Causal Mediation Analysis for an Interrupted Time Series: Stabilized Mediator Weighting with an Application to a Vehicle Emissions Policy

नीति निर्माता अक्सर एक विशिष्ट तिथि पर नए कानून या पर्यावरणीय नियम जैसे व्यापक बदलाव लाते हैं, इस उम्मीद में कि वे चीजों के काम करने के तरीके में एक स्पष्ट बदलाव देखेंगे। इन बदलावों की सफलता को मापने के लिए, वैज्ञानिक अक्सर समय के साथ एकत्र किए गए डेटा बिंदुओं की एक एकल, लंबी रेखा देखते हैं, जैसे कि दैनिक वायु गुणवत्ता रीडिंग। यह दृष्टिकोण, जिसे 'इंटरप्टेड टाइम सीरीज़' (interrupted time series) कहा जाता है, नीति लागू होने के बाद होने वाले कुल परिवर्तन को पहचानने में उत्कृष्ट है। हालाँकि, यह अक्सर एक महत्वपूर्ण प्रश्न अनुत्तरित छोड़ देता है: क्या नीति ने सीधे परिणाम को बदलकर काम किया, या इसने पहले एक मध्यवर्ती कारक को बदला और फिर उस कारक ने परिणाम को प्रभावित किया? उदाहरण के लिए, यदि कोई शहर एक निश्चित प्रकार की कार पर प्रतिबंध लगाता है, तो क्या हवा इसलिए साफ होती है क्योंकि कारें कम हो गई हैं, या इसलिए क्योंकि शेष कारें कम दूरी तय कर रही हैं? इन दो रास्तों को सुलझाना—प्रत्यक्ष मार्ग और एक मध्य चरण के माध्यम से अप्रत्यक्ष मार्ग—कठिन होता है जब डेटा केवल एक स्थान और समय की एक निरंतर धारा से आता है, न कि लोगों के कई अलग-अलग समूहों से।

मैनिटोबा विश्वविद्यालय के सांख्यिकीविदों की एक टीम ने इस पहेली को हल करने का एक नया तरीका विकसित किया है। उन्होंने एक ऐसी विधि बनाई जो एक एकल, अटूट दैनिक डेटा रिकॉर्ड के साथ भी नीति के कुल प्रभाव को उसके प्रत्यक्ष और अप्रत्यक्ष भागों में अलग कर सकती है। उनके दृष्टिकोण का परीक्षण पहले कंप्यूटर सिमुलेशन पर किया गया था जिन्हें वास्तविक दुनिया के दैनिक पैटर्न की नकल करने के लिए डिज़ाइन किया गया था, जहाँ उन्होंने पाया कि पुराने, सरल तरीके भ्रामक परिणाम देते थे जब छिपे हुए कारक डेटा को प्रभावित कर रहे थे। इसके बाद उन्होंने अपनी नई तकनीक को एक वास्तविक घटना पर लागू किया: 2019 में ओंटारियो के "ड्राइव क्लीन" वाहन उत्सर्जन परीक्षण कार्यक्रम का अंत। टोरंटो में चार क्षेत्रों के दैनिक वायु गुणवत्ता डेटा का विश्लेषण करके, उन्होंने पाया कि परीक्षण कार्यक्रम समाप्त होने से जमीनी स्तर के ओजोन में मापने योग्य गिरावट आई, लेकिन इस गिरावट तक पहुँचने का रास्ता एक सरल कारण-और-प्रभाव श्रृंखला से कहीं अधिक जटिल था।

