तकनीकी सारांश: हस्तक्षेप और गुप्त भ्रामक कारकों (Latent Confounding) के तहत अनुक्रमिक सेटिंग्स के लिए कारण अनुमान (Causal Inference)

समस्या विवरण

यह कार्य एक अनुक्रमिक, अवलोकनात्मक सेटिंग में कारण अनुमान की चुनौती को संबोधित करता है जहाँ स्थिर इकाई उपचार मूल्य धारणा (SUTVA) का उल्लंघन परिणाम हस्तक्षेप (Outcome Interference) और गुप्त भ्रामक कारकों (Latent Confounding) के कारण होता है।

कई वास्तविक दुनिया के परिदृश्यों में, जैसे कि संक्रामक रोगों का प्रसार या टीकों को अपनाना, एक इकाई (जैसे, एक व्यक्ति या काउंटी) का परिणाम न केवल उसके अपने उपचार और विशेषताओं पर निर्भर करता है, बल्कि जनसंख्या के अन्य इकाइयों के परिणामों, उपचारों और विशेषताओं पर भी निर्भर करता है। इसके अलावा, ये संबंध अक्सर समय के साथ देखे जाते हैं, जो अस्थायी निर्भरता (Temporal Dependencies) पेश करते हैं। मौजूदा साहित्य या तो हस्तक्षेप (Interference) या अनुक्रमिक सेटिंग्स को अलग-अलग तरीके से संभालता है, या यह मान लेता है कि भ्रामक कारक (Confounders) देखे जा सकते हैं। यह शोध उस जटिल सेटिंग को लक्षित करता है जहाँ:

1. हस्तक्षेप (Interference): परिणाम इकाइयों के बीच परस्पर निर्भर हैं (स्थानिक निर्भरता)।
2. अनुक्रमिकता (Sequentiality): परिणाम $T$ समय चरणों के दौरान विकसित होते हैं, जिनमें आसन्न समय चरणों के बीच निर्भरता होती है।
3. गुप्त भ्रामक कारक (Latent Confounding): अज्ञात चर उपचारों और परिणामों दोनों को प्रभावित करते हैं, जिन्हें पैनल डेटा फैक्टर मॉडल के समान एक लो-रैंक संरचना के साथ मॉडल किया गया है।
4. डेटा की कमी: उपलब्ध डेटा $N$ इकाइयों के $T$ समय चरणों के उच्च-आयामी संयुक्त वितरण का एक एकल नमूना (Single Sample) है।

लक्ष्य रुचि की कारण मात्राओं, विशेष रूप से सामान्यीकृत उपचार प्रभाव (Generalized Treatment Effect - GTE) का अनुमान लगाना है, जो केवल एक प्रेक्षित प्रक्षेपवक्र (Observed Trajectory) होने के बावजूद, दो यादृच्छिक हस्तक्षेप पैटर्न के तहत औसत परिणामों की तुलना करता है।

कार्यप्रणाली

मॉडल सूत्रीकरण

लेखक इस प्रणाली को $N$ इकाइयों के लिए $T$ समय चरणों पर एक मार्कोवियन प्रक्रिया (Markovian Process) के रूप में मॉडल करते हैं। समय $t$ पर इकाई $i$ के लिए बाइनरी आउटकम $x_i^{(t)} \in \{-1, 1\}$, पिछले समय चरण के परिणामों, वर्तमान हस्तक्षेपों और गुप्त भ्रामक कारकों पर निर्भर है।

संभाव्यता वितरण को इस प्रकार परिभाषित किया गया है:
$$p(x | z) = \prod_{t=1}^T p(x^{(t)} | z^{(t)}, x^{(t-1)})$$
जहाँ सप्रतिबंध संभाव्यता (Conditional Probability) निम्न के समानुपाती है:
$$\exp\left( \sum_{i=1}^N \alpha_i^{(t)} x_i^{(t)} + \beta \sum_{i=1}^N x_i^{(t)} z_i^{(t)} + \xi \sum_{i \neq j} \gamma_{ij} x_i^{(t)} x_j^{(t)} + \eta \sum_{i=1}^N x_i^{(t)} x_i^{(t-1)} \right)$$

