📊 statistics

Causal Partial Identification via Conditional Optimal Transport

यह शोध पत्र एडेप्टेड वासरस्टीन दूरी (adapted Wasserstein distance) के तहत फलन की निरंतरता स्थापित करके, कॉज़ल पार्शियल आइडेंटिफिकेशन (causal partial identification) में कंडीशनल ऑप्टिमल ट्रांसपोर्ट के लिए एक प्रत्यक्ष, सुसंगत, नॉन-पैरामीट्रिक एस्टिमेटर प्रस्तावित करता है, जिससे न्यूसेंस पैरामीटर एस्टीमेशन की आवश्यकता से बचा जा सके और पारंपरिक प्लग-इन विधियों की असंगतता को दूर किया जा सके।

मूल लेखक: Sirui Lin, Zijun Gao, Jose Blanchet, Peter Glynn

प्रकाशित 2026-02-16

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Sirui Lin, Zijun Gao, Jose Blanchet, Peter Glynn

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 एक रहस्य को सुलझाने की कोशिश कर रहे हैं, लेकिन आपके पास केवल आधे सुराग हैं।

कॉज़ल इन्फरेंस (Causal Inference) (कारण और प्रभाव का पता लगाना) की दुनिया में, यह एक मानक समस्या है। आप जानना चाहते हैं: यदि मैं किसी मरीज को एक नई दवा देता हूँ, तो क्या वह ठीक हो जाएगा?

वास्तविकता: आप केवल एक परिणाम देख सकते हैं। यदि आप दवा देते हैं, तो आप देखते हैं कि वे ठीक हो गए (या नहीं)। आप समय में पीछे जाकर कभी यह नहीं देख सकते कि क्या होता यदि आपने उन्हें दवा नहीं दी होती।
गायब सुराग: "काउंटरफैक्चुअल" (counterfactual) परिणाम (कि अन्यथा क्या होता) अदृश्य है।

चूंकि आप एक साथ दोनों परिणाम नहीं देख सकते, इसलिए आप सटीक सत्य की गणना नहीं कर सकते। इसके बजाय, सांख्यिकीविदों (statisticians) को एक पार्शियल आइडेंटिफिकेशन सेट (Partial Identification Set - PI Set) के साथ समझौता करना पड़ता है। इसे एक एकल उत्तर के रूप में नहीं, बल्कि संभावनाओं की एक सीमा (range) के रूप में समझें। "दवा संभवतः स्वास्थ्य में 5% से 15% के बीच सुधार करती है।" लक्ष्य इस सीमा को यथासंभव संकीर्ण (सटीक) बनाना है।

समस्या: मशीन में "भूत" (The "Ghost" in the Machine)

आमतौर पर, इस सीमा को कम करने के लिए, हम कोवेरिएट्स (covariates) (पृष्ठभूमि विवरण जैसे आयु, वजन या रक्तचाप) को देखते हैं। यदि हम जानते हैं कि दो लोग आयु और वजन में बिल्कुल समान हैं, तो हम उनकी तुलना अधिक निष्पक्ष रूप से कर सकते हैं।

हालाँकि, एक पेंच है। वास्तविक जीवन में, आपको शायद ही कभी ऐसे लोग मिलते हैं जो हर एक विवरण में बिल्कुल समान हों (विशेष रूप से ऊंचाई या ब्लड शुगर जैसे निरंतर (continuous) नंबरों के साथ)।

पुराना तरीका: पिछले तरीकों ने लोगों को "काफी करीब" से मिलाने का प्रयास किया। लेकिन गणितीय रूप से, यह एक बेमेल ईंटों से पुल बनाने की कोशिश करने जैसा है। संरचना अस्थिर है। यदि आप थोड़ा सा डेटा जोड़ते हैं, तो आपका पूरा पुल (आपका अनुमान) ढह सकता है या अचानक बदल सकता है। इसे डिस्कंटीन्यूइटी (discontinuity) कहा जाता है।

समाधान: एक नया प्रकार का रूलर (मापक)

इस शोध पत्र के लेखकों, सिरुई लिन (Sirui Lin) और उनके सहयोगियों ने इस अस्थिरता को ठीक करने के लिए एक नया गणितीय उपकरण बनाया है। वे इसे कंडीशनल ऑप्टिमल ट्रांसपोर्ट (Conditional Optimal Transport - COT) कहते हैं।