शोधकर्ताओं ने एक विशिष्ट नीतिगत परिवर्तन पर ध्यान केंद्रित किया: 1 अप्रैल, 2019 को ओंटारियो में हल्के भार वाले वाहनों के लिए अनिवार्य वाहन उत्सर्जन परीक्षण की समाप्ति। इस तारीख से पहले, कारों को नियमित जांच से गुजरना पड़ता था ताकि यह सुनिश्चित हो सके कि वे बहुत अधिक प्रदूषण नहीं फैला रही हैं। कार्यक्रम समाप्त होने के बाद, शोधकर्ताओं जानना चाहते थे कि इस निर्णय ने जमीनी स्तर के ओजोन को कैसे प्रभावित किया। उन्हें संदेह था कि इसका प्रभाव नाइट्रोजन डाइऑक्साइड के माध्यम से यात्रा कर सकता है, जो वाहनों द्वारा उत्सर्जित होने वाली एक गैस है और ओजोन निर्माण से निकटता से जुड़ी हुई है। कई शहरी क्षेत्रों में, इन दोनों प्रदूषकों के बीच का संबंध प्रति-सहज (counterintuitive) होता है; कभी-कभी, नाइट्रोजन डाइऑक्साइड में गिरावट वास्तव में ओजोन में वृद्धि का कारण बन सकती है, जबकि अन्य मामलों में, यह गिरावट का कारण बनती है। यह जटिलता बताना कठिन बना देती है कि ओजोन में बदलाव सीधे नीति का परिणाम है या नाइट्रोजन डाइऑक्साइड में बदलाव का एक दुष्प्रभाव है।

इस बात का पता लगाने के लिए, टीम को एक प्रमुख सांख्यिकीय बाधा को पार करना पड़ा। डेटा का विश्लेषण करने वाले मानक तरीके अक्सर यह मान लेते हैं कि डेटा बिंदु स्वतंत्र हैं, जैसे कि कई बार सिक्का उछालना। लेकिन दैनिक वायु गुणवत्ता डेटा स्वतंत्र नहीं है; मंगलवार की वायु गुणवत्ता सोमवार के मौसम और प्रदूषण स्तरों से काफी प्रभावित होती है। इसके अलावा, नीति परिवर्तन एक निश्चित तिथि पर हुआ था, जो एक निश्चितता है, कोई यादृच्छिक घटना नहीं। शोधकर्ताओं ने महसूस किया कि प्रत्यक्ष और अप्रत्यक्ष प्रभावों को अलग करने वाले मौजूदा उपकरण कई अलग-अलग लोगों या समूहों के अध्ययन के लिए बनाए गए थे, न कि एक एकल, निरंतर समयरेखा के लिए। उन्होंने "स्टेबलाइज्ड मीडिएटर वेटिंग" (stabilized mediator weighting) नामक एक तकनीक को अपनाया। सरल शब्दों में, यह विधि एक आभासी जनसंख्या बनाती है जहाँ मध्यवर्ती कारक (नाइट्रोजन डाइऑक्साइड) और अंतिम परिणाम (ओजोन) के बीच का संबंध अन्य बदलते मौसम की स्थितियों से विकृत नहीं होता है। इन छिपे हुए प्रभावों को ध्यान में रखते हुए डेटा को समायोजित करके, वे नीति के वास्तविक प्रभाव को अलग कर सके।

उन्हें एक दूसरे बड़े आयोजन का भी हिसाब रखना पड़ा जो बाद में हुआ: मार्च 2020 में महामारी की शुरुआत, जिसने यातायात के पैटर्न और उत्सर्जन को नाटकीय रूप से बदल दिया। यह सुनिश्चित करने के लिए कि वे उत्सर्जन परीक्षण कार्यक्रम और महामारी के बीच अंतर कर रहे हैं, उन्होंने महामारी की शुरुआत को अपनी समयरेखा में दूसरे व्यवधान के रूप में माना। उन्होंने अपने नए तरीके का कंप्यूटर सिमुलेशन का उपयोग करके व्यापक परीक्षण किया, जिसमें ज्ञात पैटर्न के साथ हजारों नकली डेटा दिनों को उत्पन्न किया गया। इन परीक्षणों में, उन्होंने पाया कि पुराने, बिना भार वाले (unweighted) तरीके मौजूद कारकों की उपस्थिति में बुरी तरह विफल रहे, अक्सर अप्रत्यक्ष प्रभाव को पूरी तरह से मिस कर गए या प्रभाव की दिशा गलत बता दी। उनके नए तरीके ने, जिसने भारित (weighted) दृष्टिकोण का उपयोग किया, सिमुलेशन में वास्तविक प्रभावों को सफलतापूर्वक प्राप्त किया, जिससे त्रुटियां काफी कम हुईं और अधिक विश्वसनीय तस्वीर मिली।

