📊 statistics

Confounder selection via iterative graph expansion

यह शोध पत्र कन्फाउंडर चयन के लिए एक संवादात्मक, पुनरावृत्ति प्रक्रिया प्रस्तावित करता है जो उपयोगकर्ता से "प्राथमिक समायोजन सेट" (primary adjustment sets) प्राप्त करके क्रमिक रूप से एक कारण ग्राफ (causal graph) का निर्माण करता है, जिससे पूर्व-निर्धारित कारण ग्राफ या चर संबंधों के पूर्ण ज्ञान की आवश्यकता के बिना सटीक और पूर्ण कन्फाउंडर पहचान सक्षम होती है।

मूल लेखक: F. Richard Guo, Qingyuan Zhao

प्रकाशित 2026-03-24

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: F. Richard Guo, Qingyuan Zhao

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: क्या एक विशेष कैंडी (उपचार/Treatment) खाने से वास्तव में पेट दर्द (परिणाम/Outcome) होता है?

वास्तविक दुनिया में, चीजें बहुत उलझी हुई होती हैं। हो सकता है कि जो लोग कैंडी खाते हैं, वे सोडा भी पीते हों, और शायद सोडा के कारण पेट दर्द हो रहा हो। इसे कन्फाउंडिंग (Confounding) कहा जाता है। यदि आप सोडा को ध्यान में नहीं रखते हैं, तो आप गलत तरीके से कैंडी को दोषी ठहरा सकते हैं।

सही उत्तर प्राप्त करने के लिए, आपको एक सही "कंट्रोल ग्रुप" या अन्य कारकों (जैसे सोडा, आयु, या व्यायाम) की एक सूची खोजने की आवश्यकता है जिसकी तुलना की जा सके। इस प्रक्रिया को कन्फाउंडर सिलेक्शन (Confounder Selection) कहा जाता है।

पुराना तरीका: पूरा नक्शा बनाना

पारंपरिक रूप से, इस समस्या को हल करने के लिए, शोधकर्ताओं को ब्रह्मांड का एक विशाल, पूर्ण नक्शा बनाना पड़ता था जिसमें वे सब कुछ शामिल हो जो संभवतः कैंडी और पेट दर्द से संबंधित हो सकता है। उन्हें तीर (arrows) खींचकर यह दिखाना पड़ता था कि प्रत्येक चर (variable) दूसरे से कैसे जुड़ा है।

समस्या: यह घर से बाहर निकलने से पहले ही पूरी दुनिया का नक्शा बनाने की कोशिश करने जैसा है। यह असंभव है। आप हर छिपे हुए चर को नहीं जानते, और न ही आप हर संबंध को जानते हैं। यदि आप अपने नक्शे पर एक छोटा सा रास्ता भी छोड़ देते हैं, तो आपकी पूरी जांच गलत हो सकती है।

नया तरीका: "इटरेटिव ग्राफ एक्सपेंशन" (Iterative Graph Expansion)

इस शोध पत्र के लेखक, एफ. रिचर्ड गुओ और किंगयुआन झाओ, एक स्मार्ट और इंटरैक्टिव तरीका प्रस्तावित करते हैं। पूरे नक्शे को एक साथ बनाने के बजाय, वे नक्शे को टुकड़ों में बनाने का सुझाव देते हैं, केवल तभी जब इसकी आवश्यकता हो।

इसे एक बहुत ही बुद्धिमान, लेकिन थोड़े अस्पष्ट "ओरेकल" (Oracle) के साथ "20 सवाल" (20 Questions) खेलने के खेल की तरह समझें।

खेल की व्यवस्था

सरलता से शुरुआत करें: आप कागज के एक टुकड़े पर केवल दो बिंदुओं के साथ शुरू करते हैं: कैंडी और पेट दर्द।
संदेह: आप उनके बीच एक टेढ़ी-मेढ़ी, बिंदीदार रेखा खींचते हैं। यह आपके संदेह को दर्शाता है: "मुझे लगता है कि कुछ चीज़ इन दोनों के बीच के संबंध को बिगाड़ रही है। मुझे अभी तक पता नहीं है कि वह क्या है, लेकिन मुझे उसे ढूंढना होगा।"

प्रक्रिया: "ग्राफ का विस्तार करना" (Expanding the Graph)

कंप्यूटर आपसे एक बहुत ही विशिष्ट, सरल प्रश्न पूछता है:

"कैंडी और पेट दर्द का वह सामान्य कारण कौन है जिसे हमने अभी तक ध्यान में नहीं रखा है?"

