तकनीकी सारांश: नेटवर्क हस्तक्षेप के तहत कारण संबंधी अनुमान (Causal Inference)

1. समस्या विवरण

पारंपरिक कारण संबंधी अनुमान (Causal Inference) 'स्थिर इकाई उपचार मूल्य धारणा' (Stable Unit Treatment Value Assumption - SUTVA) पर निर्भर करते हैं, जो यह मानती है कि किसी इकाई के संभावित परिणाम अन्य इकाइयों के उपचार आवंटन से अप्रभावित रहते हैं। हालाँकि, परस्पर जुड़े हुए समुदायों में—जैसे सामाजिक नेटवर्क या आर्थिक बाजार—इस धारणा का अक्सर उल्लंघन होता है। यह शोध पत्र हस्तक्षेप (Interference) की उपस्थिति में कारण प्रभावों का अनुमान लगाने की चुनौती को संबोधित करता है, जिसे इस रूप में परिभाषित किया गया है जहाँ एक इकाई का उपचार आवंटन अन्य इकाइयों के परिणामों को प्रभावित करता है।

लेखक हस्तक्षेप के दो प्राथमिक रूपों के बीच अंतर करते हैं:

• स्पिलओवर (Spillover): प्रत्यक्ष प्रभाव जहाँ एक इकाई का परिणाम उसके पड़ोसियों के उपचार आवंटनों से प्रभावित होता है (उदाहरण के लिए, एक किशोर कपड़ों की खरीदारी करता है क्योंकि उसके एक मित्र को विज्ञापन दिखाया गया था)।
• संक्रमण (Contagion): अप्रत्यक्ष प्रभाव जहाँ एक इकाई का परिणाम दूसरों के परिणामों से प्रभावित होता है, जो बदले में उपचार आवंटनों से प्रभावित हुए थे (उदाहरण के लिए, एक किशोर कपड़े खरीदता है क्योंकि उसने अपने एक मित्र को वे कपड़े पहने देखा, चाहे मित्र को सीधे लक्षित किया गया हो या नहीं)।

यह शोध पत्र हस्तक्षेप की उपस्थिति में प्रभावों का पता लगाने, पहचान करने और अनुमान लगाने की हालिया प्रगति की समीक्षा करता है, जो कारण संबंधी अनुमान, नेटवर्क विज्ञान और संबंधित विषयों से प्रेरित है।

2. कार्यप्रणाली और ढांचा

2.1 संकेतन (Notation) और संभावित परिणाम

लेखक रुबिन के 'संभावित परिणामों के ढांचे' (Potential Outcomes Framework) को अपनाते हैं, जिसे पूर्ण उपचार वेक्टर $x \in \{0, 1\}^N$ पर निर्भर होने देने के लिए विस्तारित किया गया है। वे निम्नलिखित के बीच अंतर करते हैं:

• निश्चित संभावित परिणाम ($y(\cdot)$): परिणामों को निश्चित स्थिरांक माना जाता है, जिसमें यादृच्छिकता (Randomness) केवल उपचार आवंटन तंत्र से उत्पन्न होती है।
• यादृच्छिक संभावित परिणाम ($Y(\cdot)$): परिणामों को एक स्टोकेस्टिक प्रक्रिया द्वारा उत्पन्न यादृच्छिक चर माना जाता है।

हस्तक्षेप को हस्तक्षेप ग्राफ (जो यह परिभाषित करते हैं कि कौन सी इकाइ इकाइयाँ दूसरों को प्रभावित कर सकती हैं) और एक्सपोज़र मैपिंग (जो उच्च-आयामी उपचार वेक्टर $x$ को निम्न-आयामी एक्सपोज़र $d$ में कम करते हैं) के माध्यम से दर्शाया गया है।

2.2 कारण अनुमान के लक्ष्य

यह शोध पत्र विभिन्न प्रकार के कारण प्रभावों की समीक्षा करता है:

• वैश्विक औसत उपचार प्रभाव (GATE): वह अंतर जो एक ऐसी स्थिति में होता है जहाँ सभी इकाइयाँ उपचारित होती हैं बनाम वह स्थिति जहाँ कोई भी उपचारित नहीं होती ($\tau(1, 0)$)।
• प्रत्यक्ष और अप्रत्यक्ष प्रभाव: कुल प्रभाव का विभाजन जो एक इकाई के अपने उपचार के प्रभाव (प्रत्यक्ष) और दूसरों के उपचार के प्रभाव (अप्रत्यक्ष/स्पिलओवर) के रूप में किया जाता है।
• एक्सपोज़र-आधारित प्रभाव: विशिष्ट एक्सपोज़र स्तरों (जैसे, उपचारित पड़ोसियों की संख्या) द्वारा परिभाषित प्रभाव।

2.3 पहचान (Identification)

कारण प्रभावों की पहचान अनुलग्नता (Ignorability - उपचार आवंटन संभावित परिणामों से स्वतंत्र है) या सशर्त अनुलग्नता (अवलोकित भ्रामक कारकों के दिए जाने पर स्वतंत्रता) पर निर्भर करती है।

• पूर्ण नियंत्रण वाले प्रयोगात्मक परिवेश में, यादृच्छिकरण (Randomization) पहचान सुनिश्चित करता है।
• अवलोकनीय परिवेश में, पहचान के लिए यह आवश्यक है कि उपचार आवंटन, अवलोकित सह-चरों (Covariates) और हस्तक्षेप ग्राफ के दिए जाने पर संभावित परिणामों से स्वतंत्र हो।

2.4 अनुमान रणनीतियाँ

यह शोध पत्र अनुमानकों (Estimators) को दो मुख्य वर्गों में वर्गीकृत करता है:

• डिज़ाइन-आधारित अनुमानक (Design-Based Estimators): ये परिणाम प्रक्रिया का मॉडल बनाए बिना यादृच्छिकरण तंत्र पर निर्भर करते हैं। प्रमुख उदाहरणों में होर्विट्ज़-थॉम्पसन और हाजेक (Hájek) अनुमानक शामिल हैं, जो प्रत्यक्ष प्रभावों या एक्सपोज़र मैपिंग पर आधारित प्रभावों का अनुमान लगाने के लिए 'इनवर्स प्रोपेंसिटी वेटिंग' का उपयोग करते हैं।
• मॉडल-आधारित अनुमानक (Model-Based Estimators): ये संभावित परिणामों के लिए एक पैरामीट्रिक या सेमी-पैरामीट्रिक मॉडल मानते हैं। उदाहरण के तौर पर डबली रोबस्ट (Doubly Robust) अनुमानक आते हैं, जो परिणाम मॉडलिंग के साथ प्रोपेंसिटी स्कोर मॉडलिंग को जोड़ते हैं ताकि यदि दोनों में से कोई भी मॉडल सही हो, तो निरंतरता (Consistency) प्राप्त की जा सके।

2.5 हस्तक्षेप का पता लगाना

लेखक हस्तक्षेप की उपस्थिति का पता लगाने के लिए सशर्त यादृच्छिक परीक्षणों (जैसे, एरोन [1]) की समीक्षा करते हैं। ये परीक्षण एक फोकल इकाइयों के उपसमुच्चय पर शर्त लगाते हैं ताकि एक स्पष्ट शून्य परिकल्पना (Sharp Null Hypothesis) बनाई जा सके। शोध पत्र नोट करता है कि जबकि ये परीक्षण स्पिलओवर (पड़ोस-आधारित हस्तक्षेप) का पता लगाने के लिए प्रभावी हैं, वे अक्सर संक्रमण (Contagion) का पता लगाने में विफल रहते हैं, क्योंकि संक्रमण उन 'पड़ोस एक्सपोज़र' मान्यताओं का उल्लंघन कर सकता है जो मानक परीक्षण सांख्यिकी का आधार हैं।

