📊 statistics

Untangling Sample and Population Level Estimands in Bayesian Causal Inference

यह शोध पत्र सामान्य कार्यान्वयन त्रुटियों को रोकने के लिए बेयसियन अनुमान (Bayesian inference) में नमूना (sample) और जनसंख्या-स्तर (population-level) के कारण संबंधी अनुमानितों (causal estimands) के बीच महत्वपूर्ण अंतरों को स्पष्ट करता है, जो चार विस्तृत स्टैन (Stan) उदाहरणों के माध्यम से यह प्रदर्शित करता है कि पहचान (identification), मॉडलिंग और गणना (computation) में प्रथम-सिद्धांतों की सोच (first-principles thinking) और बेयस प्रमेय (Bayes' theorem) को सही ढंग से कैसे लागू किया जाए।

मूल लेखक: Arman Oganisian

प्रकाशित 2026-03-03

📖 8 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Arman Oganisian

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

यहाँ "Untangling Sample and Population Level Estimands in Bayesian Causal Inference" शोध पत्र का सरल भाषा और रचनात्मक उपमाओं (analogies) के साथ हिंदी अनुवाद दिया गया है।

मुख्य विचार: "कौन" मायने रखता है

कल्पना कीजिए कि आप एक डॉक्टर हैं जो यह पता लगाने की कोशिश कर रहे हैं कि क्या एक नई दवा काम करती है। आपके पास अपने क्लिनिक में मरीजों का एक समूह है (आपका Sample/नमूना)। आप दो चीजें जानना चाहते हैं:

विशिष्टता (The Specifics): "यह दवा अभी मेरे वेटिंग रूम में बैठे इन विशिष्ट 50 लोगों के लिए कैसे काम करती है?"
सामान्य नियम (The General Rule): "दुनिया के उन सभी लोगों के लिए यह दवा कैसे काम करती है जिन्हें यह स्थिति हो सकती है?"

यह शोध पत्र तर्क देता है कि कई शोधकर्ता अनजाने में इन दो सवालों को आपस में मिला देते हैं। वे सोचते हैं कि वे "सामान्य नियम" वाले सवाल का जवाब दे रहे हैं, लेकिन वास्तव में वे केवल "विशिष्टता" वाले सवाल का जवाब दे रहे होते हैं। इससे गलत निष्कर्ष और अत्यधिक आत्मविश्वास वाली भविष्यवाणियां होती हैं।

लेखक, अरमान ओगानिसियन (Arman Oganisian) कहते हैं: "अनुमान लगाना बंद करें। इस बारे में सटीक रहें कि आप किसके बारे में बात कर रहे हैं।"

मूल भ्रम: "लुप्त पहेली का टुकड़ा" (The Missing Puzzle Piece)

यह समझने के लिए कि यह कठिन क्यों है, एक पहेली (puzzle) की कल्पना करें।

तथ्यात्मक टुकड़ा (The Factual Piece): आप देखते हैं कि एक मरीज के साथ क्या हुआ जिसने दवा ली। (हमारे पास यह टुकड़ा है)।
प्रतितथ्यात्मक टुकड़ा (The Counterfactual Piece): आप यह नहीं देख पाते कि उसी व्यक्ति के साथ क्या होता यदि उसने चीनी की गोली (sugar pill) ली होती। (यह टुकड़ा गायब है)।