परिदृश्य A: आप कहते हैं, "ओह, यह सोडा है।"
- कंप्यूटर सोडा को मानचित्र में जोड़ देता है।
- यह कैंडी और सोडा के बीच एक टेढ़ी-मेढ़ी रेखा खींचता है, और सोडा और पेट दर्द के बीच एक और रेखा खींचता है।
- लेकिन रुकिए! अब कंप्यूटर देखता है कि सोडा अन्य चीजों से भी जुड़ा हो सकता है। वह पूछता है: "ठीक है, लेकिन क्या सोडा को पेट दर्द से जोड़ने वाली कोई और चीज़ है जिसे हमने छोड़ दिया है?"
- आप कहते हैं, "नहीं, सोडा ही एकमात्र कड़ी है।"
- कंप्यूटर समझ जाता है कि "सोडा" वाली कड़ी अब पूरी तरह से स्पष्ट हो गई है। कैंडी और पेट दर्द के बीच की टेढ़ी-मेढ़ी रेखा गायब हो जाती है!
- परिणाम: आपको अपना उत्तर मिल गया। आपको बस सोडा के लिए नियंत्रण (control) रखना होगा।
परिदृश्य B: आप कहते हैं, "यह सोडा है, लेकिन सोडा व्यायाम से भी जुड़ा हुआ है।"
- कंप्यूटर व्यायाम को जोड़ता है।
- वह फिर से पूछता है: "क्या व्यायाम और पेट दर्द के बीच कोई छिपा हुआ संबंध है?"
- आप कहते, "नहीं।"
- कंप्यूटर समझ जाता है कि कड़ी टूट गई है। "कन्फाउंडिंग" खत्म हो गई।
- परिणाम: आपको सोडा और व्यायाम दोनों के लिए नियंत्रण रखना होगा।

जादू का खेल: "प्राइमरी एडजस्टमेंट सेट्स" (Primary Adjustment Sets)

यह शोध पत्र एक फैंसी शब्द पेश करता है जिसे "प्राइमरी एडजस्टमेंट सेट" कहा जाता है। सरल शब्दों में, यह लोगों या चीजों का सबसे छोटा समूह है जिसके बारे में आपको एक विशिष्ट भ्रम को दूर करने के लिए पूछने की आवश्यकता है।

"मुझे ब्रह्मांड की पूरी कहानी बताओ" कहने के बजाय, कंप्यूटर कहता है: "मुझे वह एक चीज़ बताओ जो अभी इन दो विशिष्ट चीजों के बीच के भ्रम को स्पष्ट करती है।"

यदि आप कुछ भी सोचने में असमर्थ हैं, तो कंप्यूटर कहता है, "ठीक है, यह भ्रम स्थायी है। हम उपलब्ध डेटा से इसे ठीक नहीं कर सकते।"
यदि आप एक उत्तर देते हैं, तो कंप्यूटर उस बड़े भ्रम को छोटे, प्रबंधनीय टुकड़ों में तोड़ देता है और फिर से पूछता है।

यह बेहतर क्यों है?

