📊 statistics

Functional Estimation under Proxy-Based Full-Law Identification

यह शोधपत्र विलुप्त अव्यवस्थाओं (latent confounders) से जुड़े प्रॉक्सी चरों (proxy variables) का उपयोग करके पूर्ण-डेटा नियम (full-data law) की पहचान करने के लिए सामान्य स्थितियाँ स्थापित करता है और पूर्ण-डेटा नियम के फलन (functionals) के लिए सुसंगत (consistent), बहु-सुदृढ़ (multiple-robust) और $\sqrt{n}$ -सुसंगत M-अनुमानकर्ताओं (M-estimators) के निर्माण के लिए एक प्रॉक्सी-आधारित वेटिंग रणनीति विकसित करता है।

मूल लेखक: Helen Guo, AmirEmad Ghassami, Ilya Shpitser, Elizabeth L. Ogburn

प्रकाशित 2026-09-15

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Helen Guo, AmirEmad Ghassami, Ilya Shpitser, Elizabeth L. Ogburn

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

वैज्ञानिक अन्वेषण के विशाल परिदृश्य में, शोधकर्ता अक्सर केवल पीछे छूटे सुरागों का उपयोग करके एक छिपी हुई वास्तविकता को समझने की कोशिश करते हुए खुद को पाते हैं। कल्पना कीजिए कि एक डॉक्टर किसी ऐसी बीमारी का निदान करने की कोशिश कर रहा है जिसे सीधे देखा नहीं जा सकता, या एक अर्थशास्त्री एक ऐसे सामाजिक रुझान को मापने का प्रयास कर रहा है जिसका कोई सीधा रिकॉर्ड मौजूद नहीं है। इन स्थितियों में, रुचि के वास्तविक चर (variables) अनपेक्षित होते हैं, जो दृष्टि से ओझल रहते हैं, जबकि वैज्ञानिकों को उन संबंधित मापों पर निर्भर रहना पड़ता है जो 'प्रॉक्सी' (proxies) के रूप में कार्य करते हैं। इन प्रॉक्सी को स्टैंड-इन के रूप में जाना जाता है। दशकों से, सांख्यिकीविदों ने इन प्रॉक्सी का उपयोग करके छिपी हुई तस्वीर को पुनर्गठित करने के तरीके विकसित किए हैं, लेकिन इसके लिए आवश्यक गणित अक्सर कठोर रहा है, जो यह मांग करता था कि छिपे हुए चर बहुत विशिष्ट, सरल श्रेणियों में फिट हों। इस सीमा का अर्थ था कि कई जटिल, वास्तविक दुनिया के परिदृश्य जिनमें कई छिपे हुए कारक शामिल थे, सटीक विश्लेषण के लिए पहुंच से बाहर रहे।

मुख्य चुनौती वह अंतर है जो देखे गए और जाने गए के बीच मौजूद है। जब कोई चर छिपा हुआ होता है, तो दुनिया पर उसका प्रभाव केवल उन चरों के माध्यम से दिखाई देता है जिन्हें वह स्पर्श करता है। यदि एक शोधकर्ता पर्याप्त विशिष्ट, स्वतंत्र माप खोज सकता है जो सभी एक ही छिपे हुए कारण के प्रति प्रतिक्रिया करते हैं, तो वे सैद्धांतिक रूप से उस छिपे हुए कारण को समझने के लिए पीछे की ओर काम कर सकते हैं। हालांकि, इस सैद्धांतिक संभावना को विशिष्ट मूल्यों—जैसे कि स्वास्थ्य परिणाम पर एक छिपे हुए कारक के औसत प्रभाव—का अनुमान लगाने के लिए एक व्यावहारिक उपकरण में बदलना कठिन रहा है। पिछले तरीके अक्सर छिपे हुए वितरण के सामान्य आकार की पहचान कर सकते थे, लेकिन वास्तविक दुनिया के डेटा से विशिष्ट संख्याओं की गणना करने के लिए विश्वसनीय, कुशल तरीके प्रदान करने में संघर्ष करते थे, विशेष रूप से जब छिपे हुए कारक अनेक या निरंतर (continuous) थे।