इस गायब टुकड़े को सांख्यिकी (statistics) में हम Counterfactual कहते हैं।

Sample-Level Inference ( "कमरे में कौन है" वाला दृष्टिकोण): आप अपने पास मौजूद विशिष्ट लोगों के लिए औसत प्रभाव जानना चाहते हैं। ऐसा करने के लिए, आपको अपने कमरे में मौजूद हर एक व्यक्ति के लिए गायब पहेली के टुकड़े का अनुमान (impute) लगाना होगा। आपको कल्पना करनी होगी, "यदि व्यक्ति A ने गोली ली, तो वह ठीक हो गया। लेकिन क्या होता यदि उसने चीनी की गोली ली होती? क्या वह बेहतर होता? या बदतर?"
- जाल (The Trap): इस अनुमान को लगाने के लिए, आपको यह मानना होगा कि "दवा वाली दुनिया" और "चीनी की गोली वाली दुनिया" आपस में कैसे जुड़ी हुई हैं। शोध पत्र इसे "Cross-World Assumption" कहता है। यह ऐसा है जैसे यह मान लेना कि यदि आप एक ब्रह्मांड में चट्टान से कूदे, तो आप समानांतर ब्रह्मांड में एक विशिष्ट स्थान पर उतरेंगे। इसे साबित करना असंभव है, लेकिन गणित करने के लिए आपको इसे मानना ही पड़ता है।
Population-Level Inference ( "सामान्य नियम" वाला दृष्टिकोण): आप पूरी दुनिया के लिए औसत प्रभाव जानना चाहते हैं। आपको व्यक्ति A के विशिष्ट गायब टुकड़े की परवाह नहीं है। आपको केवल पूरी आबादी के लिए पहेली के टुकड़ों का औसत आकार (average shape) चाहिए।
- लाभ: आपको हर व्यक्ति के लिए गायब टुकड़े का अनुमान लगाने की आवश्यकता नहीं है। आपको बस आबादी के सामान्य नियमों को समझने की आवश्यकता है। आप "Cross-World" संबंध को अनदेखा कर सकते हैं क्योंकि आप उसे औसत (average) निकाल रहे हैं।

चार मुख्य गलतियाँ जो लोग करते हैं

शोध पत्र चार तरीके बताता है जिनसे लोग उलझ जाते हैं:

1. "एक ही आकार सबके लिए" वाली गलती (Interpretation)

उपमा: कल्पना कीजिए कि आपने एक कक्षा के 10 विशिष्ट छात्रों की लंबाई मापी।
- Sample Effect: "इन 10 बच्चों की औसत लंबाई 5'4" है।"
- Population Effect: "शहर के सभी बच्चों की औसत लंबाई 5'2" है।"
त्रुटि: यदि आप अपने 10 बच्चों का औसत निकालते हैं लेकिन दावा करते हैं कि यह पूरे शहर का प्रतिनिधित्व करता है, तो आप गलत हो सकते हैं। शोध पत्र दिखाता है कि उन 10 बच्चों और पूरे शहर के लिए "अनिश्चितता" (आप कितना गलत हो सकते हैं) पूरी तरह से अलग है। शहर का अनुमान अधिक धुंधला (fuzzy) होता है क्योंकि शहर बड़ा और विविध है।

2. "जादुई धारणा" वाली गलती (Cross-World Modeling)

उपमा: यह अनुमान लगाने के लिए कि व्यक्ति A ने चीनी की गोली ली होती तो क्या करता, आपको उनके "दवा वाले स्वरूप" और "चीनी की गोली वाले स्वरूप" के बीच एक जादु적인 कड़ी माननी पड़ती है।
त्रुटि: "विशिष्टता" (Sample) के लिए, आपको इस जादुई धारणा की आवश्यकता होती है। "सामान्य नियम" (Population) के लिए, आपको आमतौर पर इसकी आवश्यकता नहीं होती। कई शोधकर्ता "सामान्य नियम" की गणना करने की कोशिश करते हैं, लेकिन अनजाने में उस "जादुई धारणा" का उपयोग करते हैं जो "विशिष्टता" के लिए बनी थी। यह उनके परिणामों को वास्तव में जितने हैं, उससे कहीं अधिक निश्चित दिखाता है।

3. "अंध बिंदु" वाली गलती (Uncertainty)

उपमा: यदि आप एक व्यक्ति के लिए गायब पहेली के टुकड़े का अनुमान लगाते हैं, तो आप बहुत अनिश्चित होते हैं। यदि आप दस लाख लोगों के लिए औसत का अनुमान लगाते हैं, तो त्रुटियां एक-दूसरे को काट देती हैं, और आप अधिक निश्चित होते हैं।
त्रुटि: यदि आप "विशिष्टता" (जो बहुत अनिश्चित है) को "सामान्य नियम" (जो अधिक निश्चित होना चाहिए) के रूप में मानते हैं, तो आप गलत निष्कर्ष निकालेंगे। आपका "Confidence Interval" (आपका सुरक्षा जाल) बहुत संकीरा होगा, और आप सोच सकते हैं कि आप जितना जानते हैं उससे कहीं अधिक आप जानते हैं।