यहाँ इसका सादृश्य (analogy) दिया गया है:

1. पुराना रूलर (Weak Topology)

कल्पना कीजिए कि आप रेत के दो ढेरों (उपचार समूह बनाम नियंत्रण समूह) को उनके ढेरों के कुल आकार को देखकर मिलाने की कोशिश कर रहे हैं। यदि आप रेत का एक कण भी हिलाते हैं, तो आकार लगभग वैसा ही रहता है, लेकिन "परफेक्ट मैच" पूरी तरह से अलग कण पर कूद सकता है। यह गणित को "उछल-कूद" वाला (jumpy) और अविश्वसनीय बनाता है।

2. नया रूलर (Adapted Wasserstein Distance)

लेखकों ने महसूस किया कि इन ढेरों को सही ढंग से मिलाने के लिए, आपको केवल कुल आकार को नहीं देखना है। आपको यह देखना होगा कि रेत की परतें कैसे बनी हैं।

रूपक (Metaphor): कल्पना करें कि कोवेरिएट्स (आयु, वजन) एक इमारत का फ्लोर प्लान (floor plan) हैं, और परिणाम (स्वास्थ्य) उसके अंदर का फर्नीचर है।
पुराने तरीके ने एक साथ पूरे भवन को मिलाने की कोशिश की।
नया तरीका कहता है: "पहले, फ्लोर प्लान को पूरी तरह से मिलाएं। फिर, प्रत्येक विशिष्ट कमरे के भीतर (जैसे, '30 वर्षीय पुरुष'), फर्नीचर को मिलाएं।"

यह नया रूलर, जिसे एडेप्टेड वासेरस्टीन डिस्टेंस (Adapted Wasserstein Distance) कहा जाता है, गणित को डेटा की संरचना का सम्मान करने के लिए मजबूर करता है। यह सुनिश्चित करता है कि यदि आप डेटा को थोड़ा बदलते हैं, तो आपका उत्तर केवल थोड़ा ही बदलेगा। यह पुल को स्थिर बनाता है।

जादुई ट्रिक: डिस्क्रीटाइजेशन (दुनिया को पिक्सेलेट करना)

नए रूलर के साथ भी, निरंतर संख्याओं (जैसे 30.0001 वर्ष की आयु) के लिए परफेक्ट मैच की गणना करना कठिन है क्योंकि वहां अनंत संभावनाएं हैं।

लेखकों का समाधान डिस्क्रीटाइजेशन (Discretization) है।

सादृश्य: कल्पना कीजिए कि आपके पास भीड़ की एक हाई-डेफिनिशन फोटो है। इसे पूरी तरह से प्रोसेस करना बहुत विस्तृत है। इसलिए, आप इसे एक पिक्सेलेटेड इमेज (जैसे कि 8-बिट वीडियो गेम) में बदल देते हैं।
"30.0001 वर्ष पुराना" को "30.0002 वर्ष पुराना" से मिलाने के बजाय, आप सभी को "30-वर्षीय लोगों" के समूह में रखते हैं।
आप अपने डेटा के लिए "बिन" (bins) या "सेल" (cells) बनाते हैं।
प्रत्येक बिन के भीतर, आप औसत परिणाम की गणना करते हैं।
फिर, आप उन बिन्स (bins) को मिलाते हैं।

क्योंकि आप व्यक्तिगत बिंदुओं के बजाय समूहों (bins) को मिला रहे हैं, इसलिए गणित सुचारू और स्थिर हो जाता है। लेखकों ने सिद्ध किया कि जैसे-जैसे आपके पास अधिक डेटा आता है, आप पिक्सेल को छोटा और छोटा कर सकते हैं, और आपका उत्तर बिना किसी "उछाल" के सत्य के और करीब पहुंच जाता है।