शोधकर्ताओं की एक टीम ने अब इस अंतर को पाट दिया है और एक नया ढांचा विकसित किया है जो वैज्ञानिकों को केवल देखे गए डेटा का उपयोग करके छिपे हुए चरों की पूरी तस्वीर को पहचानने और अनुमान लगाने की अनुमति देता है। उनका कार्य उन समस्याओं के एक व्यापक वर्ग पर केंद्रित है जहाँ कई छिपे हुए चर मौजूद होते हैं, जिनमें से प्रत्येक के साथ तीन या अधिक स्वतंत्र माप होते हैं। शोधकर्ताओं ने स्थापित किया कि यदि ये माप पर्याप्त रूप से विशिष्ट हैं और छिपे हुए चरों के सापेक्ष एक विशिष्ट तरीके से भिन्न होते हैं, तो छिपे हुए और देखे गए चरों के संपूर्ण संयुक्त वितरण (joint distribution) को गणितीय रूप से पुनर्गठित करना संभव है। इसका अर्थ है कि छिपी हुई दुनिया अब कोई रहस्य नहीं है; इसे वास्तव में उपलब्ध डेटा से पूरी तरह से पुनः प्राप्त किया जा सकता है।

इस कार्य का वास्तविक नवाचार न केवल यह सिद्ध करने में है कि छिपी हुई दुनिया को देखा जा सकता है, बल्कि यह दिखाने में भी है कि इसे सटीक रूप से कैसे मापा जाए। लेखकों ने "अनुमानित समीकरण" (estimating equations) बनाने की एक विधि विकसित की है, जो गणितीय रेसिपी हैं जो देखे गए डेटा का उपयोग करके एक लक्षित पैरामीटर (target parameter) के मान की गणना करती हैं, जैसे कि एक छिपे हुए चर का औसत मान या एक काल्पनिक परिदृश्य का औसत परिणाम। उन्होंने एक चतुर 'वेटिंग स्कीम' (weighting scheme) का उपयोग करके सैद्धांतिक सूत्रों में अनदेखे चरों को देखे गए प्रॉक्सी चरों से बदलकर यह उपलब्धि प्राप्त की। यह योजना डेटा बिंदुओं को उनके प्रॉक्सी के साथ संबंध के आधार पर अलग-अलग महत्व देती है, जिससे प्रभावी रूप से देखा गया डेटा लुप्त जानकारी के स्थान पर खड़ा हो जाता है।

जो इस दृष्टिकोण को विशेष रूप से शक्तिशाली बनाता है, वह इसकी मजबूती (robustness) है। कई सांख्यिकीय विधियों में, यदि एक शोधकर्ता प्रणाली के एक हिस्से के मॉडलिंग में गलती करता है, तो पूरा परिणाम बर्बाद हो सकता है। यहाँ, नए एस्टिमेटर्स (estimators) "मल्टीप्ली रूप से सुदृढ़" (multiply robust) होने के लिए डिज़ाइन किए गए हैं। इसका अर्थ है कि अंतिम परिणाम सटीक रहता है जब तक कि मॉडल के कई अलग-अलग हिस्सों में से कम से कम एक सही ढंग से निर्दिष्ट (specified) हो। भले ही शोधकर्ता कुछ विवरणों को गलत कर दें, फिर भी विधि सही उत्तर प्राप्त कर सकती है। इसके अलावा, यह विधि सांख्यिकीय रूप से कुशल अनुमान प्रदान करती है, जिसका अर्थ है कि वे डेटा द्वारा अनुमत सबसे तेज़ दर पर वास्तविक मान की ओर अभिसरित (converge) होते हैं, भले ही मॉडल के सहायक भागों का अनुमान कुछ अनिश्चितता के साथ लगाया गया हो।

