🤖 machine learning

On the Granularity of Causal Effect Identifiability

यह शोध पत्र स्टेट-आधारित (state-based) कारण प्रभाव पहचान क्षमता (causal effect identifiability) को प्रस्तुत और विश्लेषित करता है, और यह प्रदर्शित करता है कि संदर्भ-विशिष्ट स्वतंत्रता (context-specific independencies) और स्टेट बाधाओं (state constraints) जैसे अतिरिक्त ज्ञान का लाभ उठाकर इसे तब भी प्राप्त किया जा सकता है जब पारंपरिक वेरिएबल-आधारित पहचान क्षमता विफल हो जाती है।

मूल लेखक: Yizuo Chen, Adnan Darwiche

प्रकाशित 2026-07-24

📖 8 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Yizuo Chen, Adnan Darwiche

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

जासूसी की दुविधा: क्यों "कभी-कभी" "हमेशा" से अधिक महत्वपूर्ण है

कल्पना कीजिए कि आप एक जासूस हैं जो शहर के नक्शे और लोगों के देखे जाने के लॉगबुक (पंजीका) का उपयोग करके एक रहस्य को सुलझाने की कोशिश कर रहे हैं। आप जानना चाहते हैं: "यदि मैं किसी संदिग्ध को एक विशिष्ट मार्ग लेने के लिए मजबूर करता हूँ, तो वह कहाँ पहुँचेगा?" विज्ञान की दुनिया में, इसे कारण अनुमान (causal inference) कहा जाता है। यह यह पता लगाने की कला है कि क्या चीज़ क्या कारण बनती है, न कि केवल यह देखना कि दो चीजें एक साथ घटित होती हैं। आमतौर पर, जासूस (या वैज्ञानिक) एक नक्शे पर भरोसा करते हैं जिसे कॉज़ल ग्राफ (causal graph) कहा जाता है, जो दिखाता है कि विभिन्न चर (variables)—जैसे कि "धूम्रपान," "फेफड़ों का स्वास्थ्य," या "दवा की खुराक"—कैसे जुड़े हुए हैं। वे अवलोकनात्मक डेटा (observational data) को भी देखते हैं, जो केवल बिना किसी हस्तक्षेप के स्वाभाविक रूप से जो हुआ उसका एक रिकॉर्ड है।

बड़ी चुनौती यह है कि कभी-कभी, नक्शा और लॉगबुक एक निश्चित उत्तर देने के लिए पर्याप्त नहीं होते हैं। हो सकता है कि कुछ छिपे हुए कारक (जैसे कि एक गुप्त आनुवंशिक गुण) हों जो नक्शे में नहीं दिखाए गए हैं, जिससे यह जानना असंभव हो जाता है कि दवा ने वास्तव में ठीक होने का कारण बनाया या मरीज केवल भाग्यशाली था। दशकों से, वैज्ञानिकों के पास यह तय करने के नियम रहे हैं कि क्या कारण-और-प्रभाव का प्रश्न "हल करने योग्य" (identifiable) है या "हल करने में अक्षम"। ये नियम आमतौर पर एक बहुत ही व्यापक प्रश्न पूछते हैं: "क्या हम किसी भी रोगी पर, किसी भी स्थिति में, इस दवा के प्रभाव को समझ सकते हैं?" यदि एक भी पेचीदा परिदृश्य के लिए उत्तर "नहीं" है, तो पूरे दवा के प्रभाव को एक रहस्य माना जाता था। लेकिन क्या होगा अगर हमें हर मरीज के बारे में जानने की आवश्यकता नहीं है? क्या होगा यदि हम केवल उन विशिष्ट मरीजों की परवाह करते हैं जो पहले से ही दवा ले रहे हैं और जानना चाहते हैं कि क्या वे ठीक हो जाएंगे? यह शोध पत्र पूछता है कि क्या विशिष्ट विवरणों पर ध्यान केंद्रित करने से एक अनसुलझे रहस्य को सुलभ बनाया जा सकता है।