4. "शॉर्टकट" वाली गलती (Computation)

उपमा: कल्पना कीजिए कि आप एक गोदाम में सभी सेबों का औसत वजन जानना चाहते हैं।
- सही तरीका (Population): आप कुछ नमूने लेते हैं, गोदाम का एक मॉडल बनाते हैं, और उस मॉडल के आधार पर नए काल्पनिक सेबों के औसत वजन का अनुकरण (simulate) करते हैं।
- गलत तरीका (Sample/Shortcut): आप बस अपने पास मौजूद 50 सेबों को लेते हैं, उनका वजन करते हैं, और कहते हैं, "यह पूरे गोदाम के लिए औसत है।"
त्रुटि: शोध पत्र एक लोकप्रिय पद्धति (Bayesian G-Formula) की आलोचना करता है जहाँ शोधकर्ता अपने विशिष्ट नमूने को लेते हैं, उन्हीं लोगों के लिए नए परिणामों का अनुकरण करते हैं, और इसे "जनसंख्या औसत" (Population Average) कहते हैं। यह नहीं है। यह केवल उन विशिष्ट लोगों का वर्णन करने का एक शानदार तरीका है जो आपके पास पहले से ही हैं।

"Stan" कोड और "ब्लैक बॉक्स"

लेखक यह दिखाने के लिए कि गणित को सही ढंग से कैसे किया जाए, Stan नामक एक कंप्यूटर प्रोग्राम का उपयोग करते हैं।

पुराना तरीका: शोधकर्ता कोड के अंत में गायब पहेली के टुकड़ों (counterfactuals) को एक "ब्लैक बॉक्स" में डाल देते थे, यह मानकर कि वे केवल औसत निकालने के लिए संख्याएँ हैं।
नया तरीका: लेखक कहते हैं, "यदि आप विशिष्ट लोगों के बारे में जानना चाहते हैं, तो आपको कोड की शुरुआत में ही उन गायब टुकड़ों को अज्ञात चर (unknown variables) के रूप में घोषित करना होगा। यदि आप जनसंख्या के बारे में जानना चाहते हैं, तो आपको उन्हें गणितीय रूप से हटाना (integrate them out) होगा और केवल जनसंख्या के नियमों पर ध्यान केंद्रित करना होगा।"

सफलता का "नुस्खा" (Recipe)

शोध पत्र किसी भी ऐसे व्यक्ति के लिए एक सरल नुस्खा प्रदान करता है जो इस प्रकार का शोध कर रहा है:

"कौन?" पूछें: कोड की एक भी लाइन लिखने से पहले, पूछें: "क्या मैं इन विशिष्ट लोगों के बारे में सीखना चाहता हूँ या उन सभी के बारे में जो उनकी तरह हैं?"
सामग्री की जाँच करें:
- यदि यह विशिष्ट लोग हैं: आपको हर किसी के लिए गायब टुकड़ों का मॉडल बनाना होगा। "Cross-World" धारणाएं बनाने के लिए तैयार रहें (और स्वीकार करें कि वे धारणाएं हैं)।
- यदि यह सब लोग हैं: आपको व्यक्तियों के लिए गायब टुकड़ों का अनुमान लगाने की आवश्यकता नहीं है। आपको बस जनसंख्या के वितरण (distribution) का मॉडल बनाना है।
गणित का पालन करें: शॉर्टकट न लें। यदि आप जनसंख्या का औसत चाहते हैं, तो केवल अपने पास मौजूद विशिष्ट लोगों का औसत न निकालें। अपने मॉडल के आधार पर नए लोगों का अनुकरण (simulate) करें।

सारांश

इस शोध पत्र को एक जटिल मशीन पर लगे "चेतावनी लेबल" के रूप में समझें। यह कहता है: "उन विशिष्ट पुर्जों को न समझें जिन्हें आप पकड़े हुए हैं और उस पूरी मशीन को जिससे वे आए हैं।"