मास्टर मैप की आवश्यकता नहीं: आपको दुनिया के हर चर को जानने वाला जीनियस होने की आवश्यकता नहीं है। आपको बस उन चीजों के तत्काल कारणों को जानने की आवश्यकता है जिन्हें आप देख रहे हैं।
दक्षता (Efficiency): आप पर्याप्त जानकारी मिलते ही सवाल पूछना बंद कर देते हैं। आप उन चरों के बारे में सवाल पूछकर समय बर्बाद नहीं करते जो मायने नहीं रखते।
सुरक्षा: गणित यह गारंटी देता है कि यदि आप प्रश्नों का सही उत्तर देते हैं, तो आप कभी भी गलती से ऐसे चरों का समूह नहीं चुनेंगे जो आपके परिणामों को गलत बना दे (जिसे "कॉलाइडर बायस" या "M-बायस" कहा जाता है)।

उपमा: छत का रिसाव ठीक करना

कल्प laना कीजिए कि आपका घर लीक हो रहा है (खराब डेटा)।

पुराना तरीका: आप रिसाव खोजने के लिए शहर की पूरी प्लंबिंग प्रणाली का ब्लूप्रिंट बनाने की कोशिश करते हैं।
नया तरीका: आप छत के दाग को देखते हैं। आप पूछते हैं, "इस दाग के ठीक ऊपर क्या है?" आपको एक पाइप मिलता है। आप पूछते हैं, "उस पाइप को क्या फीड कर रहा है?" आपको एक वाल्व मिलता है। आप पूछते रहते हैं "यह क्या फीड कर रहा है?" जब तक कि आप मुख्य स्रोत तक नहीं पहुँच जाते। एक बार जब आप उस स्रोत को ठीक कर देते हैं, तो रिसाव रुक जाता है। आपको पड़ोसी के घर के पाइपों या वाटर ट्रीटमेंट प्लांट के बारे में जानने की आवश्यकता नहीं थी।

सारांश

यह शोध पत्र शोधकर्ताओं को इंटरैक्टिव रूप से अपना कारण मानचित्र (causal map) बनाने के लिए एक उपकरण देता है। यह एक विशाल, असंभव कार्य (पूरे ब्रह्मांड को चित्रित करना) को छोटे, प्रबंधनीय संवादों (वर्तमान भ्रम के तत्काल कारण को खोजना) की श्रृंखला में बदल देता है। यह सुनिश्चित करता है कि जब वे अंततः कहते हैं, "हमने कन्फाउंडर्स को नियंत्रित कर लिया है," तो वे वास्तव में सही होते हैं।

यहाँ F. रिचर्ड गुओ और किंगयुआन झाओ के शोध पत्र "Confounder Selection via Iterative Graph Expansion" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

अवलोकनात्मक अध्ययनों (observational studies) में, एक उपचार $X$ का परिणाम $Y$ पर पड़ने वाले कारण प्रभाव (causal effect) का अनुमान लगाने के लिए, सशर्त अनभिज्ञता (conditional ignorability) या सशर्त विनिमेयता (conditional exchangeability) को संतुष्ट करने हेतु सहचरों (covariates) के एक सेट $S$ के लिए समायोजन करना आवश्यक होता है। ऐसे सेट की पहचान करने के कार्य को कन्फाउंडर चयन (confounder selection) कहा जाता है।

चुनौती: मानक दृष्टिकोण पर्ल के बैक-डोर मानदंड (back-door criterion) पर निर्भर करता है, जिसके लिए सभी प्रासंगिक चरों और उनके बीच के कारण संबंधों को दर्शाने वाले एक पूर्व-निर्धारित कारण निर्देशित अचक्रीय ग्राफ (Causal Directed Acyclic Graph - DAG) की आवश्यकता होती है।
वर्तमान विधियों की सीमाएँ:
- एक पूर्ण DAG का निर्माण करना व्यवहार में अक्सर अव्यावहारिक होता है क्योंकि शोधकर्ता सभी प्रासंगिक चरों (प्रेक्षित या अप्रत्यक्ष) या उनके बीच के सभी कारण संबंधों को नहीं जानते हो सकते।
- मौजूदा "स्थिर" विधियाँ (जैसे कि डिसजंक्टिव कॉज़ क्राइटेरिया) अक्सर प्रेक्षित सहचरों के सेट को पूर्व-निर्धारित करने की मांग करती हैं, जिससे वे अध्ययन के डिज़ाइन चरण के लिए अनुपयुक्त हो जाती हैं जहाँ लक्ष्य यह निर्धारित करना होता है कि क्या डेटा एकत्र किया जाए।
- अधिकांश विधियाँ एक संवादात्मक, पुनरावृत्ति प्रक्रिया (iterative process) की अनुमति नहीं देती हैं जहाँ डोमेन ज्ञान को चरण-दर-चरण प्राप्त किया जा सके।