सूक्ष्मता की ओर: "सभी मरीजों" से "इस मरीज" तक

यह शोध पत्र, जिसका शीर्षक "On the Granularity of Causal Effect Identifiability" है, यह सुझाव देता है कि प्रश्न पूछने का पुराना तरीका बहुत व्यापक हो सकता है। लेखक, यूसीएलए (UCLA) के यिजुओ चेन और अदनान दरविचे का तर्क है कि हमें यह पूछना बंद कर देना चाहिए कि, "क्या यह उपचार सभी के लिए काम करता है?" और यह पूछना शुरू करना चाहिए कि, "क्या यह उपचार इस विशिष्ट प्रकार के व्यक्ति के लिए काम करता है?" वे इस बदलाव को वेरिएबल-आधारित (variable-based) पहचान योग्यता (बड़ी तस्वीर) से स्टेट-आधारित (state-based) पहचान योग्यता (बारीक विवरण) की ओर बढ़ना कहते हैं।

इसे मौसम के पूर्वानुमान की तरह समझें। पुराना तरीका पूछता है: "क्या कल बारिश होगी?" यदि मौसम का मॉडल हर संभावित परिदृश्य के लिए बारिश की भविष्यवाणी करने के लिए बहुत जटिल है, तो उत्तर होगा: "हमें नहीं पता।" लेकिन नया तरीका पूछता है: "क्या बारिश होगी यदि तापमान 50 डिग्री से नीचे गिर जाता है?" भले ही मॉडल सभी तापमानों के लिए बारिश की भविष्यवाणी न कर सके, लेकिन वह उस एक विशिष्ट ठंडी लहर के लिए इसे पूरी तरह से सटीक रूप से बता सकता है। यह पत्र दिखाता है कि विशिष्ट "अवस्थाओं" (जैसे कि एक विशिष्ट तापमान या एक विशिष्ट मरीज की स्थिति) पर ध्यान केंद्रित करके, हम अक्सर उन उत्तरों को पा सकते हैं जो पहले छिपे हुए थे।

गुप्त सुराग: संदर्भ-विशिष्ट स्वतंत्रता (Context-Specific Independence)

वह जादुई तत्व जो इस सूक्ष्मता को संभव बनाता है, उसे संदर्भ-विशिष्ट स्वतंत्रता (Context-Specific Independence - CSI) कहा जाता है। सरल शब्दों में, CSI एक नियम है जो कहता है, "इस विशिष्ट स्थिति में, दो चीजें एक-दूसरे को प्रभावित करना बंद कर देती हैं।"

एक लाइट स्विच की कल्पना करें। आमतौर पर, प्रकाश दो चीजों पर निर्भर करता है: बिजली चालू है या नहीं और क्या कोई स्विच दबा रहा है। लेकिन यदि बिजली चली जाती है (जो कि "संदर्भ" है), तो प्रकाश स्विच की परवाह करना छोड़ देता है। स्विच को ऊपर या नीचे किया जा सकता है, लेकिन रोशनी बंद ही रहेगी। यह एक CSI है: बिजली जाने पर, प्रकाश स्विच से स्वतंत्र है।

यह शोध पत्र प्रदर्शित करता है कि यदि हम इन विशेष "संदर्भ नियमों" को जानते हैं, तो हम उन रहस्यों को हल कर सकते हैं जो पहले असंभव लगते थे। हालाँकि, इसमें एक पेंच है। पुराने "वेरिएबल-आधारित" नियम पूरी तस्वीर को देखेंगे और कहेंगे, "हम इसे हल नहीं कर सकते क्योंकि कभी-कभी स्विच मायने रखता है और कभी-कभी नहीं।" नया "स्टेट-आधारित" दृष्टिकोण कहता है, "रुको, यदि हम केवल उन समयों को देखते हैं जब बिजली कटी हुई है, तो स्विच अब मायने नहीं रखता, इसलिए हम इसे हल कर सकते हैं!"

