनिया में देखे गए संभावित परिणामों का सेट उन संभावित परिणामों के सेट के समान है जो एक काल्पनिक हस्तक्षेप के तहत घटित होंगे, जिससे $\Omega$ -प्रभावों की पहचान अनकहे कन्फाउंडिंग से मुक्त हो जाती है।

प्रमुख योगदान और विस्तार (Key Contributions and Extensions)
शोधपत्र निष्कर्ष निकालने के लिए तीन स्थितियाँ प्रस्तुत करता है:

स्थिति I (Positivity): यह यह सिद्ध करने के लिए पर्याप्त है कि अवलोकनीय और इंटरवेंशनल सपोर्ट मेल खाते हैं।
स्थिति II (Epistemic Preservation): यह मानता है कि एजेंट की अनिश्चितता का "स्ट्रक्चरल मोटिफ" (विशेष रूप से अपेक्षित मान और सपोर्ट के फंक्शनल एवरेज के बीच संबंध) उपचार और गैर-उपचार अवस्थाओं के बीच अपरिवर्तित रहता है। यह $\Omega$ -प्रभावों को एक्सपेक्टेड-एवरेज आइडेंटिटी ( $E(Y) = Av(Y) - \kappa$ , जहाँ $\kappa$ एक स्क्यू-संबंधित पद है) के माध्यम से अपेक्षित मानों के अंतर में अनुवादित करने की अनुमति देता है। यदि $\kappa$ संरक्षित रहता है, तो माध्य के अंतर में कॉज़ल अर्थ प्राप्त होता है।
स्थिति III (Support Recall): यह अनुमति देता है कि क्लाइंट का रिकॉल किया गया बेसलाइन अनुमान ( $\hat{Y}$ ), अनऑब्जर्व्ड बेसलाइन सपोर्ट ( $\Omega_{Y|t=0}$ ) के प्रॉक्सी के रूप में कार्य करे। यह मानता है कि रिकॉल की संभाव्यता वितरण भिन्न हो सकती है, लेकिन संभावित मानों का सेट (सपोर्ट) उसी वास्तविकता से जुड़ा रहता है।

परिणाम और केस स्टडी अनुप्रयोग (Results and Case Study Application)
लेखक CBT (कॉग्निटिव बिहेवियरल थेरेपी) के लिए चिंता (anxiety) से जूझ रहे एक 23 वर्षीय छात्र के क्लिनिकल केस स्टडी का उपयोग करके इस ढांचे का प्रदर्शन करते हैं।

डेटा: 19 साप्ताहिक चिंता स्कोर (0–10 स्केल) जो 10 से 4 तक घटते रुझान को दर्शाते हैं।
अनुप्रयोग: लेखक एक $\Omega$ -प्रभाव को बेसलाइन सपोर्ट के न्यूनतम और ट्रीटमेंट सपोर्ट के न्यूनतम के बीच के अंतर ( $\min(\Omega_{Y_0}) - \min(\Omega_{Y^*})$ ) के रूप में परिभाषित करते हैं।
अनुमान (Inference): एक सब्जेक्टिव बेयसियन दृष्टिकोण का उपयोग करते हुए, वे उपचार प्रभावकारिता की पोस्टीरियर प्रोबेबिलिटी (posterior probability) की गणना करते हैं। एक प्रायर बिलीफ (prior belief) को मानकर और उसे देखे गए डेटा (न्यूनतम स्कोर में बदलाव) के साथ अपडेट करके, वे प्रभावकारिता की पोस्टीरियर प्रोबेबिलिटी ( $\approx 0.59$ ) प्राप्त करते हैं।
व्याख्या: परिणाम कोई फ्रीक्वेंसी-आधारित गारंटी नहीं है, बल्कि उच्च-तीव्रता वाली लक्षणों की संभावनाओं को समाप्त करने की क्षमता (सपोर्ट में बदलाव) के बारे में एक "सुसंगत, संयमित विश्वास" (coherent, tempered credence) है।

महत्व और दावे (Significance and Claims)
शोधपत्र का दावा है कि यह उन व्यक्तिगत देखभाल प्रक्रियाओं के लिए "कॉज़ल इन्फरेंस का मार्ग" प्रदान करता है जो पारंपरिक बैकडोर पाथ को बंद करने या कन्फाउंडर्स को मापने की आवश्यकता को दरकिनार करते हैं।

संवेदनशीलता के ऊपर मजबूती (Robustness over Sensitivity): यह ढांचा वितरण परिवर्तनों (जो कन्फाउंडेड होते हैं) के प्रति संवेदनशीलता के बजाय सपोर्ट परिवर्तनों पर ध्यान केंद्रित करके मजबूती का व्यापार करता है। उनका तर्क है कि प्रभावी उपचार अक्सर चरम संभावनाओं के उन्मूलन (जैसे, पैनिक अटैक को रोकना) के रूप में प्रकट होता है, जो कि एक ऐसा सपोर्ट परिवर्तन है जिसे बिना कन्फाउंडर्स को जाने पहचाना जा सकता है।
व्यावहारिक उपयोगिता: यह प्रदाताओं को उन्नत सांख्यिकीय प्रशिक्षण या प्रयोगात्मक डिजाइनों के बिना, मेजरमेंट-बेस्ड केयर डेटा का उपयोग करके उपचार प्रभावकारिता के बारे में तर्क करने के लिए एक सिद्धांतगत, प्रारंभिक विधि प्रदान करता है।
सीमाएँ: लेखक स्वीकार करते हैं कि पॉज़िटिविटी को टेस्ट नहीं किया जा सकता है और इसे अंतर्निहित DAG (डायरेक्टेड एसाइक्लिक ग्राफ) की वैधता के माध्यम से बचाव किया जाना चाहिए। वे यह भी नोट करते हैं कि यह ढांचा उन उपचारों के प्रति असंवेदनशील है जो बिना बदले हुए सपोर्ट के भीतर केवल संभाव्यता द्रव्यमान (probability mass) को स्थानांतरित करते हैं (जैसे, "10" को खत्म किए बिना "4" की तुलना में "5" को अधिक संभावित बनाना)। इसके अलावा, परिणाम एक तर्क करने वाले एजेंट के लिए सुसंगतता (coherence) के बयान हैं, न कि फ्रीक्वेंसी गारंटी।

संक्षेप में, शोधपत्र यह तर्क देता है कि वितरण के बजाय आउटकम सपोर्ट के कंट्रास्ट के रूप में कॉज़ल लक्ष्यों को पुनर्परिभाषित करके, और संभाव्यता के सब्जेक्टिविस्ट दृष्टिकोण को स्वीकार करके, केवल पॉज़िटिविटी की शर्त के तहत $N=1$ व्यवहारिक स्वास्थ्य अध्ययनों में वैध कॉज़ल आइडेंटिफिकेशन प्राप्त किया जा सकता है।