यह क्यों महत्वपूर्ण है

अनुमान लगाने का खेल नहीं: पुराने तरीकों में अक्सर "न्युसेंस पैरामीटर्स" (डेटा वितरण के आकार का पहले से अनुमान लगाना) का अनुमान लगाने की आवश्यकता होती थी। यदि आपका अनुमान थोड़ा भी गलत था, तो आपका अंतिम उत्तर गलत था। यह नया तरीका डायरेक्ट (प्रत्यक्ष) है। इसे आकार का अनुमान लगाने की आवश्यकता नहीं है; यह डेटा को उसके वास्तविक रूप में ही मिलाता है।
मजबूती (Robustness): यदि डेटा थोड़ा अस्त-व्यस्त या बदला हुआ है (उदाहरण के लिए, उपचार समूह औसतन थोड़ा अधिक उम्र का है), तो यह तरीका टूटता नहीं है। यह शोर (noise) को सोख लेता है।
बेहतर बाउंड्स (Bounds): अपने परीक्षणों में, इस पद्धति ने मौजूदा तरीकों की तुलना में बहुत अधिक सटीक और संकीर्ण सीमाएं (PI सेट्स) प्रदान कीं, विशेष रूप से तब जब चरों के बीच का संबंध जटिल और गैर-रेखीय (जैसे एक सीधी रेखा के बजाय एक वक्र/curve) था।

सारांश

इस शोध पत्र को कौज़ल इन्फरेंस के लिए एक नए, अत्यंत स्थिर मापने वाले टेप (measuring tape) के आविष्कार के रूप में देखें।

समस्या: हम भविष्य (या अतीत) को नहीं देख सकते, इसलिए हमें संभावनाओं की एक सीमा का अनुमान लगाना पड़ता है।
दोष: पिछले टेप डगमगाते थे और यदि डेटा एकदम सटीक नहीं होता था, तो टूट जाते थे।
समाधान: लेखकों ने एक ऐसा टेप बनाया जो डेटा की संरचना (Adapted Wasserstein) को देखता है और खुरदरे किनारों को चिकना करने के लिए "पिक्सेलेटेड" दृष्टिकोण का उपयोग करता है।
परिणाम: अब हम बहुत अधिक विश्वास के साथ कह सकते हैं कि कोई उपचार कितना प्रभावी है, भले ही हम "क्या होता अगर" (what if) वाले परिदृश्य को सीधे तौर पर देख न सकें।

यह एक डगमगाते, अनिश्चित अनुमान को एक ठोस, गणितीय रूप से प्रमाणित सीमा में बदल देता है।

यहाँ Lin, Gao, Blanchet, और Glynn के शोध पत्र "Causal Partial Identification via Conditional Optimal Transport" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र कारण अनुमान (causal inference) में आंशिक पहचान (Partial Identification - PI) की चुनौती को संबोधित करता है। मानक पोटेंशियल आउटकम मॉडल में, एक इकाई के पास दो संभावित परिणाम होते हैं, $Y(0)$ (नियंत्रण) और $Y(1)$ (उपचार), लेकिन केवल एक ही प्रेक्षित (observed) होता है। फलस्वरूप, $(Y(0), Y(1))$ का संयुक्त वितरण (joint distribution) अनिश्चित (unidentifiable) होता है, जिससे इस संयुक्त वितरण पर निर्भर करने वाले कॉज़ल एस्टिमैंड्स (जैसे उपचार प्रभावों का विचरण या परिणामों के बीच सहसंबंध) का बिंदु-वार (point-wise) अनुमान लगाना असंभव हो जाता है।

जबकि मार्जिनल वितरणों के आधार पर इन एस्टिमैंड्स के लिए सीमाएँ (PI सेट्स) प्राप्त करने के लिए ऑप्टिमल ट्रांसपोर्ट (Optimal Transport - OT) का उपयोग किया गया है, पूर्व-उपचार सहचरों (pretreatment covariates - $Z$ ) की उपस्थिति इन सीमाओं को कड़ा करने का एक तरीका प्रदान करती है। $Z$ पर आधारित होकर (conditioning), एक 'कंडीशनल ऑप्टिमल ट्रांसपोर्ट' (COT) का उपयोग करके उस इष्टतम संयुक्त वितरण को खोजा जा सकता है जो $(Y(w), Z)$ मार्जिनल्स को संरक्षित करता है (जहाँ $w \in \{0, 1\}$ )।

मुख्य चुनौती:
सीमित नमूनों (finite samples) से COT मान का सीधा अनुमान लगाना मानक 'वीक टोपोलॉजी' (weak topology) के तहत सांख्यिकीय रूप से असंगत (inconsistent) है।