मुख्य पैरामीटर शामिल हैं:

• $\alpha_i^{(t)}$: गुप्त भ्रामक कारक (External Field)।
• $\beta$: उपचार का प्रत्यक्ष प्रभाव।
• $\xi$: स्थानिक हस्तक्षेप की शक्ति (Interaction Matrix $\Gamma$)।
• $\eta$: अस्थायी निर्भरता की शक्ति।

मुख्य धारणाएँ:

1. लो-रैंक गुप्त संरचना: गुप्त भ्रामक कारकों का मैट्रिक्स $A = \{\alpha_i^{(t)}\}$ एक रैंक $k \ll N, T$ रखता है, जिसे $A = UV^\top$ के रूप में व्यक्त किया जा सकता है।
2. सीमित अंतःक्रिया (Bounded Interaction): अंतःक्रिया की शक्ति डोब्रशिन की विशिष्टता स्थिति (Dobrushin's Uniqueness Condition) ($\|\xi^* \Gamma\|_\infty < 1$) को संतुष्ट करती है, जो सहसंबंध क्षय (Correlation Decay) और कुशल अनुमान सुनिश्चित करती है।
3. हस्तक्षेपों की उत्तेजना (Excitability of Interventions): हस्तक्षेप मैट्रिक्स $Z$, गुप्त भ्रामक कारकों के साथ पूरी तरह से कोलीनियर (Collinear) नहीं है, जो उपचार प्रभाव $\beta$ की पहचान (Identifiability) सुनिश्चित करता है।

लर्निंग एल्गोरिदम: अनुक्रमिक MPLE

एक एकल नमूने से पैरामीटर्स $\theta = (A, \beta, \xi, \eta)$ को सीखने के लिए, लेखक एक अनुक्रमिक मैक्सिमम स्यूडो-लाइकलीहुड एस्टीमेशन (Sequential MPLE) दृष्टिकोण प्रस्तावित करते हैं।

• उद्देश्य: नेगेटिव लॉग स्यूडो-लाइकलीहुड को कम करना:
  $$\hat{\theta} \in \arg\min_{\theta \in \Theta} -\sum_{t=1}^T \sum_{i=1}^N \log p_\theta(x_i^{(t)} | x_{-i}^{(t)}, z_i^{(t)}, x_i^{(t-1)})$$
• अनुकूलन (Optimization): यदि $A$ स्थिर होता तो उद्देश्य $\theta$ के लिए उत्तल (Convex) होता, लेकिन $A$ पर लो-रैंक बाधा समस्या को गैर-उत्तल (Non-convex) बनाती है। लेखक $A = UV^\top$ के रूप में $A$ को पैरामीटराइज करते हैं और रेगुलराइजेशन के साथ अल्टरनेटिंग मिनिमाइजेशन (फिक्स्ड $U$ के साथ $V$ को अपडेट करना और इसके विपरीत) का उपयोग करते हैं।
• अनुमान (Inference): एक बार पैरामीटर्स अनुमानित हो जाने के बाद, सीखे गए मॉडल से अनुक्रमिक गिब्स सैंपलिंग (Sequential Gibbs Sampling) का उपयोग करके कारण मात्राओं (GTE) का अनुमान लगाया जाता है। डोब्रशिन की स्थिति के कारण, सैंपलर तेजी से मिक्स होता है, जिससे काउंटरफैक्चुअल अपेक्षाओं (Counterfactual Expectations) की कुशल गणना संभव होती है।