लेखक सिद्ध करते हैं कि यह अंतर वास्तविक और महत्वपूर्ण है। वे दिखाते हैं कि एक कारण-प्रभाव पूरे चर को देखते समय अनिश्चित (unidentifiable) हो सकता है, लेकिन एक विशिष्ट अवस्था को देखते समय निश्चित (identifiable) हो सकता है, बशर्ते हमारे पास ये अतिरिक्त संदर्भ संकेत हों। इन संकेतों के बिना, दोनों दृष्टिकोण वास्तव में एक ही हैं, और सूक्ष्मता से देखना मदद नहीं करता। लेकिन इन संकेतों के साथ, "बारीक-दानेदार" दृश्य नए द्वार खोल देता है।

"स्टेट कंस्ट्रेंट्स" की शक्ति

यह शोध पत्र एक अन्य प्रकार के सुराग की भी खोज करता है: स्टेट कंस्ट्रेंट्स (state constraints)। यह केवल यह जानना है कि एक चर केवल कुछ ही अवस्थाओं में हो सकता है। उदाहरण के लिए, यह जानना कि एक "मौसम" चर केवल "बारिश" या "बर्फबारी" हो सकता है, लेकिन कभी भी "धूप" नहीं हो सकता।

लेखकों ने पाया कि चर की अवस्थाओं की सीमाओं को जानना अपने आप में बहुत अधिक मदद नहीं करता है। यह वैसा ही है जैसे यह जानना कि एक पासा केवल 1 से 6 तक की संख्या वाला है; इससे आपको पासे के आने की भविष्यवाणी करने में मदद नहीं मिलती। लेकिन, जब आप इस ज्ञान को उन CSI संकेतों (संदर्भ नियमों) के साथ जोड़ते हैं, तो यह एक महाशक्ति बन जाता है। यह एक ऐसे मानचित्र की तरह है जो कहता है "जब बिजली कटी हो तो स्विच मायने नहीं रखता" और यह भी जानता है कि "बिजली केवल चालू या बंद ही हो सकती है।" साथ मिलकर, ये बाधाएं एक पहले से अनसुलझे पहेली को हल करने योग्य बना सकती हैं।

नया जासूसी टूलकिट

इन विचारों को सिद्ध करने के लिए, लेखकों ने केवल चर्चा नहीं की; उन्होंने उन्हें टेस्ट करने के लिए नए एल्गोरिदम (कंप्यूटर प्रोग्राम) बनाए। उन्होंने ID-CSI नामक एक विधि और इसका एक विस्तारित संस्करण ID-CSI-STATE बनाया। ये उपकरण एक सुपर-डिटेक्टिव की तरह कार्य करते हैं जो:

एक विशिष्ट स्थिति (एक विशिष्ट "स्टेट") को देख सकता है।
संदर्भ संकेतों (CSI) का उपयोग करके मानचित्र के अनावश्यक हिस्सों को हटा सकता है।
यह जांच सकता है कि क्या उस विशिष्ट वास्तविकता के लिए उत्तर पाया जा सकता है।

उन्होंने हजारों यादृच्छिक रूप से उत्पन्न "रहस्यमय मानचित्रों" पर इन उपकरणों का परीक्षण किया जिनमें चरों की अलग-अलग संख्या (6 से लेकर 50 तक) थी। परिणाम स्पष्ट थे:

अधिक सुराग = अधिक उत्तर: जैसे-जैसे उन्होंने अधिक CSI बाधाएं जोड़ीं, हल होने वाले रहस्यों की संख्या बढ़ती गई।
अंतर बढ़ता गया: पुराने "व्यापक" तरीके द्वारा हल किए जा सकने वाले और नए "विशिष्ट" तरीके द्वारा हल किए जा सकने वाले रहस्यों के बीच का अंतर जटिलता बढ़ने के साथ बड़ा होता गया।
गति मायने रखती है: बड़े, जटिल मानचित्रों के साथ निपटने के लिए उनकी नई विधि मौजूदा उपकरणों (जैसे कि DOSEARCH नामक पैकेज) की तुलना में बहुत तेज़ थी। वास्तव में, 50 चरों वाले मानचित्रों के लिए, पुराने उपकरण अक्सर 5 मिनट के बाद हार मान लेते थे, जबकि नई विधि उन्हें सेकंडों में हल कर देती थी।