शोधकर्ताओं ने प्रदर्शित किया कि उनकी विधि विविध परिदृश्यों में काम करती है, जिसमें कई छिपे हुए चर और निरंतर डेटा शामिल हैं, जिन्हें पहले संभालना कठिन था। उन्होंने छिपे हुए कन्फाउंडर्स (confounders), छिपे हुए उपचारों (treatments) और छिपे हुए मध्यस्थों (mediators) से जुड़ी समस्याओं में इस तकनीक को लागू करने के ठोस उदाहरण प्रदान किए। उदाहरण के लिए, एक अध्ययन में जहाँ एक उपचार का प्रभाव एक अनमापे कारक द्वारा अस्पष्ट है, यह विधि उपचार के वास्तविक प्रभाव को अलग करने के लिए उपलब्ध प्रॉक्सी का उपयोग कर सकती है। लेखकों ने दिखाया कि इन तकनीकों का उपयोग करके, एक सुसंगत (consistent) एस्टिमेटर बनाया जा सकता है जिसमें वांछनीय सांख्यिकीय गुण भी होते हैं, जैसे कि बड़े नमूनों में सामान्य वितरण (normal distribution), जो मानक कॉन्फिडेंस इंटरवल और परिकल्पना परीक्षण (hypothesis testing) की अनुमति देता है।

यह कार्य लेटेंट वेरिएबल विश्लेषण (latent variable analysis) के क्षेत्र में एक महत्वपूर्ण प्रगति है। छिपे हुए चरों के पूर्ण डेटा कानून की पहचान करने की शर्तों का विस्तार करके और अनुमान के लिए एक व्यावहारिक टूलकिट प्रदान करके, शोधकर्ताओं ने सार्वजनिक स्वास्थ्य से लेकर अर्थशास्त्र तक के क्षेत्रों में अधिक विश्वसनीय विश्लेषणों के द्वार खोल दिए हैं। उनका दृष्टिकोण यह आवश्यक नहीं बनाता कि छिपे हुए चर सरल या असतत (discrete) हों; यह जटिल, निरंतर वास्तविकताओं को भी समाहित करता है। परिणाम एक ऐसी विधि है जो छिपी हुई संरचनाओं की पहचान करने की अमूर्त संभावना को एक ठोस, उपयोगी उपकरण में बदल देती है, जिसकी आवश्यकता उन वैज्ञानिकों को होती है जिन्हें दुनिया को आकार देने वाली अदृश्य शक्तियों को समझने की जरूरत है। निष्कर्ष बताते हैं कि सही प्रॉक्सी और सही गणितीय ढांचे के साथ, अनदेखे चरों के पर्दे को उस सटीकता के साथ उठाया जा सकता है जो पहले पहुंच से बाहर थी।

तकनीकी सारांश: प्रॉक्सी-आधारित पूर्ण-नियम पहचान के तहत कार्यात्मक अनुमान (Functional Estimation under Proxy-Based Full-Law Identification)

समस्या का सेटअप और प्रेरणा

यह शोध पत्र उन लैटेंट वेरिएबल मॉडलों में लक्षित कार्यात्मकों (target functionals) के अनुमान की चुनौती को संबोधित करता है जहाँ रुचि के चर ( $\vec{H}$ ) अप्रोक्षित (unobserved) हैं, लेकिन उनसे जुड़े देखे गए मापन ("प्रॉक्सी", $\vec{O}$ द्वारा सूचित) उपलब्ध हैं। जबकि मौजूदा साहित्य ने उन स्थितियों को स्थापित किया है जिनमें पूर्ण-डेटा नियम (लक्षित और देखे गए चरों का संयुक्त वितरण, $p(\vec{H}, \vec{O})$ ) देखे गए-डेटा नियम ( $p(\vec{O})$ ) से पहचानने योग्य (identifiable) होता है, इस नियम से प्राप्त लक्षित कार्यात्मकों का अनुमान लगाना अभी भी अपेक्षाकृत नया विषय है।

वर्तमान नॉनपैरामेट्रिक दृष्टिकोण अक्सर पूर्ण-डेटा नियम को पुनः प्राप्त करने के लिए लचीली मॉडल धारणाओं पर निर्भर करते हैं, फिर भी वे अक्सर ऐसे मजबूत अनुमान रणनीतियों की कमी रखते हैं जो वांछनीय सांख्यिकीय गुण (जैसे कि $\sqrt{n}$ -consistency और मल्टीपल रोबस्टनेस) प्रदान कर सकें, जब न्यूसेंस फंक्शन (nuisance functions) को पैरामीट्रिक दर से धीमी दरों पर अनुमानित किया जाता है। इसके अलावा, कई मौजूदा विधियाँ विशिष्ट कारण लक्ष्यों (जैसे कि प्रॉक्सिमल कॉज़ल इन्फरेंस के माध्यम से) पर ध्यान केंद्रित करती हैं, न कि पूर्ण संयुक्त वितरण को पुनः प्राप्त करने पर, जो उनकी व्यापक श्रेणी के कार्यात्मकों के अनुप्रयोग को सीमित करती है।