जब उन्होंने वास्तविक डेटा के साथ इस परिष्कृत विधि को लागू किया, तो परिणामों ने एक सूक्ष्म कहानी का खुलासा किया। विश्लेषण ने शहर के चार विशिष्ट क्षेत्रों को कवर किया: डाउनटाउन, ईस्ट, वेस्ट और नॉर्थ। शोधकर्ताओं ने पाया कि उत्सर्जन परीक्षण कार्यक्रम को समाप्त करने का जमीनी स्तर के ओजोन में प्रत्यक्ष कमी के साथ संबंध था। सभी चार क्षेत्रों में, प्रत्यक्ष प्रभाव लगभग 2.1 पार्ट्स प्रति बिलियन की गिरावट थी। इसका मतलब है कि नीति परिवर्तन ने स्वयं, या उसके आसपास की स्थितियों ने, नाइट्रोजन डाइऑक्साइड के बारे में जो कुछ भी हुआ चाहे वह जो भी था, उससे स्वतंत्र रूप से स्वच्छ हवा का सीधा मार्ग बनाया। यह निष्कर्ष तब भी सही रहा जब उन्होंने महामारी शुरू होने से पहले के डेटा को देखा, जिससे पता चलता है कि परिणाम मजबूत था और लॉकडाउन का कोई कृत्रिम परिणाम नहीं था।

हालाँकि, अप्रत्यक्ष पथ ने एक अलग कहानी बताई। नाइट्रोजन डाइऑक्साइड के माध्यम से ओजोन पर नीति का अप्रत्यक्ष प्रभाव पूरे शहर में सुसंगत नहीं था। चार में से तीन क्षेत्रों में, अप्रत्यक्ष प्रभाव सकारात्मक था, जिसका अर्थ है कि नाइट्रोजन डाइऑक्साइड में बदलाव ने वास्तव में ओजोन के स्तर को ऊपर धकेल दिया। लेकिन घने डाउनटाउन केंद्र में, अप्रत्यष प्रभाव नकारात्मक था, जिसने ओजोन के स्तर को नीचे खींच लिया। जब शोधकर्ताओं ने क्षेत्रीय परिणामों को मिलाया, तो सकारात्मक और नकारात्मक अप्रत्यक्ष प्रभावों ने एक-दूसरे को काफी हद तक रद्द कर दिया, जिसके परिणामस्वरूप कुल अप्रत्यक्ष प्रभाव शून्य के करीब था और सांख्यिकीय रूप से महत्वपूर्ण नहीं था। यह एक महत्वपूर्ण बिंदु को उजागर करता है: यदि शोधकर्ताओं ने केवल कुल परिवर्तन को देखे बिना प्रत्यक्ष और अप्रत्यक्ष पथों को अलग नहीं किया होता, तो वे निरंतर प्रत्यक्ष कमी और विभिन्न पड़ोसों में चल रहे जटिल, विरोधी बलों को मिस कर सकते थे।

अध्ययन निष्कर्ष निकालता है कि यह नया तरीका वास्तविक दुनिया में नीतियों के काम करने के तरीके को समझने के लिए एक शक्तिशाली उपकरण प्रदान करता है। हस्तक्षेप के प्रत्यक्ष प्रभाव को मध्यवर्ती चरणों के माध्यम से बहने वाले अप्रत्यक्ष प्रभाव से अलग करके, वैज्ञानिक कारण और प्रभाव की स्पष्ट तस्वीर प्राप्त कर सकते हैं। ओंटारियो के 'ड्राइव क्लीन' कार्यक्रम के मामले में, साक्ष्य बताते हैं कि परीक्षण समाप्त करने से ओजोन के स्तर में प्रत्यक्ष सुधार हुआ, जो एक ऐसा निष्कर्ष है जो वायुमंडलीय वैज्ञानिकों ने व्यस्त शहरों में ओजोन के व्यवहार के बारे में देखा है। यह शोध भी प्रदर्शित करता है कि सरल, बिना समायोजित तरीकों पर निर्भर रहने से गलत निष्कर्ष निकल सकते हैं, विशेष रूप से जटिल, परस्पर जुड़े पर्यावरणीय डेटा के मामले में। प्रत्यक्ष नीति प्रभाव और अप्रत्यक्ष प्रतिक्रियाओं की एक श्रृंखला के बीच अंतर करने की क्षमता सार्वजनिक स्वास्थ्य और पर्यावरणीय नियमों के वास्तविक प्रभाव का मूल्यांकन करने का एक अधिक सटीक तरीका प्रदान करती है।