📈 economics

Re-examining Granger Causality with Causal Bayesian Networks and Reichenbachs Principles

यह शोध पत्र पारंपरिक ग्रेंजर कॉज़ैलिटी (Granger causality) में एक कठोर कारण संबंधी आधार की कमी को संबोधित करने के लिए इसे रीचेनबैक (Reichenbach) के सिद्धांतों और कॉज़ल बायेसियन नेटवर्क (causal Bayesian networks) के माध्यम से पुनर्व्याख्यायित करते हुए "कॉज़लाइज्ड ग्रेंजर कॉज़ैलिटी" (c-GC) प्रस्तावित करता है, जो एक सैद्धांतिक रूप से सुदृढ़ एल्गोरिदम है और अवलोकन संबंधी समय श्रृंखला डेटा (observational time series data) में कारण खोज (causal discovery) के लिए एक अधिक व्यवस्थित ढांचा प्रदान करता है।

मूल लेखक: S. A. Adedayo

प्रकाशित 2026-06-01

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: S. A. Adedayo

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 अराजक कार्यालय में यह पता लगाने की कोशिश कर रहे हैं कि बॉस कौन है, जहाँ हर कोई एक साथ बोल रहा है। आपके पास समय के साथ उनकी बातचीत की एक रिकॉर्डिंग है। आप जानना चाहते हैं: क्या व्यक्ति A की टिप्पणी ने वास्तव में व्यक्ति B की प्रतिक्रिया को जन्म दिया, या वे केवल तीसरे व्यक्ति, व्यक्ति C के कारण एक ही समय पर बात कर रहे थे?

यह कॉज़ल डिस्कवरी (Causal Discovery) की मूल समस्या है। दशकों से, वैज्ञानिकों ने इसे हल करने के लिए एक उपकरण का उपयोग किया है जिसे ग्रेंजर कॉज़ैलिटी (Granger Causality - GC) कहा जाता है। GC को एक "भविष्यवाणी करने वाले क्रिस्टल बॉल" के रूप में सोचें। यह पूछता है: "यदि मैं कल व्यक्ति A द्वारा कही गई बात को जानता हूँ, तो क्या मैं आज व्यक्ति B के बोलने की भविष्यवाणी व्यक्ति B के बीते हुए कल के बारे में जानने के बजाय बेहतर तरीके से कर सकता हूँ?" यदि उत्तर हाँ है, तो GC कहता है, "A, B का कारण है।"

समस्या:
लेख तर्क देता है कि पारंपरिक क्रिस्टल बॉल में एक दोष है। इसे आसानी से धोखा दिया जा सकता है।

"कॉमन कॉज़" (साझा कारण) का जाल: यदि एक बॉस (व्यक्ति C) A और B दोनों पर चिल्लाता है, तो A और B एक ही समय में बात करना शुरू कर सकते हैं। GC गलत तरीके से सोच सकता है कि A ने B को प्रभावित किया, जबकि वास्तव में वे दोनों C की प्रतिक्रिया दे रहे थे।
"स्प्यूरियस लिंक" (मिथ्या संबंध) का जाल: कभी-कभी, दो लोग स्वतंत्र होते हैं, लेकिन यदि आप एक विशिष्ट क्षण को देखते हैं जहाँ वे दोनों एक तीसरे घटना के प्रति प्रतिक्रिया करते हैं, तो वे जुड़े हुए लग सकते हैं।

लेखक, S.A. Adedayo कहते हैं: "GC भविष्यवाणी करने में अच्छा है, लेकिन यह वास्तविक कारण-और-प्रभाव साबित करने में बुरा है क्योंकि इसमें एक ठोस दार्शनिक आधार की कमी है।"

समाधान: एक नई जासूसी टीम
लेखक GC को दो अन्य अवधारणाओं के साथ जोड़कर एक समाधान प्रस्तावित करते हैं: कॉज़ल बेयसियन नेटवर्क (Causal Bayesian Networks - संबंधों का एक मानचित्र) और रीचेनबैक के सिद्धांत (एक दार्शनिक रीचेनबैक के नियम पुस्तिका)।

रीचेनबैक की नियम पुस्तिका कहती है: "यदि दो चीजें जुड़ी हुई हैं, तो या तो एक ने दूसरे का कारण बना, या वे एक साझा कारण साझा करते हैं जो पहले हुआ था।"

लेखक ने एक नया एल्गोरिदम बनाया जिसे कॉज़लड ग्रेंजर कॉज़ैलिटी (c-GC) कहा जाता है। c-GC को केवल एक अकेले जासूस के रूप में नहीं, बल्कि एक दो-सदस्यीय जासूसी दल के रूप में सोचें जिसे किसी संदिग्ध को गिरफ्तार करने (कारण घोषित करने) से पहले सहमत होना चाहिए।