2. कार्यप्रणाली: पुनरावृत्ति ग्राफ विस्तार (Methodology: Iterative Graph Expansion)

लेखक एक संवादात्मक, बॉटम-अप प्रक्रिया प्रस्तावित करते हैं जिसे इटरेटिव ग्राफ एक्सपेंशन (Iterative Graph Expansion) कहा जाता है। इस विधि के लिए किसी पूर्व-निर्धारित वैश्विक कारण ग्राफ की आवश्यकता नहीं है। इसके बजाय, यह डोमेन विशेषज्ञ से विशिष्ट स्थानीय संबंधों के बारे में पूछकर, आवश्यक संरचनात्मक जानकारी को क्रमिक रूप से निर्मित करती है।

मुख्य अवधारणाएँ (Core Concepts)

सममित पुनर्गठन (Symmetric Reformulation): लेखक बैक-डोर मानदंड को सममित रूप से पुनर्गतित करते हैं। $X$ से $Y$ तक के निर्देशित पथों पर ध्यान केंद्रित करने के बजाय, वे कन्फाउंडिंग पथों (दोनों सिरों पर तीर वाले पथ) और कन्फाउंडिंग आर्क (बिना कोलाइडर वाले कन्फाउंडिंग पथ) पर ध्यान केंद्रित करते हैं।
प्राथमिक समायोजन सेट (Primary Adjustment Sets): एक सेट $C$ $C$ , $(A, B)$ $(A, B)$ के जोड़े के लिए $S$ $S$ के सापेक्ष एक प्राथमिक समायोजन सेट है यदि $S \cup C$ $S \cup C$ पर स्थितिजन्य (conditioning) होने से $A$ $A$ और $B$ $B$ के बीच सभी कन्फाउंडिंग आर्क बाधित हो जाते हैं।
- महत्वपूर्ण रूप से, कन्फाउंडिंग आर्क को रोकना "मोनोटोनिक" (monotonic) है: समायोजन सेट में चर जोड़ने से कभी भी बाधित आर्क फिर से नहीं खुलता (सामान्य कन्फाउंडिंग पथों को रोकने के विपरीत, जो कोलाइडर पर स्थितिजन्य होने से पुनः खुल सकते हैं)।
ग्राफ विस्तार प्रक्रिया (Graph Expansion Process):
1. आरंभ (Initialization): केवल $X$ और $Y$ वाले एक "वर्किंग ग्राफ" से शुरू करें, जो एक डैश वाली द्विदिश रेखा (bidirected edge) द्वारा जुड़े हों (जो संभावित अनियंत्रित कन्फाउंडिंग को दर्शाता है)।
2. पुनरावृत्ति (Iteration):
  - वर्तमान ग्राफ में एक डैश वाली द्विदिश रेखा $(A, B)$ चुनें।
  - वर्तमान सहचरों के सेट के सापेक्ष $(A, B)$ के लिए उपयोगकर्ता से प्राथमिक समायोजन सेट पूछें।
  - विस्तार (Expansion): यदि एक प्राथमिक समायोजन सेट $C$ मिलता है, तो किनारे $(A, B)$ को हटा दें और $C$ के शीर्षों (vertices) को ग्राफ में जोड़ दें। प्रत्येक नए शीर्ष और प्रत्येक मौजूदा शीर्ष के बीच (और नए शीर्षों के बीच) नई डैश वाली द्विदिश रेखाएं खींचें ताकि संभावित अनियंत्रित कन्फाउंडिंग को दर्शाया जा सके।
  - किनारे की समाप्ति (Termination of Edge): यदि कोई प्राथमिक समायोजन सेट मौजूद नहीं है (अर्थात, कन्फाउंडिंग अपरिमेय है), तो डैश वाली रेखा एक ठोस रेखा (solid edge) बन जाती है (जो अपरिमेय पूर्वाग्रह को दर्शाती है)।
3. पूर्णता (Completion): यह प्रक्रिया तब तक दोहराई जाती है जब तक कि $X$ और $Y$ द्विदिश रेखाओं (डैश या ठोस) द्वारा जुड़े न हों। ग्राफ में जोड़े गए शीर्षों का सेट ( $X$ और $Y$ को छोड़कर) एक पर्याप्त समायोजन सेट (sufficient adjustment set) बनाता है।

