📈 economics

Multiply Robust Causal Mediation Analysis with Continuous Treatments

यह शोध पत्र निरंतर उपचारों (continuous treatments) के लिए एक बहु-सुदृढ़ (multiply robust) और स्पर्शोन्मुखी रूप से सामान्य (asymptotically normal) कारण मध्यस्थता अनुमानक (causal mediation estimator) प्रस्तावित करता है जो सुदृढ़ता संबंधी आवश्यकताओं को शिथिल करने और बिना किसी कड़े पैरामीट्रिक धारणाओं पर निर्भर रहे न्यूसेंस मापदंडों (nuisance parameters) के लिए धीमी अभिसरण दरों (convergence rates) को समायोजित करने के लिए कर्नेल स्मूथिंग और क्रॉस-फिटिंग का उपयोग करता है।

मूल लेखक: Yizhen Xu, AmirEmad Ghassami, Numair Sani, Ilya Shpitser

प्रकाशित 2026-06-30

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Yizhen Xu, AmirEmad Ghassami, Numair Sani, Ilya Shpitser

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 जासूस हैं जो यह पता लगाने की कोशिश कर रहे हैं कि कोई विशेष घटना क्यों हुई। आप जानते हैं कि एक निश्चित क्रिया (जिसे आप "उपचार" या "Treatment" कह सकते हैं) ने एक परिणाम (जैसे स्वास्थ्य या व्यवहार में परिवर्तन) को जन्म दिया। लेकिन आप यह जानना चाहते हैं: क्या उस क्रिया ने परिणाम को सीधे तौर पर पैदा किया, या इसने किसी बिचौलिए (एक "मध्यस्थ" या "Mediator") के माध्यम से काम किया?

उदाहरण के लिए, कल्पना करें कि एक जॉब ट्रेनिंग प्रोग्राम (उपचार) लोगों को अपराध से बाहर निकलने में मदद करता (परिणाम)। क्या यह कौशल सिखाकर सीधे काम करता है, या अप्रत्यक्ष रूप से पहले उन्हें रोजगार दिलाकर, जो फिर उन्हें मुसीबत से दूर रखता है (मध्यस्थ)?

यह शोध पत्र इस जासूसी कार्य के एक बहुत ही पेचीदा संस्करण को संबोधित करता है: क्या होगा यदि "उपचार" केवल "हाँ/नहीं" (जैसे कि दवा लेना या न लेना) नहीं है, बल्कि एक निरंतर मात्रा (जैसे प्रशिक्षण के घंटों की संख्या) है?

यहाँ एक सरल विवरण दिया गया कि लेखकों ने क्या किया, रोजमर्रा के उपमाओं का उपयोग करते हुए:

1. समस्या: "बाइनरी" बनाम "कंटीन्यूअस" का अंतर

पिछले जासूसी उपकरण (सांख्यिकीय विधियाँ) सरल "हाँ/नहीं" वाले उपचारों को संभालने में बहुत अच्छे थे। उनके पास एक विशेष "जादुई सूत्र" (जिसे इन्फ्लुएंस फंक्शन कहा जाता है) था जो उन्हें बहुत विश्वसनीय बनाता था, भले ही जासूस ने कुछ पृष्ठभूमि विवरणों के बारे में गलत अनुमान लगाया हो।

हालाँकि, जब उपचार एक निरंतर संख्या (जैसे 100 घंटे बनाम 1,000 घंटे) होती है, तो वे पुराने उपकरण विफल हो जाते हैं।

उपमा: कल्पना कीजिए कि आप भीड़ में किसी विशिष्ट व्यक्ति को उसका सटीक नाम चिल्लाकर ढूंढने की कोशिश कर रहे हैं। यदि भीड़ बहुत बड़ी है और हर कोई थोड़ा अलग दिखता है, तो सटीक नाम चिल्लाने से शायद कोई न मिले। आपको नामों का एक "समूह" चिल्लाना होगा या लोगों के एक छोटे से पड़ोस को देखना होगा।
मुद्दा: निरंतर सेटिंग्स में, एक सटीक संख्या (जैसे ठीक 500 घंटे) को पिनपॉइंट करने की कोशिश करना, बिना मजबूत और अक्सर अवास्तविक अनुमान लगाए, सांख्यिकीय रूप से "असंभव" है।