यह "दो-सदस्यीय दल" कैसे काम करता है

यह दल प्रत्येक चर (Variable) के जोड़े (A और B) पर दो अलग-अलग पूछताछ तकनीकों का उपयोग करता है:

डिटेक्टिव BVGC ("बाइवैरियेट" जासूस):
- विधि: यह जासूस केवल A और B को देखता है। "क्या A के अतीत ने B के भविष्य की भविष्यवाणी करने में मदद की?"
- दोष: यह जासूस बहुत भोला है। यदि एक तीसरा व्यक्ति (C) दोनों को प्रभावित कर रहा है, तो यह जासूस गलत तरीके से A को B का कारण होने का आरोप लगाएगा।
- उपमा: यह देखने जैसा है कि दो लोग दौड़ रहे हैं और यह मान लेना कि एक ने दूसरे को धक्का दिया, बिना यह जांचे कि क्या एक कुत्ते ने उन दोनों का पीछा किया था।
डिटेक्टिव MVGC ("मल्टीवेरिएट" जासूस):
- विधि: यह जासूस बहुत विस्तृत है। यह A और B को देखता है, लेकिन यह कमरे में मौजूद अन्य सभी (C, D, E...) को भी जाँचता है। यह पूछता है: "क्या A अभी भी B की भविष्यवाणी करने में मदद करता है, भले ही हम बाकी सभी के कार्यों को ध्यान में रखें?"
- दोष: यह जासूस एक विशिष्ट तरीके से बहुत सख्त है। यदि A और B दोनों एक तीसरे व्यक्ति (C) के कारण बनते हैं, और हम C को देखते हैं, तो यह जासूस भ्रमित हो सकता है और सोच सकता है कि A और B जुड़े हुए हैं जबकि वे नहीं हैं।
- उपमा: यह पीड़ित को देखकर दो धकेलने वालों के बीच संबंध की जाँच करने जैसा है। कभी-कभी, पीड़ित को देखने से दोनों धकेलने वाले एक साथ काम करते हुए लग सकते हैं, भले ही वे न हों।

जादुई चाल: "AND" ऑपरेशन
इस शोध का बड़ा ब्रेकथ्रू यह समझना है कि इन दो जासूसों के ब्लाइंड स्पॉट (अंधे मोड़) एक-दूसरे के विपरीत हैं।

BVGC बहुत अधिक कनेक्शन देखता है (False Positives)।
MVGC कभी-कभी कनेक्शन चूक जाता है या विशिष्ट "V-आकार" के परिदृश्यों में नकली कनेक्शन देखता है।

इसलिए, लेखक कहते हैं: "केवल तभी कारण घोषित करें जब दोनों जासूस सहमत हों।"

यदि BVGC कहता है "हाँ" और MVGC भी कहता है "हाँ", तो यह एक वास्तविक कारण (True Cause) है।
यदि एक "हाँ" कहता है और दूसरा "नहीं", तो वे एक-दूसरे को रद्द कर देते हैं, और हम इसे गलत अलार्म मान लेते हैं।

यह "AND" नियम एक फिल्टर के रूप में कार्य करता है जो शोर को हटा देता है, जिससे केवल वास्तविक कारण-और-प्रभाव संबंध बचते हैं।

परिणाम: क्या नया सिस्टम काम कर गया?

लेखक ने इस नए "c-GC" सिस्टम का परीक्षण तीन तरीकों से किया:

सिंथेटिक डेटा (सिमुलेशन लैब):
उन्होंने ज्ञात नियमों के साथ नकली दुनिया बनाई (जैसे एक वीडियो गेम जहाँ वे जानते हैं कि कौन किसे प्रभावित करता है)। उन्होंने इसे कठिन बनाने के लिए इसमें "अराजकता" और "शोर" जोड़ा।
- परिणाम: c-GC वास्तविक कनेक्शन खोजने और नकली कनेक्शनों को अनदेखा करने में उत्कृष्ट था। इसने अन्य लोकप्रिय तरीकों की तुलना में बेहतर या उनके बराबर प्रदर्शन किया, विशेष रूप से उन पेचीदा स्थितियों में जहाँ चर आपस में लूप बनाते हैं।
सैक्स प्रोटीन डेटासेट (जीव विज्ञान परीक्षण):
उन्होंने मानव प्रतिरक्षा कोशिकाओं (प्रोटीन एक-दूसरे को संकेत दे रहे हैं) से वास्तविक डेटा का उपयोग किया। यह विज्ञान में एक प्रसिद्ध बेंचमार्क है।
- परिणाम: एल्गोरिदम ने लगभग सभी ज्ञात जैविक पथों (biological pathways) का सफलतापूर्वक मानचित्रण किया। इसने उन कनेक्शनों को खोज निकाला जिन्हें वैज्ञानिक पहले से जानते थे, जिससे सिद्ध हुआ कि यह वास्तविक, जटिल जैविक डेटा पर काम करता है।
लोरेंज-96 डेटासेट (अराजकता परीक्षण):
उन्होंने एक प्रसिद्ध गणितीय मॉडल का उपयोग किया जो अराजक मौसम प्रणालियों का अनुकरण करता है।
- परिणाम: एक अत्यधिक अराजक प्रणाली में, जहाँ चीजें तेजी से बदलती हैं, c-GC ने सटीक रूप से अंतर्निहित संरचना की पहचान की।