मुख्य योगदान

1. एकीकृत मॉडल: यह शोध पत्र एक ऐसा मॉडल पेश करता है जो एक साथ अनुक्रमिक गतिशीलता (Sequential Dynamics), नेटवर्क हस्तक्षेप (Outcome Interference), और लो-रैंक गुप्त भ्रामक कारकों को कैप्चर करता है।
2. गणनात्मक रूप से कुशल अनुमान: यह एक एकल अवलोकन से उच्च-आयामी मॉडल पैरामीटर्स को सीखने के लिए एक गणनात्मक रूप से सुलभ तरीका (Sequential MPLE) प्रदान करता है।
3. गैर-एसिम्प्टोटिक गारंटी (Non-Asymptotic Guarantees):
   • पैरामीटर अनुमान: थ्योरम 1 पैरामीटर अनुमान के लिए गैर-एसिम्प्टोटिक निरंतरता (Consistency) स्थापित करता है। त्रुटि सीमा $O\left(\frac{k(N+T)\log T}{T\|\Gamma\|_F^2}\right)$ के रूप में स्केल होती है, जो दर्शाती है कि प्रभावी नमूना आकार अंतःक्रिया की शक्ति और समय चरणों की संख्या द्वारा संचालित होता है।
   • कारण अनुमान: थ्योरम 2 और कोरोलरी 2 दिखाते हैं कि सामान्यीकृत उपचार प्रभाव (GTE) के अनुमान में त्रुटि, पैरामीटर अनुमान त्रुटि द्वारा सीमित है। यह डोब्रशिन की स्थिति के तहत सहसंबंध क्षय गुणों पर निर्भर करता है, जो यह सुनिश्चित करता है कि स्थानीय अनुमान त्रुटियां स्थानिक या अस्थायी रूप से वैश्विक कारण अनुमान को खराब करने के लिए प्रसारित न हों।
4. प्रायोगिक सत्यापन: विधि को सिंथेटिक डेटा और अमेरिका के काउंटियों में कोविड-19 टीकाकरण दरों और मृत्यु दर से संबंधित एक वास्तविक केस स्टडी पर मान्य किया गया है।

परिणाम

सिंथेटिक प्रयोग

$N=500$ और $T=50$ वाले सिंथेटिक परिवेश में, प्रस्तावित विधि ($\hat{\theta}$) उन बेसलाइन से काफी बेहतर प्रदर्शन करती है जो हस्तक्षेप ($\hat{\theta}_{\xi=0}$) या गुप्त भ्रामक कारकों ($\hat{\theta}_{A=0}$) को अनदेखा करती हैं।

• पैरामीटर रिकवरी: विधि उपचार प्रभाव $\beta$, अंतःक्रिया शक्ति $\xi$, और अस्थायी शक्ति $\eta$ को सटीक रूप से रिकवर करती है।
• कारण सटीकता: अनुमानित GTE में 'नो-इंटरफेरेंस' बेसलाइन की तुलना में लगभग 92% और 'नो-लेटेंट-कन्फाउंडिंग' बेसलाइन की तुलना में 91% की पूर्ण त्रुटि (Absolute Error) में सुधार हुआ।
• मजबूती (Robustness): विधि ने सफलतापूर्वक उन मापदंडों को रिकवर किया जब सैद्धांतिक डोब्रशिन स्थिति का थोड़ा उल्लंघन ($|\xi^*| + |\eta^*| > 1$) हुआ था, जो व्यावहारिक मजबूती का सुझाव देता है।

वास्तविक दुनिया का केस स्टडी: COVID-19

लेखकों ने टीकाकरण का मृत्यु दर पर कारण प्रभाव का अनुमान लगाने के लिए अमेरिकी काउंटियों के डेटा (मार्च 2020 - मई 2022) पर मॉडल लागू किया।