निष्कर्ष

यह शोध पत्र यह दावा नहीं करता है कि हम अब हर कारण संबंधी रहस्य को हल कर सकते हैं। इसके बजाय, यह सुझाव देता है कि हम गलत प्रश्न पूछ रहे थे। अधिक विशिष्ट होकर—"सभी मरीजों" के बजाय "इस मरीज" के बारे में पूछकर, और विशिष्ट संदर्भ संकेतों का उपयोग करके—हम उन समस्याओं को हल कर सकते हैं जिन्हें पहले असंभव माना जाता था।

लेखक दिखाते हैं कि कारण-और-प्रभाव की दुनिया हमारी सोच से कहीं अधिक सूक्ष्म है। कभी-कभी, उत्तर "हमें नहीं पता" नहीं होता, बल्कि यह होता है कि "हमें इस विशिष्ट मामले के लिए उत्तर पता है।" यह एक याद दिलाता है कि विज्ञान में, जीवन की तरह, कभी-कभी पूरी तस्वीर देखने का सबसे शक्तिशाली तरीका एक एकल, छोटे विवरण पर ध्यान केंद्रित करना होता है।

तकनीकी सारांश: कारण प्रभाव पहचान क्षमता की सूक्ष्मता पर (On the Granularity of Causal Effect Identifiability)

समस्या विवरण (Problem Statement)

कारण प्रभाव पहचान क्षमता (causal effect identifiability) की शास्त्रीय धारणा चर-आधारित (variable-based) स्तर पर परिभाषित है: यह निर्धारित करना कि क्या उपचार चरों (treatment variables) के एक सेट $X$ का परिणाम चरों (outcome variables) के एक सेट $Y$ (जिसे $Pr_X(Y)$ द्वारा दर्शाया जाता है) पर कारण प्रभाव, अवलोकन संबंधी डेटा (observational data) और एक कारण ग्राफ (causal graph) से विशिष्ट रूप से अनुमानित किया जा सकता है। यह दृष्टिकोण यह मानता है कि यदि प्रभाव पहचान योग्य (identifiable) है, तो यह $X$ पर प्रत्येक संभावित हस्तक्षेप (intervention) और $Y$ की प्रत्येक संभावित अवस्था (state) के लिए पहचान योग्य होना चाहिए।

हालाँकि, कई व्यावहारिक परिदृश्यों में, शोधकर्ता अवस्था-आधारित (state-based) कारण प्रभावों में रुचि रखते हैं: एक विशिष्ट हस्तक्षेप $X=x$ का एक विशिष्ट परिणाम अवस्था $Y=y$ पर प्रभाव (जिसे $Pr_x(y)$ द्वारा दर्शाया जाता है)। शोध पत्र तर्क देता है कि चर-आधारित परिभाषा अक्सर बहुत अधिक व्यापक (coarse-grained) होती है, विशेष रूप से तब जब कारण ग्राफ और अवलोकन संबंधी डेटा के अलावा अतिरिक्त ज्ञान उपलब्ध हो। विशेष रूप से, लेखक इस बात की जांच करते हैं कि क्या अवस्था-आधारित प्रभाव तब भी पहचान योग्य हो सकते हैं जब उनके अनुरूप चर-आधारित प्रभाव पहचान योग्य न हों, और कैसे अतिरिक्त बाधाएं—विशेष रूप से संदर्भ-विशिष्ट स्वतंत्रता (Context-Specific Independencies - CSIs) और अवस्था बाधाएं (state constraints)—इस अंतर को प्रभावित करती हैं।

