Causal Inference of Ordinal Outcomes: A Bayesian Solution

तकनीकी सारांश: क्रमिक परिणामों का कारणत्मक अनुमान (Causal Inference): एक बेयसियन समाधान

समस्या विवरण
यादृच्छिक प्रयोग (Randomized experiments) अक्सर क्रमिक परिणाम (ordinal outcomes) प्रदान करते हैं (जैसे, दर्द के स्कोर, संतुष्टि रेटिंग) जहाँ श्रेणियों में एक सार्थक क्रम तो होता है लेकिन समान संख्यात्मक अंतराल नहीं होता। फलस्वरूप, मानक कारणत्मक अनुमान जैसे कि औसत उपचार प्रभाव (Average Treatment Effect - ATE) अक्सर व्याख्या योग्य नहीं होते हैं। हालांकि वैकल्पिक अनुमान जैसे कि वितरण संबंधी कारणत्मक प्रभाव (Distributional Causal Effect - DCE) और ऑड्स रेश्यो कारणत्मक प्रभाव (Odds Ratio Causal Effect) मौजूद हैं, वे आमतौर पर $K$-आयामी होते हैं और संक्षिप्त नहीं होते। हाल ही में, लू एट अल (2018) ने दो एक-आयामी अनुमान प्रस्तावित किए, $\tau$ (वह प्रायिकता कि उपचार लाभकारी या तटस्थ है, $Y(1) \le Y(0)$) और $\eta$ (वह प्रायिकता कि उपचार स्पष्ट रूप से लाभकारी है, $Y(1) < Y(0)$)। हालाँकि, ये अनुमान प्रेक्षित डेटा से सामान्यतः बिना किसी मजबूत धारणा (जैसे, संभावित परिणामों की स्वतंत्रता) के पहचाने योग्य (identifiable) नहीं होते हैं क्योंकि वे संभावित परिणामों के अज्ञात संयुक्त वितरण पर निर्भर करते हैं। इसे संबोधित करने के लिए मौजूदा गैर-पैरामीट्रिक दृष्टिकोण, जैसे कि तीक्ष्ण सीमाओं (sharp bounds) को प्राप्त करना, अक्सर इतने विस्तृत अंतराल (जैसे, 0 से 1 तक) देते हैं कि वे सार्थक कारणत्मक निष्कर्ष निकालने में विफल रहते हैं।

कार्यप्रणाली
लेखक एक बेयसियन लेटेंट वेरिएबल फ्रेमवर्क (Bayesian latent variable framework) का प्रस्ताव करते हैं ताकि पहचान क्षमता (identifiability) के मुद्दे को हल किया जा सके और सुपर-पॉपुलेशन (super-population) एवं परिमित-जनसंख्या (finite-population) दोनों सेटिंग्स के लिए सुसंगत अनुमान लगाया जा सके।

1. लेटेंट वेरिएबल मॉडल: यह दृष्टिकोण एक 'ऑर्डर्ड प्रोबिट मॉडल' (ordered probit model) का उपयोग करता है। यह मानता है कि निरंतर लेटेंट वेरिएबल्स $Z(1)$ और $Z(0)$ का अस्तित्व है जो कटपॉइंट्स $\alpha$ द्वारा परिभाषित एक विविक्तकरण फलन (discretizing function) के माध्यम से प्रेक्षित क्रमिक परिणामों $Y(1)$ और $Y(0)$ से मैप होते हैं। लेटेंट वेरिएबल्स को इस प्रकार मॉडल किया गया है:
   $$Z_i(w) = X_i^T \beta + \epsilon_i(w)$$
   जहाँ त्रुटि पद (error terms) $\epsilon_i(w)$, सहसंबंध $\rho = \text{corr}(\epsilon_i(1), \epsilon_i(0))$ के साथ एक द्विक चर सामान्य वितरण (bivariate normal distribution) का पालन करते हैं। पैरामीटर $\beta_W$ उपचार प्रभाव का प्रतिनिधित्व करता है।

2. पहचान और संवेदनशीलता (Identification and Sensitivity): जुड़ाव पैरामीटर $\rho$ प्रेक्षित डेटा से पहचानने योग्य नहीं है। वोल्फोवस्की एट अल (2015) के अनुसरण में, लेखक $\rho$ को एक संवेदनशीलता पैरामीटर के रूप में मानते हैं। वे सैद्धांतिक रूप से $\tau$ और $\eta$ पर $\rho$ के प्रभाव की जांच करते हैं, यह सिद्ध करते हुए कि जबकि संबंध गैर-एकदिष्ट (non-monotonic) है, उपचार प्रभाव के परिमाण के बढ़ने के साथ संवेदनशीलता कम हो जाती है। वे $\rho$ के विभिन्न प्रशंसनीय मानों के माध्यम से निष्कर्ष कैसे बदलते हैं, इसका आकलन करने के लिए एक संवेदनशीलता विश्लेषण प्रस्तावित करते हैं।

3. बेयसियन अनुमान (Bayesian Inference):