2. समाधान: "कर्नेल स्मूथिंग" टॉर्च

लेखकों ने एक नई विधि विकसित की है जो एक नरम बीम वाली टॉर्च (जिसे कर्नेल स्मूथिंग कहा जाता है) की तरह काम करती है।

ठीक 500 घंटे के लिए चिल्लाने के बजाय, यह विधि उन सभी लोगों को देखती है जिन्होंने लगभग 500 घंटे प्रशिक्षण लिया है (मान लीजिए 490 से 510 तक)।
यह उन लोगों को अधिक महत्व देती है जिन्होंने 500 घंटे प्रशिक्षण लिया है और 490 या 510 घंटे वाले लोगों को कम महत्व देती है।
यह "सॉफ्ट फोकस" गणित को बिना किसी कठोर धारणा के सुचारू रूप से काम करने की अनुमति देता है।

3. सुपरपावर: "मल्टीप्लाय रोबस्ट" (बहु-मजबूत)

उनकी नई विधि की सबसे अच्छी बात यह है कि यह "मल्टीप्लाय रोबस्ट" है।

उपमा: कल्पना कीजिए कि आप एक केक बनाने की कोशिश कर रहे हैं, लेकिन आपके पास कुछ सामग्रियां कम हैं। आमतौर पर, यदि आप एक भी चीज़ भूल जाते हैं, तो केक खराब हो जाता है।
जादू: यह नई विधि एक ऐसी रेसिपी की तरह है जो कहती है: "जब तक आप तीन में से कम से कम दो मुख्य सामग्रियां सही प्राप्त कर लेते हैं, तब तक आपका केक फिर भी बेहतरीन बनेगा।"
शोध पत्र की भाषा में, यहाँ तीन "नजेंस फंक्शन्स" (पृष्ठभूमि विवरण कि उपचार, मध्यस्थ और परिणाम कैसे संबंधित हैं) हैं। लेखकों की विधि सही ढंग से काम करती है भले ही शोधकर्ता इन तीन में से एक विवरण को गलत समझ लें, बशर्ते अन्य दो सही हों। यह उनके परिणामों को वास्तविक दुनिया में बहुत अधिक भरोसेमंद बनाता है, जहाँ हम शायद ही कभी सब कुछ पूरी तरह से जानते हैं।

4. समझौता: "कर्स ऑफ डायमेंशनैलिटी" (आयामीता का अभिशाप)

पत्र एक सीमा को स्वीकार करता है। क्योंकि यह विधि डेटा बिंदुओं के एक "पड़ोस" को देखने के लिए काम करती है, इसलिए इसे बहुत अधिक डेटा की आवश्यकता होती है।

उपमा: यदि आप घास के ढेर में सुई ढूंढ रहे हैं, तो यह आसान है यदि घास का ढेर छोटा है। लेकिन यदि वह एक विशाल पहाड़ है, और आप केवल एक छोटे से हिस्से को देखते हैं, तो आप सुई को मिस कर सकते हैं।
वास्तविकता: यदि उपचार के कई आयाम हैं (जैसे प्रशिक्षण के घंटे और तीव्रता और भोजन का प्रकार), तो "पड़ोस" इतना विरल हो जाता है कि विश्वसनीय उत्तर पाने के लिए आपको भारी मात्रा में डेटा की आवश्यकता होगी। यह विधि तब सबसे अच्छा काम करती है जब उपचार केवल एक या दो संख्याएँ हो (जैसे केवल "घंटे")।

5. वास्तविक दुनिया का परीक्षण: जॉब कॉर्प्स अध्ययन

इसे सिद्ध करने के लिए, लेखकों ने जॉब कॉर्प्स (कम आय वाले युवाओं के लिए एक अमेरिकी जॉब ट्रेनिंग प्रोग्राम) के बारे में एक वास्तविक डेटासेट पर अपनी विधि लागू की।