3. मुख्य परिणाम और निष्कर्ष

3.1 प्रभावों का अंतर्संबंध

रैखिक सशर्त प्रत्याशा मॉडल (विशेष रूप से गाऊसी मार्कोव रैंडम फील्ड्स) से प्राप्त क्लोज्ड-फॉर्म अभिव्यक्तियों के माध्यम से, लेखक प्रदर्शित करते हैं कि उपचार, स्पिलओवर और संक्रमण प्रभाव गहराई से आपस में जुड़े हुए हैं। सरल परिदृश्यों में भी, कुल कारण प्रभाव प्रत्यक्ष उपचार प्रभाव, स्पिलओवर गुणांक और संक्रमण गुणांक का एक जटिल फलन (Function) होता है। महत्वपूर्ण रूप से, संक्रमण कुल प्रभाव को बढ़ा या घटा सकता है लेकिन अध्ययन की गई स्थितियों के तहत इसके चिह्न (Sign) को उलट नहीं सकता है।

3.2 पड़ोस एक्सपोज़र मान्यताओं की सीमाएँ

शोध पत्र वर्तमान कार्यप्रणाली की एक महत्वपूर्ण सीमा को रेखांकित करता है: कई अनुमानक और परीक्षण पड़ोस एक्सपोज़र (परिणाम केवल एक इकाई के अपने उपचार और उसके पड़ोसियों के उपचार पर निर्भर करते हैं) को मानते हैं।

• संक्रमण उल्लंघन: संक्रमण गैर-पड़ोसियों के उपचार आवंटन को अप्रत्यक्ष रूप से परिणामों को प्रभावित करने की अनुमति देता है।
• सिमुलेशन साक्ष्य: सिमुलेशन दिखाते हैं कि जबकि मानक परीक्षण स्पिलओवर का सफलतापूर्वक पता लगाते हैं, वे शुद्ध संक्रमण द्वारा संचालित हस्तक्षेप का पता लगाने में विफल रहते हैं। ऐसा इसलिए है क्योंकि परीक्षण सांख्यिकी उन पड़ोस संरचनाओं पर निर्भर करती है जिन्हें संक्रमण दरकिनार कर देता है।

3.3 कारण निष्कर्षों का दायरा: निश्चित बनाम यादृच्छिक ग्राफ

शोध पत्र का एक बड़ा हिस्सा इस आधार पर विश्लेषण करता है कि हस्तक्षेप ग्राफ को निश्चित माना जाए या यादृच्छिक।

• निश्चित ग्राफ (Fixed Graphs): एक विशिष्ट हस्तक्षेप ग्राफ पर शर्त लगाने से निष्कर्षों का दायरा सीमित हो जाता है। यदि ग्राफ काफी भिन्न होता है (जैसे, "इन्फ्लुएंसर्स" या सुपरस्टार्स की उपस्थिति या अनुपस्थिति), तो एक ग्राफ से प्राप्त निष्कर्ष दूसरे पर लागू नहीं हो सकते।
• यादृच्छिक ग्राफ (Random Graphs): ग्राफ को यादृच्छिक मानने से ऐसे निष्कर्ष निकालने की अनुमति मिलती है जो विभिन्न नेटवर्क संरचनाओं (जैसे, विरल से सघन ग्राफ तक) में सामान्य (Generalize) हो सकते हैं, बशर्ते कि ग्राफ-जनरेटिंग प्रक्रिया को सही ढंग से निर्दिष्ट किया गया हो।
• परिवर्तनशीलता पर सिमुलेशन: "सुपरस्टार्स" (उच्च कनेक्टिविटी वाले नोड्स) वाले सिमुलेशन प्रदर्शित करते हैं कि हस्तक्षेप ग्राफों में उच्च परिवर्तनशीलता संभावित परिणामों के बहुविध वितरण (Multimodal Distributions) की ओर ले जाती है। सुपरस्टार्स के बिना ग्राफ पर शर्त लगाने से सुपरस्टार्स के साथ ग्राफ पर शर्त लगाने की तुलना में अलग औसत परिणाम प्राप्त होते हैं, जो यह दर्शाता है कि कारण निष्कर्ष नेटवर्क संरचना के प्रति अत्यधिक संवेदनशील हैं।