कार्यप्रणाली (Methodology)

1. पूर्ण-डेटा नियम की पहचान (Identification of the Full-Data Law)

लेखक उन धारणाओं का एक सेट स्थापित करते हैं जिनके तहत पूर्ण-डेटा नियम $p(\vec{H}, \vec{O})$ को पहचाना जा सकता है, जो $\vec{H}$ के सपोर्ट मानों के किसी भी क्रमपरिवर्तन (permutation) तक हो सकता है। यह ढांचा कई लैटेंट वेरिएबल्स को समायोजित करता है और परिमित (finite) तथा निरंतर (continuous) सपोर्ट दोनों की अनुमति देता है।

मुख्य धारणाओं में शामिल हैं:

प्रॉक्सी संरचना (Proxy Structure): प्रत्येक लैटेंट वेरिएबल $H \in \vec{H}$ के लिए, तीन देखे गए प्रॉक्सी $\{W_{1H}, W_{2H}, W_{3H}\} \subseteq \vec{O}$ मौजूद हैं।
सशर्त स्वतंत्रता (Conditional Independence): ये प्रॉक्सी $H$ और शेष देखे गए चरों $\vec{O}_{-W}$ (जो प्रॉक्सी सेट में नहीं हैं) पर सशर्त रूप से एक-दूसरे से स्वतंत्र हैं।
पूर्णता और रैंक स्थितियाँ (Completeness and Rank Conditions): धारणाएं 5 और 6 लैटेंट वेरिएबल के दिए गए प्रॉक्सी के सशर्त वितरणों पर पूर्णता की शर्तें लागू करती हैं, जो लैटेंट अवस्थाओं को अलग करने के लिए पर्याप्त परिवर्तनशीलता सुनिश्चित करती हैं। विशेष रूप से, $W_{1H}$ और $W_{2H}$ को पूर्णता की शर्तों को पूरा करना चाहिए, जबकि $W_{3H}$ को एक विशिष्टता (distinctness) की शर्त की आवश्यकता होती है।
लेबल फिक्सिंग (Label Fixing): केवल क्रमपरिवर्तन के बजाय एक विशिष्ट लेबलिंग के लिए, एक अतिरिक्त कार्यात्मक धारणा (धारणा 7) या एक सशर्त स्वतंत्रता धारणा (धारणा 8) की आवश्यकता होती है।

लेखक एकल-लैटेंट-वेरिएबल सेटिंग्स से कई लैटेंट वेरिएबल्स (जैसे, ट्री-स्ट्रक्चर्ड ग्राफ) तक परिणामों का विस्तार करने के लिए एसाइक्लिक डायरेक्टेड मिक्स्ड ग्राफ्स (ADMGs) का उपयोग करते हैं।

2. प्रॉक्सी-आधारित वेटिंग के माध्यम से अनुमान (Estimation via Proxy-Based Weighting)

मुख्य पद्धतिगत योगदान एक रणनीति है जो अनोपलब्ध चरों को देखे गए चरों के माध्यम से प्रॉक्सी-आधारित वेटिंग स्कीम का उपयोग करके प्रतिस्थापित करके देखे गए-डेटा अनुमान समीकरणों और इन्फ्लुएंस फंक्शन्स का निर्माण करती है।