प्रश्न: क्या प्रशिक्षण में अधिक घंटे बिताने से आपराधिक गिरफ्तारियां कम होती हैं?
तंत्र (Mechanism): क्या यह उन्हें नौकरी दिलाने के माध्यम से काम करता है, या उन्हें सीधे जीवन कौशल सिखाकर?
परिणाम: उन्होंने पाया कि लंबे प्रशिक्षण ने आम तौर पर गिरफ्तारियों को कम किया।
- एक प्रत्यक्ष प्रभाव था (प्रशिक्षण ने सीधे मदद की)।
- एक छोटा अप्रत्यक्ष प्रभाव था (प्रशिक्षण ने उन्हें नौकरी दिलाने में मदद की, जिसने फिर अपराध को कम किया)।
सेंसिटिविटी चेक: उन्होंने अपने "टॉर्च बीम" की चौड़ाई (बैंडविड्थ) को बदलकर और कठिन डेटा बिंदुओं को संभालकर अपने तरीके का परीक्षण किया। परिणाम काफी हद तक समान रहे, जिससे पता चला कि विधि स्थिर है, हालांकि साक्ष्य की मजबूती गणित को ट्यून करने के आधार पर थोड़ी भिन्न थी।

सारांश

लेखकों ने एक नई सांख्यिकीय "टॉर्च" बनाई है जो शोधकर्ताओं को यह अध्ययन करने की अनुमति देती है कि कितना उपचार किसी परिणाम का कारण बनता है, न कि केवल यह कि क्या वह ऐसा करता है। इसे "रोबस्ट" (मजबूत) बनाया गया है ताकि यदि शोधकर्ता अपनी पृष्ठभूमि धारणाओं में गलती करें तो भी यह काम कर सके, लेकिन इसे प्रभावी ढंग से काम करने के लिए पर्याप्त डेटा की आवश्यकता होती है। उन्होंने सफलतापूर्वक इसका उपयोग यह दिखाने के लिए किया कि लंबा जॉब ट्रेनिंग रोजगार और अन्य प्रत्यक्ष तंत्रों के माध्यम से अपराध को कम करता है।

तकनीकी सारांश: निरंतर उपचारों के साथ मल्टीप्लाई रोबस्ट कॉज़ल मीडिएशन एनालिसिस (Multiply Robust Causal Mediation Analysis)

1. समस्या विवरण (Problem Statement)

कॉज़ल मीडिएशन एनालिसिस का उद्देश्य एक उपचार (treatment) के परिणाम (outcome) पर कुल प्रभाव को एक मध्यवर्ती चर (intermediate variable) द्वारा मध्यस्थ प्राकृतिक प्रत्यक्ष प्रभाव (natural direct effects - NDE) और प्राकृतिक अप्रत्यक्ष प्रभाव (natural indirect effects - NIE) में विभाजित करना है। जबकि बाइनरी उपचारों (binary treatments) के लिए कुशल मल्टीप्लाई रोबस्ट एस्टिमेटर्स मौजूद हैं (Tchetgen Tchetgen and Shpitser, 2012), वे बिना कड़े पैरामीट्रिक अनुमानों के निरंतर उपचारों (continuous treatments) के लिए आसानी से लागू नहीं होते हैं।

निरंतर उपचार सेटिंग्स में, रुचि का पैरामीटर, $\psi_0(a, a') = E[Y(a, M(a'))]$ , नॉनपैरामेट्रिक मॉडल्स में इर्रेगुलर (irregular) होता है। बाइनरी उपचारों के विपरीत, जहाँ इन्फ्लुएंस फंक्शन इंडिकेटर फंक्शन्स पर निर्भर करता है, निरंतर उपचारों के लिए विशिष्ट मानों $a$ और $a'$ पर पॉइंट इवैल्यूएशन (point evaluation) की आवश्यकता होती है। इसके कारण एक परिमित-वेरिएंस (finite-variance) इन्फ्लुएंस फंक्शन का अभाव होता है और मानक root- $n$ कन्वर्जेंस रेट्स प्राप्त नहीं हो पाते। निरंतर उपचारों के लिए मौजूदा विधियाँ अक्सर आउटकम रिग्रेशन (जो मशीन लर्निंग विधियों के धीमे कन्वर्जेंस रेट्स से ग्रस्त हैं) या पैरामीट्रिक डोज़-रिस्पॉन्स कर्व्स (जो मिसस्पेसिफिकेशन के तहत बायस से ग्रस्त हैं) पर निर्भर करती हैं। इसके अलावा, निरंतर मीडिएशन के पिछले दृष्टिकोण (जैसे, Huber et al., 2020) अक्सर मल्टीपल रोबस्टनेस की कमी रखते हैं या न्यूसेंस पैरामीटर एस्टिमेटर्स के धीमे कन्वर्जेंस रेट्स को विरासत में लेते हैं।

2. कार्यप्रणाली (Methodology)