असंततता (Discontinuity): COT फलन (functional) वीक टोपोलॉजी के तहत असंतत है।
डेटा की विरलता (Data Sparsity): निरंतर सहचर स्थानों (continuous covariate spaces) में, उपचार और नियंत्रण दोनों समूहों में बिल्कुल समान सहचर मान देखना दुर्लभ है। एक साधारण "प्लग-इन" एस्टिमेटर (इम्पिरिकल पॉइंट मासेस का उपयोग करके) अभिसरण (converge) करने में विफल रहता है क्योंकि विशिष्ट बिंदुओं पर सशर्त वितरण (conditional distributions) अपरिभाषित होते हैं, जिससे सपोर्ट में विसंगति आती है।
मौजूदा सीमाएँ: वर्तमान विधियाँ रिलैक्सेशन, न्यूसेंस पैरामीटर्स (जैसे प्रोपेंसिटी स्कोर या कंडीशनल डेंसिटी) के अप्रत्यक्ष अनुमान, या बिना किसी सैद्धांतिक गारंटी वाली ह्यूरिस्टिक प्रक्रियाओं पर निर्भर करती हैं।

2. कार्यप्रणाली (Methodology)

लेखक एक प्रत्यक्ष, सुसंगत, गैर-पैरामीट्रिक एस्टिमेटर (direct, consistent, non-parametric estimator) प्रस्तावित करते हैं जो न्यूसेंस पैरामीटर अनुमान से बचता है। यह कार्यप्रणाली तीन मुख्य स्तंभों पर आधारित है:

A. टोपोलॉजिकल शिफ्ट: एडेप्टेड वॉसरस्टीन डिस्टेंस (Adapted Wasserstein Distance)

लेखक स्थापित करते हैं कि जबकि COT फंक्शनल वीक टोपोलॉजी के तहत असंतत है, यह एडेप्टेड वॉसरस्टीन डिस्टेंस ( $W_a$ ) द्वारा प्रेरित एक मजबूत टोपोलॉजी के तहत सतत (continuous) हो जाता है।

परिभाषा: $W_a$ सहचर मार्जिनल्स ( $Z$ ) को अनुकूल रूप से संरेखित (align) करते हुए और कंडीशनल आउटकम डिस्ट्रीब्यूशंस ( $Y|Z$ ) के ट्रांसपोर्ट कॉस्ट को कम करते हुए, संयुक्त वितरणों $(Y, Z)$ के बीच की दूरी को मापता है।
महत्व: यह टोपोलॉजी कंडीशनल वितरणों के अभिसरण को लागू करती है, जो COT निरंतरता (consistency) के लिए आवश्यक है।

B. एडेप्टेड इम्पिरिकल डिस्ट्रीब्यूशन (Adapted Empirical Distribution)

एक एस्टिमेटर बनाने के लिए जो $W_a$ के तहत अभिसरण करता है, लेखक एक एडेप्टेड इम्पिरिकल डिस्ट्रीब्यूशन पेश करते हैं:

विविक्तकरण (Discretization): सहचर स्थान $Z$ को $n^{-r}$ किनारे की लंबाई वाले सेल्स (cells/cubes) के एक परिमित ग्रिड में विभाजित किया जाता है।
प्रोजेक्शन (Projection): प्रेक्षित सहचरों को उनके संबंधित सेल के केंद्र पर प्रोजेक्ट किया जाता है।
निर्माण (Construction): एस्टिमेटर प्रत्येक सेल के भीतर परिणामों को एकत्रित करता है, जिससे कंडीशनल डिस्ट्रीब्यूशन का एक विविक्त सन्निकटन (discrete approximation) बनता है।
- महत्वपूर्ण रूप से, केवल सहचर $Z$ का विविक्तकरण किया जाता है; आउटकम $Y$ निरंतर बना रहता है।
- यह विविक्तकरण सुनिश्चित करता है कि इम्पिरिकल कंडीशनल डिस्ट्रीब्यूशन $W_a$ मेट्रिक के तहत वास्तविक कंडीशनल डिस्ट्रीब्यूशनों की ओर अभिसरित हों।

C. एस्टीमेशन एल्गोरिदम (Estimation Algorithm)

प्रस्तावित एस्टिमेटर, $\hat{V}_{n_0, n_1}$ , को निम्नानुसार गणना किया जाता है:

विविक्तकरण: प्रेक्षित सहचरों $Z_i$ को सेल सेंटर्स $\phi_r(Z_i)$ पर मैप करें।
कपलिंग (Coupling): उपचार और नियंत्रण समूहों के विविक्तकृत सहचर वितरणों के बीच एक कपलिंग $\hat{\pi}$ का निर्माण करें। यह कपलिंग $Z$ मार्जिनल्स के बीच की दूरी को कम करती है (प्रभावी रूप से सेल्स को मैच करती है)।
एकीकरण (Integration): कपल्ड कंडीशनल डिस्ट्रीब्यूशंस पर अपेक्षित लागत (expected cost) की गणना करें:
$\hat{V}_{n_0, n_1} = \int W_h(\hat{\mu}^{z_0}_{Y(0)}, \hat{\mu}^{z_1}_{Y(1)}) d\hat{\pi}(z_0, z_1)$
जहाँ $W_h$ मैच किए गए सेल्स के भीतर कंडीशनल आउटकम डिस्ट्रीब्यूशंस के बीच का मानक OT डिस्टेंस है।

D. सहचर शिफ्ट को संभालना (Handling Covariate Shift)

अवलोकनात्मक अध्ययनों (observational studies) के लिए जहाँ उपचार असाइनमेंट सहचरों पर निर्भर करता है (गैर-स्थिर प्रोपेंसिटी स्कोर), लेखक इसे निम्नानुसार विस्तारित करते हैं:

रीवेटिंग (Reweighting): जनसंख्या मार्जिनल के साथ उपचार और नियंत्रण समूहों के सहचर वितरणों को संरेखित करने के लिए सेल्फ-नॉर्मलाइज्ड इनवर्स प्रोपेंसिटी वेट्स लागू करना।
क्रॉस-फिटिंग (Cross-Fitting): प्रोपेंसिटी स्कोर और एडेप्टेड इम्पिरिकल डिस्ट्रीब्यूशन को स्वतंत्र रूप से अनुमानित करने के लिए टू-फोल्ड क्रॉस-फिटिंग प्रक्रिया का उपयोग करना, जिससे सांख्यिकीय वैधता सुनिश्चित होती है।

3. प्रमुख योगदान (Key Contributions)

सैद्धांतिक निरंतरता (Theoretical Continuity): सिद्ध किया कि COT फंक्शनल एडेप्टेड वॉसरस्टीन डिस्टेंस द्वारा प्रेरित टोपोलॉजी के तहत निरंतर है (Theorem 2), जो प्लग-इन एस्टिमेटर्स की विसंगति को हल करता है।
प्रत्यक्ष सुसंगत एस्टिमेटर (Direct Consistent Estimator): एक गैर-पैरामीट्रिक एस्टिमेटर प्रस्तावित किया जो सीधे न्यूसेंस फंक्शन्स (जैसे कंडीशनल डेंसिटी या प्रोपेंसिटी स्कोर) के अनुमान की आवश्यकता को समाप्त करता है, जिससे उच्च-आयामी (high-dimensional) गैर-पैरामीट्रिक रिग्रेशन से जुड़ी "कर्स ऑफ डायमेंशनलिटी" से बचा जा सके।
अभिसरण दरें (Convergence Rates): एस्टिमेटर के लिए परिमित-नमूना अभिसरण दरें (finite-sample convergence rates) प्राप्त कीं। यह दर सहचर ( $d_Z$ $d_{Z}$ ) और आउटकम ( $d_Y$ $d_{Y}$ ) स्पेस के आयामों पर निर्भर करती है:
- दर: $O(N^{-\frac{1}{d_Z + 2 \vee d_Y}})$ (लॉग फैक्टर्स को छोड़कर)।
- यह दर इस संदर्भ में गैर-पैरामीट्रिक अनुमान के लिए इष्टतम (optimal) है।
मजबूती (Robustness): सहचर वितरण बदलावों (covariate distributional shifts) के विरुद्ध मजबूती की गारंटी स्थापित की (Theorem 5), यह दिखाते हुए कि एस्टिमेटर छोटे व्यवधानों के तहत भी स्थिर रहता है।
अवलोकनात्मक डेटा के लिए विस्तार (Extension to Observational Data): सहचर-निर्भर उपचार असाइनमेंट वाले अनकन्फाउंडेड डिजाइन्स के लिए ढांचे को सामान्यीकृत किया, जिससे वास्तविक दुनिया के अवलोकनात्मक परिवेश में PI के लिए एक कठोर विधि प्रदान की गई।

4. परिणाम (Results)

सैद्धांतिक परिणाम (Theoretical Results)