एल्गोरिदम कार्यान्वयन (Algorithmic Implementation)

इस प्रक्रिया को एल्गोरिदम 1 (CONFOUNDERSELECT) में औपचारिक रूप दिया गया है, जो खोज स्थान (search space) को प्रबंधित करने के लिए एक प्रायोरिटी क्यू (priority queue) का उपयोग करता है।

यह तीन किनारों के सेट बनाए रखता है: $B_n$ (अवरुद्ध/अनुपस्थित), $B_y$ (अवरोधक योग्य नहीं/ठोस), और $B_u$ (अनिश्चित/डैश)।
यह दक्षता के लिए अनुकूलन हेतु एक मिन-कट रणनीति (min-cut strategy) का उपयोग करता है, जो उन किनारों को प्राथमिकता देता है जिन्हें विस्तारित करने पर $X$ और $Y$ को अलग करने के लिए न्यूनतम अतिरिक्त चरों की आवश्यकता होती है।
एल्गोरिदम 2 (FINDPRIMARY) उपयोगकर्ता संपर्क को संभालता है, जो प्राथमिक समायोजन सेट बनाने के लिए सामान्य कारणों (common causes) और मध्यस्थों (mediators) को खोजने के लिए पुनरावृत्ति से पूछता है।

3. प्रमुख योगदान (Key Contributions)

सैद्धांतिक पुनर्गठन (Theoretical Reformulation):
- कन्फाउंडिंग आर्क की अवधारणा और एक सममित बैक-डोर मानदंड पेश किया।
- सिद्ध किया कि एक सेट $S$ एक पर्याप्त समायोजन सेट है यदि और केवल यदि $X$ और $Y$ , $S \cup \{X, Y\}$ पर मार्जिनल ग्राफ में अलग-अलग "डिस्ट्रिक्ट्स" (द्विदिश किनारों द्वारा जुड़े अधिकतम सेट) में स्थित हों। इसे डिस्ट्रिक्ट क्राइटेरिया (District Criterion) कहा जाता है।
नवीन प्रक्रिया (Novel Procedure - Iterative Graph Expansion):
- यह विधि ग्राफ मार्जिनलाइजेशन (latent projection) की प्रक्रिया को उलटने का काम करती है। एक पूर्ण ग्राफ से शुरू होकर अनियंत्रित चरों को हटाने के बजाय, यह $X$ और $Y$ के जोड़े से शुरू होती है और स्थानीय संरचनात्मक ज्ञान प्राप्त करके ग्राफ का विस्तार करती है।
- यह प्रक्रिया सत्यनिष्ठ और पूर्ण (Sound and Complete) है:
  - सत्यनिष्ठता (Soundness): यदि उपयोगकर्ता सही ढंग से प्राथमिक समायोजन सेट की पहचान करता है, तो एल्गोरिदम द्वारा लौटाया गया प्रत्येक सेट एक पर्याप्त समायोजन सेट होता है।
  - पूर्णता (Completeness): यदि उपयोगकर्ता प्रत्येक चरण में सभी न्यूनतम प्राथमिक समायोजन सेट प्रदान करता है, तो एल्गोरिदम सभी न्यूनतम पर्याप्त समायोजन सेट खोज लेगा।
व्यावहारिक लाभ (Practical Advantages):
- न्यूनतम ज्ञान की आवश्यकता: उपयोगकर्ताओं को केवल सामान्य कारणों और मध्यस्थों की पहचान करने की आवश्यकता होती है। उन्हें d-सेपरेशन को समझने, पूर्ण DAG बनाने या कन्फाउंडर्स के बीच निर्देशित किनारों को निर्दिष्ट करने की आवश्यकता नहीं है।
- संवादात्मक डिज़ाइन (Interactive Design): यह विधि अध्ययन के डिज़ाइन चरण के लिए बनाई गई है, जो शोधकर्ताओं को यह निर्धारित करने में मदद करती है कि कन्फाउंडिंग को नियंत्रित करने के लिए किन चरों को मापना आवश्यक है।
- मजबूती (Robustness): यह निर्माण स्वाभाविक रूप से कोलाइडर बायस (M-bias) से सुरक्षा करता है क्योंकि एल्गोरिदम केवल कन्फाउंडिंग आर्क को ब्लॉक करने के आधार पर विस्तार करता है, जिससे अनावश्यक कोलाइडर उत्पन्न नहीं होते।