कार्यप्रणाली (Methodology)

1. अवस्था-आधारित पहचान क्षमता को औपचारिक रूप देना (Formalizing State-Based Identifiability)

शोध पत्र अवस्था-आधारित पहचान क्षमता (परिभाषा 2) को विशिष्ट अवस्थाओं $x$ और $y$ के लिए, एक कारण ग्राफ $G$ के दिए होने पर, अवलोकन संबंधी वितरण $Pr(V) $से$ Pr_x(y)$ की अद्वितीय गणना के रूप में परिभाषित करता है।

शास्त्रीय तुल्यता (Classical Equivalence): अतिरिक्त बाधाओं की अनुपस्थिति में (केवल $G$ और $Pr(V)$), शोध पत्र सिद्ध करता है (प्रस्ताव 1) कि चर-आधारित और अवस्था-आधारित पहचान क्षमता तुल्य हैं। यदि एक पहचान योग्य है, तो दूसरा भी होगा।
बाधाओं की भूमिका: यह अंतर केवल तभी सार्थक होता है जब अतिरिक्त ज्ञान पेश किया जाता है। शोध पत्र दो प्रकार की बाधाओं पर ध्यान केंद्रित करता है:
- संदर्भ-विशिष्ट स्वतंत्रता (CSIs): इस रूप की बाधाएं $(Y \perp\!\!\!\perp P_1 | p_2, P_3)$ , जो इंगित करती हैं कि स्वतंत्रता केवल विशिष्ट संदर्भ अवस्था $p_2$ के तहत बनी रहती है।
- अवस्था बाधाएं (State Constraints): कुछ चरों की संभावित अवस्थाओं को प्रतिबंधित करने वाला ज्ञान (जैसे, एक चर बाइनरी है)।

2. सैद्धांतिक पृथक्करण परिणाम (Theoretical Separation Results)

लेखक प्रदर्शित करते हैं कि अतिरिक्त ज्ञान दो स्तरों के बीच पहचान क्षमता के अलगाव को जन्म दे सकता है:

CSI बाधाएं: जबकि CSIs कुछ चर-आधारित प्रभावों को पहचान योग्य बना सकते हैं (प्रस्ताव 7), वे विशिष्ट अवस्था-आधारित प्रभावों को पहचान योग्य बना सकते हैं जबकि संबंधित चर-आधारित प्रभाव अन-पहचान योग्य (unidentifiable) रह सकते हैं (प्रस्ताव 6)। उदाहरण के लिए, एक नीति प्रवेश-स्तर के कर्मचारियों के लिए केवल एक चर की डिग्री को अनदेखा कर सकती है; यह CSI अनुभव का वेतन पर प्रभाव प्रवेश-स्तर के श्रमिकों के लिए पहचान योग्य बनाता है लेकिन वरिष्ठ श्रमिकों के लिए नहीं, जिससे समग्र चर-आधारित प्रभाव अन-पहचान योग्य हो जाता है।
अवस्था बाधाएं: अकेले, अवस्था बाधाएं सेमी-मार्कोवियन ग्राफ में पहचान क्षमता में सुधार नहीं करती हैं (प्रस्ताव 8)। हालाँकि, जब CSIs के साथ जोड़ी जाती हैं, तो वे चर-आधारित और अवस्था-आधारित दोनों पहचान क्षमता में महत्वपूर्ण सुधार कर सकती हैं (प्रस्ताव 9)। इसके अलावा, वे विशिष्ट अवस्थाओं के लिए अवस्था-आधारित पहचान क्षमता को सक्षम कर सकती हैं जबकि चर-आधारित प्रभाव अन-पहचान योग्य रहता है (प्रस्ताव 10)।

3. पहचान के लिए एल्गोरिदम (Algorithms for Identification)

इन बाधाओं के तहत पहचान क्षमता का परीक्षण करने के लिए, शोध पत्र ग्राफ अपघटन (graph decomposition) पर आधारित एक व्यवस्थित दृष्टिकोण प्रस्तावित करता है:

संदर्भ-प्रेरित ग्राफ (Context-Induced Graphs - CI-graphs): लेखक CI-ग्राफ पेश करते हैं, जो मूल कारण ग्राफ के छंटे हुए संस्करण हैं जहाँ एक विशिष्ट संदर्भ के तहत सक्रिय CSIs के आधार पर किनारों (edges) को हटाया जाता है। यह पैरामीटर स्पेस को कम करता है और ग्राफ संरचना को सरल बनाता है।
एल्गोरिदम 1 (ID-CSI): CSI बाधाओं के तहत अवस्था-आधारित पहचान क्षमता का परीक्षण करने के लिए एक एल्गोरिदम। यह उपचार और परिणाम अवस्थाओं ($xy$) के संदर्भ में संभावित CI-ग्राफ को सूचीबद्ध करता है, परिणामी विच्छेदित ग्राफ (mutilated graph) को c-घटकों (c-components) में विभाजित करता है, और संशोधित पुनरावर्ती प्रक्रिया (ID-QFUNC) का उपयोग करके प्रेरित c-कारकों (c-factors) की पहचान क्षमता की जाँच करता है।
एल्गोरिदम 2 (ID-CSI-STATE): एक विस्तार जो दोनों CSIs और अवस्था बाधाओं को संभालता है। यह संदर्भ-विभाजन (context-partitions) का उपयोग करके पहचान समस्या को उप-प्रश्नों में विभाजित करता है। एल्गोरिदम अवस्था बाधाओं द्वारा बाधित चरों के सभी संभावित संदर्भ-विभाजन पर पुनरावृत्ति करता है, जिससे समस्या को एल्गोरिदम 1 का उपयोग करके उप-प्रश्न $Pr_x(y, s_i)$ को पहचानने में बदल दिया जाता है।
अनुमानी विधियाँ (Heuristics): CI-ग्राफ और संदर्भ-विभाजन को सूचीबद्ध करने की घातीय जटिलता (exponential complexity) को संबोधित करने के लिए, शोध पत्र अनुमानी विधियाँ (धारा 5.4) प्रस्तावित करता है जो ग्राफ छंटाई और संदर्भ विभाजन के लिए एक एकल विकल्प चुनते हैं, जिससे केवल-CSI मामलों के लिए जटिलता को बहुपद समय (polynomial time) तक कम कर दिया जाता है।

मुख्य योगदान (Key Contributions)

पहचान क्षमता की सूक्ष्मता (Granularity of Identifiability): शोध पत्र स्थापित करता है कि अवस्था-आधारित पहचान क्षमता, अतिरिक्त बाधाओं (CSIs और अवस्था बाधाओं) की उपस्थिति में, चर-आधारित पहचान क्षमता की तुलना में एक स्पष्ट रूप से सूक्ष्म-स्तरीय अवधारणा है। यह सिद्ध करता है कि एक कारण प्रभाव एक विशिष्ट अवस्था युग्म के लिए पहचान योग्य हो सकता है जबकि सामान्य चर-आधारित प्रभाव अन-पहचान योग्य बना रहता है।
बाधाओं का प्रभाव: यह लक्षण वर्णन करता है कि CSIs और अवस्था बाधाएं कैसे परस्पर क्रिया करती हैं। जबकि CSIs अकेले दोनों स्तरों को अलग कर सकते हैं, अवस्था बाधाओं को अकेले अप्रभावी दिखाया गया है, लेकिन CSIs के साथ मिलकर वे शक्तिशाली हैं, जो संभावित रूप से अवस्था-आधारित और चर-आधारित पहचान क्षमता के बीच के अंतर को और बढ़ा सकती हैं।
नवीन एल्गोरिदम: शोध पत्र एल्गोरिदम 1 और एल्गोरिदम 2 पेश करता है, जो CSIs और अवस्था बाधाओं को संभालने के लिए शास्त्रीय पहचान विधियों (जैसे IDENTIFY) का विस्तार करते हैं। ये एल्गोरिदम पहचान सूत्र प्राप्त करने या अन-पहचान क्षमता निर्धारित करने के लिए संदर्भ-प्रेरित ग्राफ और संशोधित c-कारक अपघटन का उपयोग करते हैं।
अनुभवजन्य सत्यापन (Empirical Validation): लेखक अपने प्रस्तावित एल्गोरिदम की पूर्णता और दक्षता का शास्त्रीय तरीकों और DOSEARCH पैकेज के साथ तुलना करने के लिए यादृच्छिक रूप से उत्पन्न कारण ग्राफों पर अनुभवजन्य अध्ययन करते हैं।