3.4 बाह्य वैधता (External Validity)

शोध पत्र बाह्य वैधता (सामान्यीकरण और परिवहन क्षमता) को एक प्रमुख खुले प्रश्न के रूप में पहचानता है। वर्तमान विधियाँ हस्तक्षेप की उपस्थिति में नमूने (Sample) से जनसंख्या तक निष्कर्षों को सामान्य बनाने में संघर्ष करती हैं, विशेष रूप से इसलिए क्योंकि नमूने वाली इकाइयों के परिणाम असूचीबद्ध (Unsampled) इकाइयों से प्रभावित हो सकते हैं (संक्रमण)।

4. महत्व और खुले प्रश्न

यह शोध पत्र हस्तक्षेप के तहत कारण अनुमान की अत्याधुनिक स्थिति की एक व्यापक समीक्षा के रूप में खुद को स्थापित करता है, जो सैद्धांतिक कारण अनुमान, नेटवर्क विज्ञान और सार्वजनिक स्वास्थ्य एवं अर्थशास्त्र जैसे व्यावहारिक क्षेत्रों के बीच के अंतर को पाटता है।

महत्व:

• यह स्पिलओवर और संक्रमण के बीच के अंतर को स्पष्ट करता है, यह दिखाते हुए कि मानक विधियाँ अक्सर दोनों को मिला देती हैं या संक्रमण को पहचानने में चूक जाती हैं।
• यह प्रदर्शित करता है कि निश्चित बनाम यादृच्छिक संभावित परिणामों और निश्चित बनाम यादृच्छिक हस्तक्षेप ग्राफों के बीच का चुनाव, कारण निष्कर्षों के दायरे और वैधता को मौलिक रूप रूप से बदल देता है।
• यह समझने के लिए एक कठोर ढांचा प्रदान करता है कि नेटवर्क संरचना (जैसे, डिग्री काउंट के अलावा सामुदायिक संरचना या "ब्रिज" नोड्स) कैसे एक भ्रामक कारक (Confounder) या प्रभाव संशोधक के रूप में कार्य करती है।

पहचाने गए खुले प्रश्न:

1. संक्रमण का पता लगाना: ऐसे परीक्षण विकसित करना जो संक्रमण से उत्पन्न हस्तक्षेप का पता लगाने के लिए पड़ोस एक्सपोज़र मान्यताओं पर निर्भर न हों।
2. नेटवर्क संरचना प्रभाव: यह समझना कि नेटवर्क के विशिष्ट उच्च-आयामी लक्षण (जैसे, सामुदायिक संरचना या "ब्रिज" नोड्स) कारण प्रभावों को कैसे प्रभावित करते हैं।
3. समय-सूचकांक डेटा (Time-Indexed Data): उन सेटिंग्स में कारण अनुमान का विस्तार करना जहाँ उपचार और परिणाम समय के साथ विकसित होते हैं।
4. स्थान- और समय-सूचकांक डेटा: स्थानिक हस्तक्षेप को संबोधित करना जहाँ संबंध दूरी द्वारा भारित (Weighted) होते हैं।
5. माध्य से परे (Beyond Means): औसत संभावित परिणामों के अनुमान से आगे बढ़कर यह समझना कि उपचार परिणामों के पूरे वितरण (विचरण, पूंछ, बहुविधता) को कैसे प्रभावित करते हैं, विशेष रूप से नेटवर्क परिवर्तनशीलता की उपस्थिति में।

लेखक निष्कर्ष निकालते हैं कि हालांकि हस्तक्षेप के तहत कारण प्रभावों की पहचान और अनुमान लगाने में महत्वपूर्ण प्रगति हुई है, लेकिन संक्रमण का पता लगाने, बदलते नेटवर्क संरचनाओं में परिणामों के सामान्यीकरण और अस्थायी एवं स्थानिक निर्भरताओं को संभालने के मामले में यह क्षेत्र अभी अपने प्रारंभिक चरण में है।