लेखक एक कर्नेल-स्मूथड, मल्टीप्लाई रोबस्ट एस्टिमेटर (kernel-smoothed, multiply robust estimator) प्रस्तावित करते हैं जो इन्फ्लुएंस फंक्शन-आधारित रणनीतियों से प्रेरित है लेकिन निरंतर उपचारों के लिए अनुकूलित है।

2.1 पहचान और ढांचा (Identification and Framework)

यह विधि मानक कॉज़ल मीडिएशन धारणाओं (Consistency, Sequential Exchangeability, और Positivity) और "क्रॉस-वर्ल्ड" एक्सचेंजैबिलिटी धारणा पर निर्भर करती है जो प्राकृतिक प्रत्यक्ष और अप्रत्यक्ष प्रभावों को पहचानने के लिए आवश्यक है। लक्षित एस्टिमैंड (estimand) को मीडिएशन फॉर्मूला के माध्यम से पहचाना जाता है:
$\psi_0(a, a') = \int \int E[Y|A=a, M=m, X=x] f_{M|A,X}(m|a', x) f_X(x) \, dm \, dx$

2.2 एस्टिमेटर का निर्माण (The Estimator Construction)

मुख्य नवाचार बाइनरी उपचार इन्फ्लुएंस फंक्शन में इंडिकेटर फंक्शन्स को कर्नेल वेट्स (kernel weights) से बदलना है।

कर्नेल स्मूथिंग (Kernel Smoothing): उपचार मानों $a$ और $a'$ के लिए, लेखक एक बैंडविड्थ $h$ के साथ एक कर्नेल फंक्शन $K_h(\cdot)$ को परिभाषित करते हैं। एफिशिएंट इन्फ्लुएंस फंक्शन को $K_h(A-a)$ जैसे पदों को शामिल करने के लिए संशोधित किया जाता है, जो $a$ के एक पड़ोस (neighborhood) में पॉइंट इवैल्यूएशन को स्मूथ करता है।
न्यूसेंस फंक्शन्स (Nuisance Functions): एस्टिमेटर तीन न्यूसेंस फंक्शन्स का उपयोग करता है:
- $\gamma(X, M, a) = E[Y | A=a, M, X]$ (आउटकम रिग्रेशन)
- $\alpha(a, M, X) = f_{M|A,X}(M | a, X)$ (मीडिएटर डेंसिटी)
- $\lambda(a, X) = 1/f_{A|X}(a | X)$ (इनवर्स ट्रीटमेंट डेंसिटी)
- नोट: लेखक स्पष्ट मेडिएटर डेंसिटी एस्टिमेशन से बचने के लिए ट्रीटमेंट डेंसिटी रेश्यो का उपयोग करते हुए वैकल्पिक पैरामीट्राइजेशन पर चर्चा करते हैं, हालांकि प्राथमिक फॉर्मूलेशन डेंसिटी रेश्यो का उपयोग करता है।
क्रॉस-फिटिंग (Cross-Fitting): न्यूसेंस फंक्शन्स पर स्मूथनेस आवश्यकताओं को कम करने और धीमी कन्वर्जेंस दरों की अनुमति देने के लिए, लेखक एक क्रॉस-फिटिंग रणनीति (Chernozhukov et al., 2018) का उपयोग करते हैं। नमूने को फोल्ड्स में विभाजित किया जाता है; न्यूसेंस फंक्शन्स को फोल्ड्स के एक सेट पर अनुमानित किया जाता है और फिर एस्टिमेटिंग इक्वेशन को कंप्यूट करने के लिए उन्हें अन्य फोल्ड्स पर लागू किया जाता है।
अंतिम एस्टिमेटर (Final Estimator): प्रस्तावित एस्टिमेटर $\hat{\psi}_{MR}(a, a')$ स्मूथड इन्फ्लुएंस फंक्शन से प्राप्त फोल्ड-विशिष्ट समाधानों का औसत है।

2.3 रेगुलैरिटी और कन्वर्जेंस (Regularity and Convergence)