यदि आप जानना चाहते हैं कि एक मशीन सभी के लिए कैसे काम करती है, तो केवल उस एक मशीन के साथ छेड़छाड़ न करें जो आपके हाथ में है। उस कारखाने का एक मॉडल बनाएं जिसने उसे बनाया है। यदि आप उन्हें मिला देते हैं, तो आपकी मशीन शायद आपके लिए काम करे, लेकिन यह बाकी सभी के लिए फट जाएगी।

यहाँ अरमान ओगानिसियन के शोध पत्र "Untangling Sample and Population Level Estimands in Bayesian Causal Inference" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या का विवरण (Problem Statement)

यह शोध पत्र बेयसियन कॉज़ल इन्फरेंस (Bayesian causal inference) में एक महत्वपूर्ण और अक्सर अनदेखी की जाने वाली त्रुटि के स्रोत को संबोधित करता है: सैंपल-लेवल एस्टिमेंड्स (जैसे, Individual Treatment Effect [ITE], Sample Average Treatment Effect [SATE]) और पॉपुलेशन-लेवल एस्टिमेंड्स (जैसे, Conditional Average Treatment Effect [CATE], Population Average Treatment Effect [PATE]) का मिश्रण।

हालाँकि ये अवधारणाएँ समान प्रतीत होती हैं, लेकिन वे मौलिक रूप से भिन्न हैं:

अनुमान का लक्ष्य (Target of Inference): सैंपल-लेवल एस्टिमेंड्स देखे गए विशिष्ट इकाइयों ( $D_O$ ) पर ध्यान केंद्रित करते हैं, जबकि पॉपुलेशन-लेवल एस्टिमेंड्स उस सुपर-पॉपुलेशन वितरण (super-population distribution) पर औसत प्रभाव को लक्षित करते हैं जिससे नमूना लिया गया है।
पहचान संबंधी धारणाएँ (Identification Assumptions): सैंपल-लेवल इन्फरेंस के लिए अक्सर क्रॉस-वर्ल्ड धारणाओं (एक ही इकाई के लिए संभावित परिणामों $Y(1)$ और $Y(0)$ के बीच निर्भरता के बारे में धारणाएँ, जिन्हें संयुक्त रूप से कभी नहीं देखा जाता) की आवश्यकता होती है। पॉपुलेशन-लेवल इन्फरेंस के लिए इन धारणाओं की आवश्यकता नहीं होती है यदि काउंटरफैक्चुअल्स (counterfactuals) को इंटीग्रेट आउट (integrate out) कर दिया जाए।
कंप्यूटेशनल कार्यान्वयन (Computational Implementation): त्रुटियाँ तब उत्पन्न होती हैं जब शोधकर्ता एक एस्टिमेंड (जैसे, SATE) के लिए इरादे वाले पोस्टीरियर ड्रॉ (posterior draws) का उपयोग दूसरे (जैसे, PATE) के बारे में निष्कर्ष निकालने के लिए करते हैं, या जब वे कोवेरिएट वितरण (covariate distribution) में अनिश्चितता को सही ढंग से प्रसारित करने में विफल रहते हैं (जैसे, Mixed Average Treatment Effect [MATE] को PATE समझने की गलती करना)।

2. कार्यप्रणाली और ढांचा (Methodology and Framework)

लेखक रुबिन कॉज़ल मॉडल (RCM) का बेयसियन ढांचे के भीतर उपयोग करते हैं। मुख्य कार्यप्रणाली देखे गए डेटा $D_O$ के सापेक्ष सभी अज्ञातों (पैरामीटर्स $\omega$ और लुप्त काउंटरफैक्चुअल्स $Y^M$ ) के संयुक्त पोस्टीरियर वितरण (joint posterior distribution) के कठोर व्युत्पन्न (derivation) में शामिल है।

मुख्य सैद्धांतिक घटक:

संयुक्त पोस्टीरियर (Joint Posterior): $f(Y^M, \omega | D_O) \propto f(D_C; \omega)f(\omega)$ , जहाँ $D_C$ पूर्ण डेटा (देखा गया + काउंटरफैक्चुअल्स) है।
मार्गीनीकरण तर्क (Marginalization Logic):
- सैंपल-लेवल (ITE/SATE): इसके लिए काउंटरफैक्चुअल्स के मार्जिनल पोस्टीरियर $f(Y^M | D_O)$ की आवश्यकता होती है। इसके लिए संयुक्त वितरण से लुप्त काउंटरफैक्चुअल्स को इम्प्यूट (impute) करना आवश्यक है, जो गैर-पहचान योग्य क्रॉस-वर्ल्ड डिपेंडेंस पैरामीटर (जैसे, सहसंबंध $\rho$ ) पर निर्भर करता है।
- पॉपुलेशन-लेवल (CATE/PATE): इसके लिए स्ट्रक्चरल पैरामीटर्स के मार्जिनल पोस्टीरियर $f(\omega | D_O)$ की आवश्यकता होती है। यहाँ लुप्त काउंटरफैक्चुअल्स को इंटीग्रेट आउट कर दिया जाता है। PATE के लिए, यह कोवेरिएट वितरण $f(L)$ पर CATE को और अधिक इंटीग्रेट करने की मांग करता है।
क्रॉस-वर्ल्ड धारणाएँ (Cross-World Assumptions): पेपर इस बात पर प्रकाश डालता है कि सैंपल-लेवल इन्फरेंस के लिए आमतौर पर $Y(1)$ और $Y(0)$ के बीच एक विशिष्ट निर्भरता संरचना (जैसे, $\rho$ ) को मानने की आवश्यकता होती है। पॉपुलेशन-लेवल एस्टिमेंड्स जैसे PATE को इस निर्भरता को निर्दिष्ट करने की आवश्यकता नहीं होती है, यदि लक्ष्य केवल मार्जिनल मीन (marginal mean) है, बशर्ते कि मार्जिनल्स के लिए मॉडल सही हो।

कंप्यूटेशनल दृष्टिकोण:

Stan कार्यान्वयन: पेपर सही कार्यान्वयन प्रदर्शित करने के लिए विस्तृत Stan कोड उदाहरण प्रदान करता है।
बेयसियन बूटस्ट्रैप (Bayesian Bootstrap - BB): कोवेरिएट वितरण $f(L)$ के बारे में मजबूत पैरामेट्रिक धारणाओं से बचने के लिए, लेखक बेयसियन बूटस्ट्रैप की वकालत करते हैं। यह कोवेरिएट वितरण की अनिश्चितता को प्रसारित करता है, जो एम्पीरिकल वितरण (जो भार को $1/n$ पर स्थिर करता है) के विपरीत है और "MATE" के जाल से बचाता है।
मोंटे कार्लो इंटीग्रेशन (Monte Carlo Integration): जटिल पॉपुलेशन-लेवल एस्टिमेंड्स (जैसे, संयुक्त परिणामों की संभावना) के लिए, पेपर संयुक्त संभावित परिणाम वितरण पर इंटीग्रल को अनुमानित करने के लिए मोंटे कार्लो सिमुलेशन का उपयोग करना प्रदर्शित करता है, जो साधारण पोस्टीरियर इम्प्यूटेशन से अलग है।

3. मुख्य योगदान (Key Contributions)

पेपर के चार प्राथमिक योगदान हैं:

वैचारिक स्पष्टीकरण (Conceptual Clarification): यह सैंपल और पॉपुलेशन एस्टिमेंड्स के बीच गणितीय और वैचारिक अंतर को स्पष्ट रूप से रेखांकित करता है, इस बात पर जोर देता है कि वे अलग-अलग अज्ञातों (काउंटरफैक्चुअल्स बनाम पैरामीटर्स) के फलन (functionals) हैं।
सामान्य त्रुटियों की पहचान (Identification of Common Errors):
- MATE बनाम PATE भ्रम: पेपर PATE का अनुमान लगाने के लिए एम्पीरिकल वितरण (स्थिर भार) का उपयोग करने की आलोचना करता है। यह दिखाता है कि यह Mixed Average Treatment Effect (MATE) देता है, जो कोवेरिएट वितरण की परिवर्तनशीलता को अनदेखा करके अनिश्चितता को कम करके आंकता है।
- क्रॉस-वर्ल्ड भ्रम: यह दर्शाता है कि ITE के पोस्टीरियर ड्रॉ को CATE के ड्रॉ के रूप में मानना गलत अनिश्चितता मात्रा निर्धारण (uncertainty quantification) की ओर ले जाता है (ITE अनिश्चितता आमतौर पर बहुत अधिक होती है)।
- Keil et al. (2018) की आलोचना: लेखक Keil et al. द्वारा "बेयसियन G-फॉर्मूला" कार्यान्वयन की विस्तृत आलोचना करते हैं, यह तर्क देते हुए कि उनकी कंप्यूटेशनल प्रक्रिया वास्तव में एक परिमित-नमूना मात्रा (SATE-जैसा) को लक्षित करती है जैसा कि उन्होंने दावा किया था, न कि वास्तविक पॉपुलेशन-लेवल PATE को, और कोवेरिएट वितरण की अनिश्चितता को संभालने में विफल रहती है।
नॉनपैरामेट्रिक्स के साथ लचीला मॉडलिंग (Flexible Modeling with Nonparametrics): पेपर इन अवधारणाओं को बेयसियन नॉनपैरामेट्रिक (BNP) मॉडल्स, विशेष रूप से ट्रंकेटेड डिरिचलेट प्रोसेस मिश्रण (DPM) तक विस्तारित करता है। यह दिखाता है कि कैसे DPM से CATE और PATE को सही ढंग से निकाला जा सकता है, यह उजागर करते हुए कि जबकि CATE को सीधे मिश्रण भार (mixture weights) से प्राप्त किया जा सकता है, PATE के लिए मिश्रण कोवेरिएट वितरण पर एक अतिरिक्त मोंटे कार्लो इंटीग्रेशन चरण की आवश्यकता होती है।
मल्टी-ट्रीटमेंट और टाइम-वेरिंग परिदृश्य (Handling Multi-Treatment and Time-Varying Scenarios): पेपर यह स्पष्ट करता है कि जैसे-जैसे उपचारों की संख्या ( $K$ ) बढ़ती है, गैर-पहचान योग्य क्रॉस-वर्ल्ड पैरामीटर्स की संख्या बहुपद रूप से ( $K(K-1)/2$ ) बढ़ती है। यह सैंपल-लेवल इन्फरेंस को कठिन बना देता है, जबकि पॉपुलेशन-लेवल इन्फरेंस व्यवहार्य बना रहता है।

4. परिणाम और दृष्टांत उदाहरण (Results and Illustrative Examples)

पेपर इन बिंदुओं को प्रदर्शित करने के लिए चार विस्तृत उदाहरणों (Stan में कार्यान्वित) का उपयोग करता है:

उदाहरण 1 (सरल पैरामेट्रिक): SATE और PATE की तुलना करने वाला एक द्विसंवेदी सामान्य (bivariate normal) मॉडल।
- परिणाम: SATE और PATE के पोस्टीरियर माध्य समान हैं, लेकिन PATE के लिए पोस्टीरियर अनिश्चितता (विचरण) काफी अधिक है क्योंकि इसमें कोवेरिएट वितरण से अनिश्चितता भी शामिल है। PATE अनुमान के लिए SATE ड्रॉ का उपयोग करने से अत्यधिक संकीर्ण विश्वसनीय अंतराल (credible intervals) प्राप्त होते हैं।
उदाहरण 2 (लचीले कोवेरिएट मॉडल): "सटीक" PATE (पैरामेट्रिक), बेयसियन बूटस्ट्रैप PATE, और MATE (एम्पीरिकल वितरण) की तुलना।
- परिणाम: MATE (स्थिर एम्पीरिकल भार का उपयोग करके) का केंद्र वास्तविक PATE के समान है, लेकिन यह अनिश्चितता को गंभीर रूप से कम करके आंकता है। बेयसियन बूटस्ट्रैप कोवेरिएट वितरण की अनिश्चितता को सही ढंग से प्रसारित करता है।
उदाहरण 3 (लचीला BNP और क्रॉस-वर्ल्ड): CATE बनाम ITE का अनुमान लगाने के लिए ट्रंकेटेड DPM का उपयोग करना।
- परिणाम: यह प्रदर्शित करता है कि लचीले मॉडलों के साथ भी, आपको ITE के ड्रॉ (जिनके लिए $Y^M$ को इम्प्यूट करने की आवश्यकता होती है) को CATE के ड्रॉ (जो पैरामीटर माध्य पर निर्भर करते हैं) के साथ भ्रमित नहीं करना चाहिए।
उदाहरण 4 (क्रॉस-वर्ल्ड की आवश्यकता वाले पॉपुलेशन एस्टिमेंड्स): संयुक्त विफलता की संभावना $P(Y(1)>\tau, Y(0)>\tau)$ $P (Y (1) > τ, Y (0) > τ)$ का अनुमान लगाना।
- परिणाम: यह दिखाता है कि कुछ पॉपुलेशन-लेवल एस्टिमेंड्स को वास्तव में क्रॉस-वर्ल्ड धारणाओं की आवश्यकता होती है। सही दृष्टिकोण पैरामीटर्स के संयुक्त वितरण पर मोंटे कार्लो इंटीग्रेशन का उपयोग करना है, न कि केवल देखे गए इकाइयों का इम्प्यूटेशन।
उदाहरण 5 (मल्टी-ट्रीटमेंट): $K > 2$ $K > 2$ उपचारों तक विस्तार।
- परिणाम: गैर-पहचान योग्य सहसंबंध मापदंडों के विस्फोट के कारण सैंपल-लेवल इन्फरेंस की जटिलता को उजागर करता है, जो जटिल सेटिंग्स में पॉपुलेशन-लेवल एस्टिमेंड्स की प्राथमिकता को पुख्ता करता है।