मुख्य निष्कर्ष

लेख दावा करता है कि रीचेनबैक के दर्शन और कॉज़ल नेटवर्क के माध्यम से ग्रेंजर कॉज़ैलिटी की पुनर्व्याख्या करके, उन्होंने इसकी सबसे बड़ी कमजोरी को ठीक कर दिया है: वास्तविक "कॉज़ल" आधार की कमी।

बाइवैरियेट और मल्टीवेरिएट परीक्षणों को एक साथ लाकर, उन्होंने एक ऐसा उपकरण (c-GC) बनाया है जिसे धोखा देना बहुत कठिन है। यह केवल भविष्य की भविष्यवाणी नहीं करता है; यह इस प्रश्न का अधिक मजबूत, अधिक विश्वसनीय उत्तर देता है: "क्या वास्तव में इस चीज़ ने उस चीज़ को जन्म दिया?"

लेखक का निष्कर्ष है कि यह विधि ऑब्जर्वेशनल डेटा (वह डेटा जिसे हम केवल देखते हैं, बिना प्रयोग किए) पर उपयोग के लिए तैयार है और यह मस्तिष्क या अर्थव्यवस्था जैसे जटिल प्रणालियों को समझने की दिशा में एक महत्वपूर्ण कदम है।

तकनीकी सारांश: कॉज़ल बेयसियन नेटवर्क और रीचेनबैक के सिद्धांतों के साथ ग्रेंजर कॉज़ालिटी का पुनर्मूल्यांकन

समस्या विवरण
ग्रेंजर कॉज़ालिटी (GC) अर्थशास्त्र और तंत्रिका विज्ञान (neuroscience) जैसे विभिन्न क्षेत्रों में टाइम सीरीज़ डेटा में कारण संबंधी संबंधों (causal relationships) की पहचान करने के लिए एक प्रमुख कम्प्यूटेशनल टूल बना हुआ है। हालाँकि, इसे एक कठोर कारण आधार (rigorous causal foundation) के अभाव के लिए निरंतर आलोचना का सामना करना पड़ता है, और इसे अक्सर एक वास्तविक 'कारण' (causal) के बजाय केवल एक 'पूर्वानुमानित' (predictive) उपकरण के रूप में देखा जाता है। इसके अलावा, मानक GC कार्यान्वयन गुप्त कन्फाउंडर्स (latent confounders) के प्रति संवेदनशील होते हैं और रैखिकता (linearity) की धारणाओं पर अत्यधिक निर्भर करते हैं। यद्यपि नॉन-लिनियरिटी या मल्टीवेरिएट कंडीशनिंग को संभालने के लिए विस्तार मौजूद हैं, लेकिन GC को एक सख्त कारण ढांचे (causal framework) में स्थापित करने की मौलिक समस्या अनसुलझी बनी हुई है। यह शोध पत्र विशिष्ट मान्यताओं के तहत GC को एक सुदृढ़ कारण व्याख्या प्रदान करने के लिए इसे पुनर्व्याख्या करने की आवश्यकता को संबोधित करता है।

कार्यप्रणाली (Methodology)
लेखक ग्रेंजर कॉज़ालिटी का एक पुनर्गठन प्रस्तावित करते हैं, जिसे कॉज़लकृत ग्रेंजर कॉज़ालिटी (c-GC) कहा जाता है, जो तीन सैद्धांतिक ढांचों को एकीकृत करता है:

कॉज़ल बेयसियन नेटवर्क (CBNs): लेखक GC को CBN ढांचे के भीतर एक कंडीशनल (इन)डिपेंडेंस टेस्ट के रूप में व्याख्यायित करते हैं। विशेष रूप से, वे सांख्यिकीय निर्भरता निर्धारित करने के लिए रिग्रेशन मॉडल के अवशेषों (residuals) का विश्लेषण करते हैं।
रीचेनबैक के कॉमन कॉज प्रिंसिपल्स (RCCP): यह विधि रीचेनबैक की तार्किक धारणा का लाभ उठाती है कि कोई भी प्रभाव अपने कारण से पहले नहीं आता है और निर्भरता या तो एक सामान्य कारण (common cause) या सीधा कारण संबंध दर्शाती है।
बाइवैरियट (Bivariate) और मल्टीवेरिएट (Multivariate) GC का संश्लेषण: मुख्य पद्धतिगत नवाचार RCCP आवश्यकताओं को पूरा करने के लिए बाइवेरिएट ग्रेंजर कॉज़ालिटी (BVGC) और मल्टीवेरिएट ग्रेंजर कॉज़ालिटी (MVGC) का संयोजन है।

एल्गोरिदम तीन प्रस्तावों (propositions) पर कार्य करता है:

प्रस्ताव 1 (अनकंडीशनल डिपेंडेंस): BVGC बिना कन्फाउंडर्स पर कंडीशन किए वेरिएबल जोड़ों के बीच मार्जिनल डिपेंडेंस का परीक्षण करता है। यह रीचेनबैक के सिद्धांत के अनुरूप है कि आश्रित घटनाओं का एक सामान्य कारण या सीधा लिंक होना चाहिए। यह चरण संभावित लिंक की पहचान करता है लेकिन अनऑब्जर्व्ड कन्फाउंडर्स (जैसे चेन या फोर्क संरचनाओं में) के कारण गलत सकारात्मक (false positives) परिणाम दे सकता है।
प्रस्ताव 2 (कंडीशनल डिपेंडेंस): MVGC सिस्टम के अन्य सभी चरों पर कंडीशन करते हुए निर्भरता का परीक्षण करता है। यह चरण 'कॉज़ल मार्कोव कंडीशन' का पालन करता है, जो चेन्स और फोर्क्स में स्वतंत्रता की सही पहचान करता है, लेकिन जब कंडीशन किया जाता है, तो यह कोलाइडर संरचनाओं (V-structures) में स्प्यूरियस (spurious) निर्भरता उत्पन्न कर सकता है।
प्रस्ताव 3 (लॉजिकल कंजंक्शन): लेखक तर्क देते हैं कि न तो BVGC और न ही MVGC अकेले कारण खोज (causal discovery) के लिए पर्याप्त है। दोनों परीक्षणों के परिणामों का लॉजिकल AND लेकर, एल्गोरिदम RCCP की सभी आवश्यकताओं को लागू करता। यह संयोजन स्प्यूरियस लिंक्स को फ़िल्टर करता है: BVGC कोलाइडर्स का पता लगाता है (जहाँ MVGC विफल होता है), जबकि MVGC चेन्स और फोर्क्स में स्प्यूरियस लिंक्स को फ़िल्टर करता है (जहाँ BVGC विफल होता है)।

परिणामस्वरूप एल्गोरिदम, c-GC, d-separation और बैक-डोर मानदंडों को संतुष्ट करने के लिए चरों की पिछली अवस्थाओं (past states) पर आधारित एक कंडीशनिंग सेट ( $Z$ ) का निर्माण करता है। एक विस्तार, c-GC*, एक अधिक रूढ़िवादी (conservative) कंडीशनिंग सेट का उपयोग करता है जिसमें कारण की भविष्य की अवस्थाएं शामिल हैं (जो डिस्कवरी प्रक्रिया में डेटा हेरफेर का एक आर्टिफैक्ट है), हालांकि इस विशिष्ट समावेशन के लिए सैद्धांतिक औचित्य एक खुला प्रश्न बना हुआ है। स्वतंत्रता परीक्षण को नॉन-पैरामीट्रिक लचीलापन बनाए रखने के लिए परमुटेशन-आधारित पियर्सन सहसंबंध (Pearson's correlation) का उपयोग किया जाता है।

प्रमुख योगदान

सैद्धांतिक पुनर्व्याख्या: शोध पत्र BVGC और MVGC को संयोजित करने के लिए एक कठोर औचित्य प्रदान करता है, जो GC को एक कारण व्याख्या प्रदान करने के लिए CBNs और रीचेनबैक के सिद्धांतों में स्थापित करता है।
एल्गोरिदम विकास: c-GC और c-GC* का परिचय, जो इस सैद्धांतिक ढांचे को संचालित करते हैं।
जटिल संरचनाओं को संभालना: यह विधि फीडबैक लूप्स, साइक्लिसिटी और द्विदिश अंतःक्रियाओं (bidirectional interactions) को संभालने के लिए डिज़ाइन की गई है, बिना असायक्लिसिटी (acyclicity) को लागू किए, जिससे यह जैविक तंत्रिका नेटवर्क जैसे जटिल प्रणालियों के लिए उपयुक्त हो जाती है।