निरंतरता (Consistency): जैसे-जैसे नमूना आकार बढ़ता है, एस्टिमेटर लगभग निश्चित रूप से (almost surely) वास्तविक COT मान की ओर अभिसरित होता है (Theorem 3)।
परिमित-नमूना सीमाएँ (Finite-Sample Bounds): पेपर स्पष्ट त्रुटि सीमाएँ (Theorem 4) प्रदान करता है जो बायस (सेल आकार द्वारा नियंत्रित) और वेरिएंस के बीच के ट्रेड-ऑफ को दर्शाती हैं।
इष्टतमता (Optimality): यह दिखाया गया है कि प्राप्त PI सेट्स देखे गए आउटकम-सहचर मार्जिनल्स के आधार पर सबसे सटीक (tightest) संभव सीमाएँ हैं (Theorem 1)।

अनुभवजन्य परिणाम (Empirical Results)

सिंथेटिक डेटा: विधि का परीक्षण गौसियन नॉइज़ के साथ लीनियर, क्वाड्रेटिक और स्केल मॉडल्स पर किया गया।
- प्रदर्शन: प्रस्तावित "Adapt" एस्टिमेटर ने गैर-रेखीय सेटिंग्स (Quadratic और Scale मॉडल्स) में मौजूदा विधियों (Ridge Regression और KNN का उपयोग करने वाले DualBounds) को लगातार पछाड़ दिया, जहाँ पैरामीट्रिक धारणाएँ विफल हो गईं।
- Bernoulli बनाम Observational: विधि ने रैंडमाइज्ड (Bernoulli) और अवलोकनात्मक (सहचर-निर्भर) दोनों सेटिंग्स में मजबूती से प्रदर्शन किया।
वास्तविक डेटा (STAR प्रोजेक्ट): STAR प्रोजेक्ट पर आधारित एक सेमी-सिंथेटिक डेटासेट पर इसे लागू किया गया।
- एस्टिमेटर ने बेसलाइन विधियों की तुलना में पोटेंशियल आउटकम्स के बीच सहसंबंध के लिए अधिक सटीक और तंग (tighter) सीमाएँ प्रदान कीं।
संवेदनशीलता विश्लेषण (Sensitivity Analysis): विधि ने विविक्तकरण स्थिरांक (discretization constant) $c$ के चयन के प्रति कम संवेदनशीलता दिखाई और सहचर वितरण बदलावों के तहत स्थिर रही।

5. महत्व और प्रभाव (Significance and Impact)

सिद्धांत और व्यवहार के बीच सेतु: यह कार्य एक सुसंगत एस्टिमेटर प्रदान करके कारण अनुमान में एक मौलिक सैद्धांतिक अंतर को हल करता है, जो पहले टोपोलॉजिकल विच्छेदन (topological discontinuity) के कारण कठिन माना जाता था।
मॉडल-मुक्त अनुमान (Model-Free Inference): न्यूसेंस पैरामीटर्स (डेंसिटी/रिग्रेशन) के अनुमान से बचकर, यह विधि मॉडल मिसस्पेसिफिकेशन के प्रति अधिक मजबूत है, जो उच्च-आयामी कॉज़ल इंफरेंस में एक आम समस्या है।
अधिक सटीक सीमाएँ (Tighter Bounds): COT के माध्यम से सहचरों का उपयोग मानक OT की तुलना में PI सेट्स को काफी छोटा कर देता है, जिससे अधिक सटीक कॉज़ल निष्कर्ष (जैसे उपचार प्रभाव के विचरण के लिए संकीर्ण कॉन्फिडेंस इंटरवल) प्राप्त होते हैं।
सामान्य प्रयोज्यता (General Applicability): यह ढांचा कॉज़ल एस्टिमैंड्स के एक विस्तृत वर्ग पर लागू होता है और रैंडमाइज्ड एवं अवलोकनात्मक दोनों डेटा को संभालता है, जो इसे नीति मूल्यांकन और वैज्ञानिक अनुसंधान के लिए एक बहुमुखी उपकरण बनाता है।

संक्षेप में, यह शोध पत्र कंडीशनल ऑप्टल ट्रांसपोर्ट का उपयोग करके कॉज़ल बाउंड्स का अनुमान लगाने के लिए एक कठोर गणितीय आधार और एक व्यावहारिक एल्गोरिदम प्रदान करता है, जो डेटा की विरलता और टोपोलॉजिकल विच्छेदन से संबंधित पिछली सीमाओं को दूर करता है।