The positivity assumption in causal mediation analyses? Checked!
यह शोध पत्र नियंत्रित, प्राकृतिक और हस्तक्षेप संबंधी मध्यस्थ प्रभावों (mediational effects) को संभालने के लिए 'पॉजिटिविटी रिग्रेशन ट्रीज़' (PoRT) एल्गोरिदम का विस्तार करके, कारण मध्यस्थता विश्लेषणों (causal mediation analyses) में अक्सर अनदेखी की जाने वाली सकारात्मकता धारणा (positivity assumption) को संबोधित करता है, जो `port` R पैकेज के माध्यम से उल्लंघनों के पता लगाने और चर्चा के लिए एक व्यावहारिक उपकरण प्रदान करता है।
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
कल्पना कीजिए कि आप एक रहस्य सुलझाने की कोशिश कर रहे एक जासूस हैं: कोई विशिष्ट घटना क्यों हुई? विज्ञान की दुनिया में, इसे कारण अनुमान (causal inference) कहा जाता है। आमतौर पर, जासूस घटनाओं की एक सरल श्रृंखला देखते हैं: A ने B को जन्म दिया। लेकिन जीवन शायद ही कभी इतना सीधा होता है। अक्सर, A के कारण B होता है क्योंकि पहले उसने C को जन्म दिया, जिसने फिर B को जन्म दिया। इस बीच के चरण, C को मध्यस्थ (mediator) कहा जाता है। उदाहरण के लिए, शायद कड़ी मेहनत करने (A) से बेहतर ग्रेड (B) मिलते हैं क्योंकि इससे आपका आत्मविश्वास (C) बढ़ता है। इसे साबित करने के लिए, वैज्ञानिक एक विशेष टूलकिट का उपयोग करते हैं जिसे कॉज़ल मीडिएशन एनालिसिस (causal mediation analysis) कहा जाता है।
हालाँकि, इस टूलकिट का एक बहुत सख्त नियम है जिसे पॉज़िटिविटी (positivity) कहा जाता है। इसे केक बनाने की रेसिपी की तरह समझें। यदि आप जानना चाहते हैं कि चीनी का स्वाद पर क्या प्रभाव पड़ता है, तो आपके पास चीनी वाले केक और बिना चीनी वाले केक होने चाहिए। यदि आपके पास केवल उन लोगों का डेटा है जिन्होंने चीनी खाई है, तो आप जादुई रूप से यह अनुमान नहीं लगा सकते कि क्या होता यदि उन्होंने चीनी नहीं खाई होती। विज्ञान में, "पॉज़िटिविटी" का अर्थ है कि आपके अध्ययन में प्रत्येक प्रकार के व्यक्ति के लिए, उनके पास कारण के हर संभावित संस्करण का अनुभव करने का अवसर होना चाहिए। यदि लोगों का एक विशिष्ट समूह आपके डेटा में कभी भी एक निश्चित स्थिति का अनुभव नहीं करता है, तो गणित विफल हो जाता है और जासूस रहस्य को हल नहीं कर पाता। समस्या यह है कि यह जांचना कि यह नियम कब टूटता है, अविश्वसनीय रूप से कठिन है, विशेष रूप से जब श्रृंखला में कई चरण हों।
यहीं आर्थर चैटन के नेतृत्व वाली शोधकर्ताओं की एक टीम एक नए, चतुर उपकरण के साथ आती है। उन्होंने महसूस किया कि जबकि वैज्ञानिक सरल कारण-और-प्रभाव के लिए "चीनी" के नियम के टूटने की जांच करने में माहिर होते हैं, वे अक्सर यह जांचना भूल जाते हैं कि क्या यह "चीनी-फिर-आत्मविश्वास" जैसी जटिल श्रृंखलाओं के लिए भी सही है। लेखक तर्क देते हैं कि इसकी जांच किए बिना, कई अध्ययन शून्य से निष्कर्ष निकाल रहे होंगे। इसे ठीक करने के लिए, उन्होंने dePoRT (decomposition Positivity Regression Trees) नामक एक नई विधि का आविष्कार किया।
dePolet को एक सुपर-स्मार्ट, स्वचालित "अंतर पहचानो" (spot-the-difference) खेल के रूप में सोचें। कल्पना कीजिए कि आपके पास छात्र डेटा का एक विशाल ढेर है। आप जानना चाहते हैं कि क्या बचपन की हिंसा डेटिंग हिंसा की ओर ले जाती है, शायद छात्र की धार्मिक भागीदारी या तनाव के स्तर के माध्यम से। शोधकर्ताओं ने एक डिजिटल पेड़ बनाया जो छात्रों के इस ढेर को उनकी विशेषताओं (जैसे आयु, माता-पिता की शिक्षा या आय) के आधार पर छोटे और छोटे समूहों में विभाजित करता है। फिर यह प्रत्येक सूक्ष्म समूह की जांच करता है: "क्या हमारे पास यहाँ पर्याप्त लोग हैं जिन्होंने कारण का अनुभव किया? क्या हमारे पास पर्याप्त लोग हैं जिन्होंने मध्यस्थ का अनुभव किया?"