परिणाम (Results)

पहचान क्षमता में लाभ: अनुभवजन्य परिणाम दिखाते हैं कि CSI बाधाओं और अवस्था बाधाओं को लागू करने से चर-आधारित और अवस्था-आधारित दोनों स्तरों के लिए पहचान योग्य कारण प्रभावों की संख्या बढ़ जाती है।
अंतर का चौड़ा होना: जैसे-जैसे CSIs की संख्या बढ़ती है (जो $r$ द्वारा नियंत्रित है), पहचान योग्य अवस्था-आधारित प्रभावों और चर-आधारित प्रभावों की संख्या के बीच का अंतर बढ़ जाता है। उदाहरण के लिए, $n=50$ चरों और अवस्था बाधाओं के साथ, पहचान योग्य अवस्था-आधारित प्रभावों की संख्या चर-आधारित प्रभावों से 16 अधिक थी जब $r=0.8$ था।
दक्षता: प्रस्तावित अनुमानी एल्गोरिदम (ID-CSI-HEU और ID-CSI-STATE-HEU) DOSEARCH की तुलना में काफी उच्च कम्प्यूटेशनल दक्षता प्रदर्शित करते हैं, जो पूर्ण खोज (exhaustive search) पर निर्भर करता है और $n \ge 15$ चरों वाले ग्राफों पर अक्सर समय समाप्त (timeout) हो जाता है। प्रस्तावित विधियाँ व्यवहार्य रनटाइम बनाए रखते हुए तुलनीय या अधिक संख्या में चर-आधारित प्रभावों को सफलतापूर्वक पहचानती हैं।
पूर्णता: उनके एल्गोरिदम सुदृढ़ (sound) सिद्ध होते हैं। जब बाधाएं अनुपस्थित होती हैं, तो एल्गोरिदम 1 पूर्ण IDENTIFY एल्गोरिदम के समान होता है।

महत्व (Significance)

शोध पत्र का दावा है कि अवस्था-आधारित और चर-आधारित पहचान क्षमता के बीच का अंतर केवल सैद्धांतिक नहीं है बल्कि इसके व्यावहारिक निहितार्थ हैं, विशेष रूप से उन क्षेत्रों में जहाँ विशिष्ट हस्तक्षेप और परिणाम महत्वपूर्ण हैं (जैसे विशिष्ट जनसांख्यिकीय समूहों या चिकित्सा उपचारों के लिए नीति विश्लेषण)। यह दिखाकर कि अतिरिक्त ज्ञान (CSIs और अवस्था बाधाएं) विशिष्ट अवस्था-आधारित प्रभावों को पहचान योग्य बना सकता है जहाँ चर-आधारित विधियां विफल हो जाती हैं, यह कार्य कारण पहचान के लिए अधिक परिष्कृत, अवस्था-आधारित दृष्टिकोणों की आवश्यकता पर बल देता है। प्रस्तावित एल्गोरिदम इस अतिरिक्त ज्ञान का लाभ उठाने के लिए एक व्यावहारिक उपकरण प्रदान करते हैं ताकि उन कारण अंतर्दृष्टियों को निकाला जा सके जो अन्यथा अप्राप्य होतीं।