   • सुपर पॉपुलेशन: अनुमान काल्पनिक जनसंख्या वितरण पर निकाला जाता है। $\tau^{sp}$ और $\eta^{sp}$ का पश्च वितरण (posterior distribution) कोवेरिएट वितरण पर समाकलन (integration) करके प्राप्त किया जाता है।
   • परिमित जनसंख्या: अनुमान अध्ययन के विशिष्ट $N$ इकाइयों तक सीमित है। इसके लिए लेटेंट मॉडल और सहसंबंध $\rho$ से प्राप्त पश्च भविष्य कहनेवाला वितरण (posterior predictive distribution) का उपयोग करके लुप्त संभावित परिणामों ($Y^{mis}$) का आरोपण (imputation) करना आवश्यक है।
   • गणना (Computation): लेखक मापदंडों ($\alpha, \beta$) और लेटेंट वेरिएबल्स ($Z$) के संयुक्त पश्च वितरण से नमूने लेने के लिए एक गिब्स सैंपलिंग एल्गोरिदम (Gibbs sampling algorithm) का उपयोग करते हैं। एल्गोरिदम पुनरावृत्ति रूप से रिग्रेशन गुणांकों, लेटेंट वेरिएबल्स (ट्रंकेटेड नॉर्मल), और कटपॉइंट्स (सीमाओं के भीतर यूनिफॉर्म) से नमूने लेता है, जिसके बाद कारणत्मक अनुमानों की गणना की जाती है।

मुख्य परिणाम
लेखक मानव स्कैल्प स्वास्थ्य पर एक यादृच्छिक प्रयोग के व्यापक सिमुलेशन अध्ययनों और वास्तविक दुनिया के अनुप्रयोग के माध्यम से पद्धति को मान्य करते हैं।

• सिमुलेशन अध्ययन:

  • परिशुद्धता (Precision): $\tau$ और $\eta$ के लिए बेयसियन पश्च अनुमान गैर-पैरामीट्रिक तीक्ष्ण सीमाओं की तुलना में काफी सटीक (संकीर्ण) विश्वसनीय अंतराल (credible intervals) प्रदान करते हैं। जहाँ तीक्ष्ण सीमाएँ अक्सर पूरे [0, 1] रेंज तक फैली होती हैं, वहीं बेयसियन अनुमान उच्च पश्च कवरेज (लगभग 95%) के साथ सटीक बिंदु अनुमान प्रदान करते हैं।
  • मजबूती (Robustness): यह विधि विभिन्न नमूना आकारों ($N=100$ से $500$) और परिणाम श्रेणियों की संख्या ($K=3, 5, 7$) में अच्छा प्रदर्शन करती है।
  • संवेदनशीलता विश्लेषण: लेखक पाते हैं कि $\eta$, $\rho$ के विभिन्न मानों के बावजूद अपेक्षाकृत स्थिर है, जबकि $\tau$ अधिक संवेदनशील है। वे $\rho \in [0, 0.5]$ के व्यावहारिक रेंज की सिफारिश करते हैं; इसके आगे, इकाई-स्तरीय सहसंबंध उपचार प्रभाव पर हावी होने लगता है, जिससे अनुमान कठिन हो जाता है।

• वास्तविक दुनिया का अनुप्रयोग (स्कैल्प स्वास्थ्य):

  • इसे 95 इकाइयों (46 उपचारित, 49 नियंत्रण) और 4 क्रमिक श्रेणियों वाले डेटा पर लागू किया गया।
  • गैर-पैरामीट्रिक सीमाएँ विस्तृत और गैर-सूचनात्मक थीं (उदाहरण के लिए, $\eta$ की सीमाएँ 0.0 से 0.7 तक थीं)।
  • बेयसियन मॉडल ने व्याख्या योग्य परिणाम प्रदान किए: लगभग 80% इकाइयाँ या तो लाभान्वित हुईं या अप्रभावित रहीं ($\tau \approx 0.8$), और लगभग 30% ने स्पष्ट सुधार अनुभव किया ($\eta \approx 0.3$)।
  • विश्लेषण ने आठ सिर क्षेत्रों (head zones) में स्थानिक विषमता (spatial heterogeneity) को प्रकट किया, जिसमें अग्र (frontal) क्षेत्रों ने पश्च (posterior) क्षेत्रों की तुलना में मजबूत उपचार प्रभाव दिखाया।

महत्व और दावे
यह पत्र दावा करता है कि प्रस्तावित बेयसियन फ्रेमवर्क क्रमिक परिणामों के लिए कारणत्मक अनुमान में व्याख्यात्मकता (interpretability) और पहचान क्षमता (identifiability) के बीच के अंतर को सफलतापूर्वक पाटता है। एक लेटेंट वेरिएबल संरचना के माध्यम से संभावित परिणामों के संयुक्त वितरण को मॉडल करके, यह विधि मौजूदा गैर-पैरामीट्रिक सीमाओं की सीमाओं को दूर करती है, जो अक्सर उपयोगी होने के लिए बहुत विस्तृत होती हैं।

लेखक का तर्क है कि उनका दृष्टिकोण शोधकर्ताओं को सक्षम बनाता है:

1. सुपर-पॉपुलेशन और परिमित-जनसंख्या दोनों सेटिंग्स के लिए सुसंगत अनुमान लगाने में।
2. न केवल यह कि उपचार लाभकारी है, बल्कि यह भी कि वह कितना है और किस विश्वास के साथ है, इसे मापने में।
3. संवेदनशीलता विश्लेषण के माध्यम से संभावित परिणामों के बीच अज्ञात जुड़ाव के विरुद्ध निष्कर्षों की मजबूती का आकलन करने में।

यह कार्य उन वैज्ञानिक अनुप्रयोगों के लिए एक व्यावहारिक समाधान के रूप में प्रस्तुत किया गया है जहाँ क्रमिक परिणाम आम हैं, जो वर्तमान सीमा-आधारित विधियों की तुलना में उपचार प्रभावशीलता का निर्णय-योग्य मूल्यांकन प्रदान करता है।