इस विधि के लिए कर्नेल पर विशिष्ट शर्तें (Assumption 2) और न्यूसेंस एस्टिमेटर्स की कन्वर्जेंस दरें (Assumptions 4 और 5) आवश्यक हैं। महत्वपूर्ण रूप से, यह विधि प्रोडक्ट-रेट कंडीशंस (product-rate conditions) पर निर्भर करती है: दो न्यूसेंस एस्टिमेटर्स के एरर का उत्पाद $(nh^{d_A})^{-1/2}$ से तेज़ दर पर अभिसरित (converge) होना चाहिए, जहाँ $d_A$ उपचार का आयाम (dimension) है। यह अनुमति देता है कि यदि एक न्यूसेंस एस्टिमेटर पर्याप्त रूप से तेज़ है, तो दूसरा एस्टिमेटर धीरे अभिसरित हो सकता है, जिससे "मल्टीप्लाई रोबस्ट" गुण बना रहता है।

3. मुख्य योगदान (Key Contributions)

निरंतर उपचारों तक विस्तार: यह पेपर बाइनरी से निरंतर उपचारों तक इन्फ्लुएंस फंक्शन-आधारित मीडिएशन फ्रेमवर्क को विस्तारित करता है, जो पॉइंटवाइज फंक्शल्स की अनियमितता को संबोधित करता है।
मल्टीप्लाई रोबस्टनेस: प्रस्तावित एस्टिमेटर मल्टीपल रोबस्टनेस गुण बनाए रखता है: यह तब भी सुसंगत (consistent) रहता है जब तीन न्यूसेंस मॉडल्स (आउटकम, मीडिएटर डेंसिटी, ट्रीटमेंट डेंसिटी) में से कोई भी दो सही ढंग से निर्दिष्ट हों।
धीमे न्यूसेंस रेट्स: क्रॉस-फिटिंग और कर्नेल स्मूथिंग का उपयोग करके, यह विधि न्यूसेंस पैरामीटर्स को लक्षित पैरामीटर की तुलना में धीमी दरों पर अनुमानित करने की अनुमति देती है, जिससे लचीले मशीन लर्निंग एस्टिमेटर्स के लिए जगह बनती है।
एसिम्प्टोटिक नॉर्मलिटी (Asymptotic Normality): लेखक स्थापित करते हैं कि एस्टिमेटर $(nh^{d_A})^{-1/2}$ की दर के साथ एसिम्प्टोटिकली नॉर्मल है, जो कर्नेल स्मूथिंग की स्थानीय प्रकृति के कारण मानक root- $n$ दर से धीमी है।
व्यावहारिक कार्यान्वयन: पेपर कॉन्फिडेंस इंटरवल बनाने, अंडरस्मूथिंग या सेंसिटिविटी एनालिसिस के माध्यम से बायस को संभालने, और Hájek-टाइप एस्टिमेटर्स एवं क्लिपिंग के माध्यम से वेट्स को स्थिर करने के लिए एक ढांचा प्रदान करता है।

4. परिणाम (Results)

4.1 सिमुलेशन अध्ययन (Simulation Study)

सुसंगतता और रोबस्टनेस: $n=2000, 5000, 8000$ के सैंपल साइज के साथ सिमुलेशन प्रदर्शित करते हैं कि एस्टिमेटर सुसंगत है और कम से कम दो न्यूसेंस मॉडल सही ढंग से निर्दिष्ट होने पर न्यूनतम बायस दिखाता है।
तुलना: प्रस्तावित एस्टिमेटर ( $\hat{\psi}_{MR}$ ) मॉडल मिसस्पेसिफिकेशन के परिदृश्यों में, विशेष रूपकर जब आउटकम मॉडल मिसस्पेसिफाइड हो, एक जनरलाइज्ड प्रोपेंसिटी-स्कोर वेटेड एस्टिमेटर ( $\hat{\psi}_H$ ) और एक रिग्रेशन-ओनली एस्टिमेटर ( $\hat{\psi}_\eta$ ) की तुलना में बेहतर प्रदर्शन करता है, जिससे कम बायस और RMSE दिखाई देता है।
सेंसिटिविटी: एस्टिमेटर का प्रदर्शन खराब उपचार ओवरलैप (वितरण के टेल्स) वाले क्षेत्रों में घट जाता है, जैसा कि कर्नेल-आधारित विधियों के लिए अपेक्षित है। अंडरस्मूथड बैंडविड्थ का उपयोग करने पर कवरेज प्रोबेबिलिटी लगभग 95% बनी रहती है, हालांकि बड़े बैंडविड्थ के साथ बायस बढ़ जाता है।