परिणाम
लेखकों ने सिंथेटिक और बेंचमार्क डेटासेट पर c-GC और c-GC* का मूल्यांकन किया:

सिंथेटिक डेटा: ज्ञात ग्राउंड-ट्रुथ मैट्रिसेस (साइकिल और द्विदिश लिंक सहित) वाले सिमुलेशन में, दोनों c-GC और c-GC* ने उच्च सटीकता (accuracy), परिशुद्धता (precision) और रिकॉल (recall) प्राप्त किया। लीनियर और मिनिमल केओटिक सिस्टम में, c-GC ने न्यूनतम फॉल्स नेगेटिव के साथ सभी लिंक्स को सही ढंग से पहचाना, जबकि c-C* ने थोड़ा अधिक रूढ़िवादी व्यवहार दिखाया (एक अतिरिक्त फॉल्स पॉजिटिव)।
स्टेट-ऑफ-द-आर्ट के साथ तुलना: विभिन्न सिमुलेशन टेरेन पर लोकप्रिय कॉज़ल स्ट्रक्चर लर्निंग (CSL) एल्गोरिदम (TCDF, NTS-NOTEARS, Tigramite) के विरुद्ध तुलना करने पर, c-GC और c-GC* ने मजबूती प्रदर्शित की। विशेष रूप से, जब टिग्रामाइट (FullCI) ने परफेक्ट रिकॉल प्राप्त किया, तो उसने c-GC* (0.95–1.00) की तुलना में कम परिशुद्धता (0.51–1.00) दिखाई, जो यह दर्शाता है कि c-GC* एज डिटेक्शन में अधिक रूढ़िवादी है।
सैक्स प्रोटीन डेटासेट: वास्तविक दुनिया के सैक्स सिग्नलिंग डेटासेट पर लागू होने पर, विधि ने लगभग सभी अपेक्षित कारण कनेक्शनों को सफलतापूर्वक निकाला, जिसमें अद्वितीय दिशात्मक लिंक $PKA \to Jnk$ भी शामिल था, जिसे विशिष्ट डेटा ट्रायल्स में ही पहचाना गया था।
लोरेंज़-96 डेटासेट: अराजक (chaotic) लोरेंज़-96 सिस्टम ( $p=40$ ) पर, दोनों एल्गोरिदम समान प्रदर्शन मेट्रिक्स तक पहुँचे, जहाँ उच्च स्तर के अराजक स्तर ( $F=40$ ) की तुलना में निम्न स्तर ( $F=10$ ) पर बेहतर परिणाम देखे गए।

महत्व और दावे
यह शोध पत्र दावा करता है कि रीचेनबैक के सिद्धांतों और CBN के लेंस के माध्यम से GC की पुनर्व्याख्या करके, यह "अवलोकन संबंधी डेटासेट में कारण खोज के लिए एक सिद्धांत-आधारित ढांचा" प्रदान करता है। लेखक यह दावा करते हैं कि यह पुनर्गठन GC की इस आलोचना को हल करता है कि इसमें कारण आधार की कमी है, बशर्ते कि विशिष्ट धारणाएं (कॉज़ल सफिशिएंसी, फेथफुलनेस और कॉज़ल मार्कोव कंडीशन) पूरी हों। उनका कार्य यह प्रदर्शित करता है कि बाइवेरिएट और मल्टीवेरिएट परीक्षणों का संयोजन केवल एक ह्यूरिस्टिक (heuristic) नहीं है, बल्कि वास्तविक कारण लिंक्स का अनुमान लगाने के लिए सैद्धांतिक रूप से आवश्यक है। वे निष्कर्ष निकालते हैं कि c-GC रैखिक और गैर-रैखिक दोनों डोमेन में संतोषजनक परिणाम देता है, जिसमें चक्रों और द्विदिशता के मामले भी शामिल हैं, जो जटिल गतिशील प्रणालियों में कारण खोज के लिए एक अधिक मजबूत विकल्प प्रदान करता है। भविष्य का कार्य एल्गोरिदम को उच्च-आयामी (high-dimensional) डेटासेट के लिए स्केल करने पर केंद्रित है।

यह "दो-सदस्यीय दल" कैसे काम करता है

परिणाम: क्या नया सिस्टम काम कर गया?

मुख्य निष्कर्ष

इसी तरह के और पेपर