यदि पेड़ को एक ऐसा समूह मिलता है जहाँ, मान लीजिए, केवल 2% छात्रों की धार्मिक भागीदारी अधिक है (जब गणित को सुनिश्चित होने के लिए अधिक की आवश्यकता होती है), तो यह उस समूह को एक "उल्लंघन" के रूप में चिह्नित करता है। यह एक विशिष्ट पड़ोस के लिए लाल ट्रैफिक लाइट की तरह है, जो शोधकर्ता को बताता है, "हे, आप इन विशिष्ट लोगों के लिए परिणामों पर भरोसा नहीं कर सकते क्योंकि डेटा गायब है।"
लेखक केवल यह नहीं कहते कि उन्होंने यह उपकरण बनाया है; उन्होंने 6,224 विश्वविद्यालय छात्रों से संबंधित वास्तविक डेटा पर इसका परीक्षण किया। उन्होंने पाया कि जबकि समग्र अध्ययन ठीक लग रहा था, विशिष्ट उपसमूह—जैसे माता-पिता के शिक्षा स्तर और आयु के कुछ संयोजनों वाले छात्र—में हिंसा और तनाव या धर्म के बीच संबंध को साबित करने के लिए आवश्यक डेटा की कमी थी। कुछ मामलों में, इसका मतलब था कि शोधकर्ताओं को अपनी रणनीति बदलनी पड़ी। "प्राकृतिक" प्रभाव (क्या होता यदि किसी छात्र का तनाव जादुई रूप से बदल जाता) को मापने के बजाय, वे एक "हस्तक्षेप संबंधी" (interventional) प्रभाव (क्या होता यदि हम सभी के लिए तनाव में बदलाव को अनिवार्य करते) पर स्विच कर गए। इस बदलाव ने उन्हें एक विश्वसनीय उत्तर प्राप्त करने में सक्षम बनाया, भले ही कुछ समूहों के लिए डेटा अपूर्ण था।
लेखक सावधानी बरतते हुए कहते हैं कि यह टूटे हुए डेटा को ठीक करने वाला कोई जादुई डंडा नहीं है। यदि किसी समूह के लिए कोई स्थिति संरचनात्मक रूप से अनुभव करना असंभव है (उदाहरण के लिए, यदि किसी विशिष्ट उपसमूह के लिए उच्च तनाव का अनुभव करना शारीरिक रूप से असंभव है), तो कोई भी गणित उसे ठीक नहीं कर सकता। लेकिन उन मामलों के लिए जहाँ डेटा केवल संयोग से गायब है (रैंडम उल्लंघन), dePoRT वैज्ञानिकों को यह देखने में मदद करता है कि अंतराल कहाँ हैं। इस उपकरण का उपयोग करके, शोधकर्ता यह जान सकते हैं कि उनके अध्ययन के कौन से हिस्से ठोस हैं और कौन से कमजोर। उन्होंने इस भी बना दिया है कि उनका उपकरण एक R पैकेज के साथ मुफ्त और उपयोग में आसान है, इस उम्मीद में कि यह पूरे कॉज़ल मीडिएशन के क्षेत्र को अधिक ईमानदार और पारदर्शी बना सके।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।