4. परिणाम और सत्यापन (Results and Validation)

सैद्धांतिक प्रमाण: लेखक कठोर प्रमाण (Theorems 1–4) प्रदान करते हैं जो यह दर्शाते हैं कि पुनरावृत्ति विस्तार m-सेपरेशन गुणों को सुरक्षित रखता है और डिस्ट्रिक्ट क्राइटेरिया मानक बैक-डोर मानदंड के समान है।
उदाहरण:
- बटरफ्लाई बायस (Butterfly Bias): विधि क्लासिक बटरफ्लाई बायस उदाहरण में न्यूनतम पर्याप्त समायोजन सेट $\{B, C\}$ और $\{B, D\}$ की सफलतापूर्वक पहचान करती है, जो बिना पूर्व-निर्मित ग्राफ के जटिल कन्फाउंडिंग संरचनाओं को नेविगेट करने की इसकी क्षमता को प्रदर्शित करती है।
- श्रायर और प्लैट उदाहरण (Shrier and Platt Example): व्यायाम और चोट से जुड़े एक जटिल DAG पर लागू करने पर, एल्गोरिदम ने उपयोगकर्ता प्रश्नों के आधार पर ग्राफ का विस्तार करके कई न्यूनतम पर्याप्त समायोजन सेटों (जैसे, $\{E, F\}$ , $\{T, F\}$ ) की सफलतापूर्वक पहचान की।
सॉफ्टवेयर: इस प्रक्रिया के संवादात्मक उपयोग को सुगम बनाने के लिए एक शाइनी (Shiny) वेब एप्लिकेशन प्रदान किया गया है।

5. महत्व (Significance)

यह शोध पत्र कारण अनुमान (causal inference) में कन्फाउंडर चयन के प्रति दृष्टिकोण में एक महत्वपूर्ण बदलाव का प्रतिनिधित्व करता है:

स्थिर से गतिशील की ओर: यह इस "स्थिर" धारणा से दूर जाता है कि एक पूर्ण कारण मॉडल पहले से ज्ञात है। इसके बजाय, यह कन्फाउंडर चयन को एक संवादात्मक खोज प्रक्रिया के रूप में देखता है।
सिद्धांत और व्यवहार के बीच सेतु: यह कठोर कारण अनुमान विधियों को लागू करने के लिए बाधाओं को कम करता है। डोमेन विशेषज्ञों को ग्राफ थ्योरी विशेषज्ञों होने की आवश्यकता नहीं है; उन्हें केवल कारणों और मध्यस्थों के बारे में सहज प्रश्न पूछने की आवश्यकता है।
अध्ययन डिज़ाइन: यह निर्धारित करके कि डेटा संग्रह से पहले किन चरों को मापना आवश्यक है, यह विधि अवलोकनात्मक अध्ययनों में "डिज़ाइन विश्लेषण से बेहतर है" (design trumps analysis) के दर्शन को सीधे संबोधित करती है, जिससे अप्रासंगिक चरों पर संसाधनों की बर्बादी या अपर्याप्त कन्फाउंडिंग के कारण होने वाले घातक दोषों को रोका जा सकता है।