4.2 अनुप्रयोग: जॉब कॉर्प्स स्टडी (Application: Job Corps Study)

इस विधि का उपयोग जॉब कॉर्प्स ट्रेनिंग अवधि (निरंतर उपचार) का क्रिमिनल अरेस्ट (परिणाम) पर प्रभाव का अध्ययन करने के लिए किया गया था, जिसका मध्यस्थ एम्प्लॉयमेंट वीक्स (रोजगार के सप्ताह) था।

निष्कर्ष: विश्लेषण बताता है कि लंबी ट्रेनिंग आपराधिक गिरफ्तारियों को कम करती है।
- पैरामीट्रिक न्यूसेंस मॉडल्स (M1) के तहत, एक नकारात्मक प्राकृतिक अप्रत्यक्ष प्रभाव (रोजगार के माध्यम से) और एक नकारात्मक प्राकृतिक प्रत्यक्ष प्रभाव के प्रमाण मिले।
- लचीले RKHS-आधारित न्यूसेंस मॉडल्स (M2) के तहत, अप्रत्यक्ष प्रभाव सिग्नल कम हो गया (शून्य के करीब), जबकि प्रत्यक्ष प्रभाव नकारात्मक बना रहा लेकिन इसके कॉन्फिडेंस इंटरवल व्यापक थे।
सेंसिटिविटी: परिणाम बैंडविड्थ और वेट क्लिपिंग थ्रेशोल्ड के बदलावों के प्रति आम तौर पर रोबस्ट थे, हालांकि प्रभावों का परिमाण भिन्न था। विश्लेषण ने निरंतर उपचार सेटिंग्स में ओवरलैप और प्रभावी सैंपल साइज की जांच करने के महत्व को रेखांकित किया।

5. महत्व और दावे (Significance and Claims)

यह पेपर एक ऐसा कठोर ढांचा प्रदान करने का दावा करता है जो उन सेटिंग्स में कॉज़ल मीडिएशन एनालिसिस के लिए उपयोगी है जहाँ उपचार निरंतर होते हैं, जो कि डोजिंग, ड्यूरेशन और इंटेंसिटी अध्ययनों में एक सामान्य परिदृश्य है।

सैद्धांतिक योगदान: यह कर्नेल-स्मूथड इन्फ्लुएंस फंक्शन पेश करके नॉनपैरामेट्रिक निरंतर उपचार मॉडल्स में इर्रेगुलर फंक्शल्स की सैद्धांतिक चुनौती को संबोधित करता है, जो एसिम्प्टोटिक नॉर्मलिटी और मल्टीपल रोबस्टनेस प्राप्त करता है।
व्यावहारिक उपयोगिता: यह विधि शोधकर्ताओं को डोज़-रिस्पॉन्स कर्व के बारे में मजबूत पैरामीट्रिक धारणाओं पर निर्भर किए बिना मीडिएशन सर्फेस का अनुमान लगाने की अनुमति देती है, जबकि जटिल न्यूसेंस फंक्शन्स के लिए मशीन लर्निंग को भी समायोजित करती है।
सीमाएं स्वीकार की गई हैं: लेखक विनम्रतापूर्वक नोट करते हैं कि यह विधि उपचार चर के संबंध में "कर्स ऑफ डायमेंशनलिटी" (curse of dimensionality) के अधीन है; यह कम-आयामी निरंतर उपचारों के लिए सबसे अधिक व्यावहारिक है। वे यह भी जोर देते हैं कि जबकि क्रॉस-फिटिंग न्यूसेंस एस्टिमेशन एरर को संभालती है, यह उपचार वितरण के निम्न-घनत्व वाले क्षेत्रों में डेटा सपोर्ट की मौलिक कमी को हल नहीं करती है, जिसके लिए सावधानीपूर्वक डायग्नोस्टिक्स और सेंसिटिविटी एनालिसिस की आवश्यकता होती है।

यह कार्य यह दावा नहीं करता है कि इसने निरंतर मीडिएशन की सभी चुनौतियों (जैसे, उच्च-आयामी मीडेटर्स या प्री-स्पेसिफाइड ग्रिड के बिना पूरी तरह से डेटा-एडाप्टिव कर्व एस्टिमेशन) को हल कर दिया है, बल्कि यह पॉइंटवाइज एस्टिमेशन के लिए एक मल्टीप्लाई रोबस्ट दृष्टिकोण स्थापित करता है।