पूर्ण-डेटा से देखे गए-डेटा तक: लेखक एक पूर्ण-डेटा अनुमान समीकरण या इन्फ्लुएंस फंक्शन $\phi(\vec{H}, \vec{O}; \eta)$ से शुरुआत करते हैं जिसका माध्य शून्य होता है। वे एक देखे गए-डेटा फंक्शन $\phi(\vec{O}; \eta)$ का निर्माण करते हैं ताकि इसका प्रत्याशा (expectation) पूर्ण-डेटा फंक्शन के बराबर हो।
वेट निर्माण (Weight Construction): यह वेट फंक्शन $\omega_{\vec{h}_i}$ (या इन्फ्लुएंस फंक्शन के लिए $\lambda_{\vec{h}_i}$ ) को परिभाषित करके किया जाता है जो विशिष्ट ऑर्थोगोनैलिटी (orthogonality) शर्तों को पूरा करते हैं। एक लैटेंट अवस्था $\vec{h}_i$ के लिए, वेट $\omega_{\vec{h}_i}$ इस प्रकार बनाया जाता है कि $E[\omega_{\vec{h}_i} | \vec{H} = \vec{h}_j] = \mathbb{I}(i=j)$ हो। ये वेट्स लैटेंट वेरिएबल के सापेक्ष प्रॉक्सी के बेसिस फंक्शन्स के सशर्त प्रत्याशाओं का उपयोग करके प्राप्त किए जाते हैं।
कार्यान्वयन (Implementation): परिणामी एस्टिमेटर $\hat{\psi}$ एक सुसंगत (consistent) M-एस्टिमेटर है जिसे एम्पिरिकल अनुमान समीकरण $P_n[\phi(O; \hat{\psi}, \hat{\eta})] = 0$ को हल करके प्राप्त किया जाता है।

3. इन्फ्लुएंस फंक्शन्स और रोबस्टनेस (Influence Functions and Robustness)

यह शोध पत्र देखे गए-डेटा इन्फ्लुएंस फंक्शन्स को प्राप्त करने के लिए इस निर्माण को विस्तारित करता है। ये फंक्शन निम्नलिखित का निर्माण करने वाले एस्टिमेटर्स की अनुमति देते हैं:

मल्टीपल रोबस्टनेस (Multiple Robustness): यदि न्यूसेंस फंक्शन्स के कई सेटों में से कम से कम एक सही ढंग से निर्दिष्ट (specified) है, तो सुसंगतता (consistency) बनी रहती है।
$\sqrt{n}$ -सुसंगतता ( $\sqrt{n}$ -Consistency): एस्टिमेटर्स पैरामीट्रिक अभिसरण दरों (convergence rates) को प्राप्त करते हैं, भले ही न्यूसेंस फंक्शन्स (जैसे, प्रॉक्सी के सशर्त प्रत्याशा) को पैरामीट्रिक दर से धीमी दरों पर अनुमानित किया गया हो, बशर्ते कि कुछ प्रोडक्ट-रेट स्थितियां पूरी हों (जैसे, न्यूसेंस फंक्शन्स के जोड़ों के अनुमान त्रुटियों का गुणनफल $o_p(n^{-1/2})$ हो)।

दो प्रकार के लक्षित कार्यात्मकों को संबोधित किया गया है:

वर्ग 1: $p(\vec{H}, \vec{O}_{-W})$ के कार्यात्मक, जहाँ इन्फ्लुएंस फंक्शन सभी प्रॉक्सी सेट पर निर्भर करता है।
वर्ग 2: $p(\vec{H}, \vec{O} \setminus \{W_{1H}, W_{2H}\})$ के कार्यात्मक, जिसमें विभिन्न प्रॉक्सी जोड़ों से प्राप्त वेट्स के उत्पादों के शामिल होने वाला अधिक जटिल वेटिंग स्कीम की आवश्यकता होती है।