5. महत्व और निष्कर्ष (Significance and Conclusion)

यह पेपर Ding & Li (2018) और Li et al. (2023) के पिछले कार्यों के एक तकनीकी अनुवर्ती (sequel) के रूप में कार्य करता है, जो वैचारिक ओवरव्यू से कार्यान्वयन-स्तर की कठोरता की ओर बढ़ता है।

व्यावहारिक प्रभाव: यह शोधकर्ताओं को बेयसियन कॉज़ल इन्फरेंस में सामान्य कार्यान्वयन त्रुटियों से बचने के लिए एक चेकलिस्ट प्रदान करता है, विशेष रूप से एस्टिमेंड के चयन और अनिश्चितता के प्रसार के संबंध में।
पद्धतिगत मार्गदर्शन: यह "प्रथम-सिद्धांतों की सोच" (first-principles thinking) की वकालत करता है:
1. मूल एस्टिमेंड को परिभाषित करें (सैंपल बनाम पॉपुलेशन)।
2. पहचानें कि यह किन अज्ञातों पर निर्भर करता है।
3. आवश्यक विशिष्ट मार्जिनल पोस्टीरियर को व्युत्पन्न करें।
4. बेयस प्रमेय के अनुसार सख्ती से कार्यान्वयन करें, यह सुनिश्चित करते हुए कि क्रॉस-वर्ल्ड धारणाएं स्पष्ट हों और केवल तभी बनाई जाएं जब आवश्यक हो।
सिफारिश: लेखक निष्कर्ष निकालते हैं कि हालांकि सैंपल-लेवल इन्फरेंस कभी-कभी आवश्यक होता है (जैसे, एक एकल शहर जैसे विशिष्ट परिमित जनसंख्या के लिए), सामान्यीकरण के लिए पॉपुलेशन-लेवल इन्फरेंस आमतौर पर बेहतर होता है। हालाँकि, यदि पॉपुलेशन-लेवल इन्फरेंस चुना जाता है, तो शोधकर्ताओं को उन विधियों (जैसे, बेयसियन बूटस्ट्रैप) का उपयोग करना चाहिए जो कोवेरिएट वितरण की अनिश्चितता को ठीक से संभालते हैं और SATE/MATE को PATE समझने की गलती से बचते हैं।

संक्षेप में, पेपर का तर्क है कि सही कार्यान्वयन केवल मॉडल के लचीलेपन के बारे में नहीं है, बल्कि इस बारे में है कि संयुक्त पोस्टीरियर वितरण का कौन सा मार्जिनल वैज्ञानिक प्रश्न के अनुरूप है। ऐसा करने में विफलता से अमान्य निष्कर्ष निकलते हैं, भले ही परिष्कृत बेयसियन मॉडल का उपयोग किया गया हो।