• सेटअप: परिणाम उच्च मृत्यु दर के बाइनरी संकेतक थे; हस्तक्षेप टीकाकरण दर 30% से अधिक होने के बाइनरी संकेतक थे।
• हाइब्रिड सत्यापन: वास्तविक डेटा में पहचान (Identifiability) धारणाओं के संभावित उल्लंघन को संबोधित करने के लिए, "हाइब्रिड प्रयोग" किए गए जहाँ वास्तविक हस्तक्षेप पैटर्न का उपयोग किया गया, लेकिन परिणाम मॉडल से उत्पन्न किए गए। विधि ने इस सेटिंग में पैरामीटर्स को सफलतापूर्वक पहचाना।
• टेस्ट सेट रिकवरी: मॉडल को डेटा के एक उपसमुच्चय पर प्रशिक्षित किया गया और एक होल्ड-आउट टेस्ट सेट पर परीक्षण किया गया जो स्थानिक-अस्थायी निर्भरताओं का सम्मान करता है। मॉडल ने कम पूर्ण त्रुटि (टेस्ट सेट पर 0.015) प्राप्त की, जो हाइब्रिड मामले के तुल्य है, जो इसकी अभिव्यक्ति क्षमता को प्रदर्शित करता है।
• कारण निष्कर्ष:
  • हस्तक्षेप को मॉडल करने से 'नो-इंटरफेरेंस' मॉडल की तुलना में टीकाकरण के बड़े अनुमानित कारण प्रभाव का पता चला।
  • "नो इंटरवेंशन" काउंटरफैक्चरल के तहत, मॉडल ने शुरू में देखे गए परिणामों की तुलना में खराब परिणामों की भविष्यवाणी की, जबकि "ऑल इंटरवेंशन" काउंटरफैक्चरल ने बेहतर परिणामों की भविष्यवाणी की, जो टीकाकरण दर बढ़ने के साथ अभिसरित (Converge) होते गए।
  • हस्तक्षेप मॉडल ने उन "स्पिल-ओवर" प्रभावों को कैप्चर किया जहाँ एक क्षेत्र में टीकाकरण दूसरे क्षेत्रों को लाभान्वित करता है, जो एक सूक्ष्म पहलू है जिसे मानक मॉडल मिस कर देते हैं।

महत्व और दावे

यह शोध पत्र दावा करता है कि यह एक ऐसी सेटिंग में कारण अनुमान के लिए एक प्रमाणित ढांचा (Provable Framework) प्रदान करता है जहाँ तीन प्रमुख जटिलताएं एक साथ मौजूद हैं: नेटवर्क हस्तक्षेप, अंतर-कालिक निर्भरता (Intertemporal Dependencies), और गुप्त भ्रामक कारक।

• सैद्धांतिक योगदान: यह उच्च-आयामी वितरणों को एकल नमूनों से सीखने के साहित्य (जो पहले गैर-अनुक्रमिक या गैर-कन्फाउंडेड सेटिंग्स तक सीमित था) को अनुक्रमिक, लेटेंट-वेरिएबल मामले तक विस्तारित करता है। यह इस विशिष्ट, अत्यधिक जटिल शासन में कारण अनुमान के लिए पहली गैर-एसिम्प्टोटिक गारंटी प्रदान करता है।
• व्यावहारिक उपयोगिता: वास्तविक दुनिया की सार्वजनिक स्वास्थ्य समस्या (COVID-19) पर अपनी प्रभावकारिता का प्रदर्शन करके, लेखक तर्क देते हैं कि उनकी विधि हस्तक्षेप और अनदेखे भ्रामक कारकों की उपस्थिति में उपचार प्रभावों के अधिक सटीक अनुमान प्रदान करके नीतिगत निर्णयों को सूचित कर सकती है।
• सीमाएं: लेखक विनम्रतापूर्वक स्वीकार करते हैं कि उनकी सैद्धांतिक गारंटी डोब्रशिन की विशिष्टता स्थिति पर निर्भर करती है, जो मजबूत हस्तक्षेप वाले सभी वास्तविक दुनिया के परिदृश्यों में लागू नहीं हो सकती है। वे नोट करते हैं कि हालांकि उनका तरीका प्रयोगों में अच्छा प्रदर्शन करता है, इस स्थिति का उल्लंघन करने वाले शासन में प्रदर्शन को समझना एक खुला क्षेत्र बना हुआ है।

संक्षेप में, यह कार्य कारण अनुमान के सैद्धांतिक और जटिल, वास्तविक दुनिया के अनुक्रमिक डेटा के बीच के अंतर को पाटता है, जो हस्तक्षेप और गुप्त भ्रामक कारकों के तहत कारण प्रभावों का अनुमान लगाने के लिए एक विधि प्रदान करता है जो गणनात्मक रूप से कुशल और सैद्धांतिक रूप से सुदृढ़ है।