मुख्य योगदान और परिणाम

सामान्य पहचान ढांचा (General Identification Framework): यह शोध पत्र पूर्ण-डेटा नियम के पहचान परिणामों को कई लैटेंट वेरिएबल्स और निरंतर सपोर्ट वाले सेटिंग्स में सामान्य बनाता है, जो पिछले कार्यों (जैसे, Hu और Schennach [2008], Zhou और Tchetgen Tchetgen [2024]) के एकल-लैटेंट-वेरिएबल या परिमित-सपोर्ट बाधाओं से आगे बढ़ता है।
व्यवस्थित अनुमान प्रक्रिया (Systematic Estimation Procedure): यह प्रॉक्सी-आधारित वेट्स का उपयोग करके पूर्ण-डेटा इन्फ्लुएंस फंक्शन्स को देखे गए-डेटा इन्फ्लुएंस फंक्शन्स में बदलने के लिए एक व्यवस्थित प्रक्रिया प्रदान करता है। यह नॉनपैरामेट्रिक पहचान सिद्धांत और आधुनिक सेमीपैरामेट्रिक अनुमान पद्धति के बीच के अंतर को पाटता है।
रोबस्ट एस्टिमेटर्स (Robust Estimators): प्राप्त एस्टिमेटर्स में मल्टीपल रोबस्टनेस के गुण होते हैं। उदाहरण के लिए, बाइनरी लैटेंट ट्रीटमेंट के मामले में, सुसंगतता तब बनी रहती है जब तीन विशिष्ट सशर्त प्रत्याशा फंक्शनों (जैसे, $E[W|H], E[Z|H]$ ) में से कोई भी सही ढंग से निर्दिष्ट किया गया हो।
धीमी न्यूसनस अभिसरण के तहत दक्षता (Efficiency under Slow Nuisance Convergence): यह शोध पत्र स्थापित करता है कि एस्टिमेटर्स $\sqrt{n}$ -सुसंगत बने रहते हैं, भले ही न्यूसेंस फंक्शन्स पैरामीट्रिक दरों से धीमी गति से अभिसरित हों, बशर्ते कि न्यूसेंस फंक्शन्स की अनुमान त्रुटियों पर विशिष्ट प्रोडक्ट-रेट स्थितियां लागू हों।
ग्राफिकल लक्षण वर्णन (Graphical Characterization): लेखक यह निर्धारित करने के लिए पर्याप्त ग्राफिकल मानदंड (ADMGs के माध्यम से) प्रदान करते हैं कि क्या एक सांख्यिकीय मॉडल आवश्यक स्वतंत्रता धारणाओं को पूरा करता है, जो मॉडल स्पेसिफिकेशन के लिए व्यावहारिक मार्गदर्शन प्रदान करता है।

महत्व और दावे

लेखक दावा करते हैं कि उनका कार्य कई लैटेंट वेरिएबल्स और निरंतर सपोर्ट वाले अधिक जटिल सेटिंग्स में पूर्ण-लॉ (full-law) पहचान के दायरे को बढ़ाता है। देखे गए प्रॉक्सी पर निर्भर करने वाले अनुमान समीकरणों और इन्फ्लुएंस फंक्शन्स का विकास करके, यह शोध पत्र पूर्ण-डेटा नियम के सरल क्लोज्ड-फॉर्म प्रतिनिधित्व की आवश्यकता के बिना लक्षित कार्यात्मकों (जिसमें लैटेंट मीन्स और औसत काउंटरफैक्चुअल आउटकम्स शामिल हैं) के अनुमान को सक्षम बनाता है।

यह शोध पत्र स्वयं को पहचान सिद्धांत और व्यावहारिक अनुमान के बीच एक सेतु के रूप में स्थापित करता है, जो उन परिदृश्यों में "सिद्धांतिक अनुमान" (principled estimation) के लिए एक टूलकिट प्रदान करता है जहाँ चर 'नॉट रैंडम एट रैंडम' (not at random) तरीके से गायब हैं या जहाँ चयन पूर्वाग्रह (selection bias) मौजूद है, बशर्ते उपयुक्त प्रॉक्सी उपलब्ध हों। लेखक नोट करते हैं कि जबकि वे $\sqrt{n}$ -सुसंगतता के लिए सैद्धांतिक स्थितियां प्रदान करते हैं, इन प्रोडक्ट-रेट स्थितियों को संतुष्ट करने के लिए विशिष्ट प्रक्रियाओं (जैसे, सीव-आधारित या मशीन लर्निंग विधियों) का विकास भविष्य के कार्य के लिए एक महत्वपूर्ण दिशा है। यह दृष्टिकोण स्पष्ट रूप से बाइनरी लैटेंट ट्रीटमेंट (Zhou और Tchetgen Tchetgen [2024]) और परिमित सपोर्ट मॉडल (Egami और Shin [2026]) के हालिया कार्यों से प्रेरित है और उनके साथ ओवरलैप करता है, लेकिन इन्हें व्यापक संदर्भों में सामान्य बनाता है।