📊 statistics

Comparing Two Proxy Methods for Causal Identification

यह शोध पत्र कारण संबंधी पहचान (causal identification) के लिए दो प्रमुख प्रॉक्सी वेरिएबल दृष्टिकोणों—ब्रिज इक्वेशन विधियों और एरे डिकंपोजिशन विधियों—के बीच उनके अंतर्निहित मॉडल प्रतिबंधों और धारणाओं का विश्लेषण करके तुलना करता है ताकि प्रत्येक की प्रयोज्यता के दायरे को स्पष्ट किया जा सके।

मूल लेखक: Helen Guo, Elizabeth L. Ogburn, Ilya Shpitser

प्रकाशित 2026-05-12

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Helen Guo, Elizabeth L. Ogburn, Ilya Shpitser

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 अपराध को सुलझाने की कोशिश कर रहे हैं, लेकिन एक महत्वपूर्ण गवाह सायों में छिपा हुआ है। इस गवाह को, मान लीजिए "द अनसीन कॉज़" (The Unseen Cause) या U कहा जाता है, वह कारण है जिसकी वजह से संदिग्ध (Treatment) और पीड़ित (Outcome) दोनों वैसा व्यवहार कर रहे हैं जैसा वे कर रहे हैं। क्योंकि आप इस गवाह को सीधे देख या उससे बात नहीं कर सकते, इसलिए आप आसानी से यह साबित नहीं कर सकते कि किसने, किसके साथ क्या किया। यह अनमेज़र्ड कन्फाउंडिंग (unmeasured confounding) की क्लासिक समस्या है, जो कॉज़ल इन्फरेंस (causal inference) में होती है।

हालाँकि, आपके पास दो अन्य गवाह भी थे जो कमरे में मौजूद थे: प्रॉक्सी 1 (संदिग्ध का एक दोस्त) और प्रॉक्सी 2 (पीड़ित का एक दोस्त)। उन्होंने सीधे तौर पर अपराध नहीं देखा, लेकिन वे छिपे हुए गवाह के बारे में जानते हैं।

यह शोध पत्र, जिसे हेलेन गुओ, एलिजाबेथ ओगबर्न और इल्या शिपर्स ने लिखा है, इन दो प्रॉक्सियों का उपयोग करके यह पता लगाने के लिए दो अलग-अलग जासूसी रणनीतियों की तुलना करता है कि छिपे हुए गवाह ने क्या कहा होगा, और अंततः, अपराध को सुलझाने (कॉज़ल इफेक्ट की पहचान करने) के लिए।

दो जासूसी रणनीतियाँ

यह पेपर इस पहेली को सुलझाने के दो प्रमुख तरीकों की तुलना करता है: द ब्रिज इक्वेशन मेथड (The Bridge Equation Method) और द एरे डिकंपोजिशन मेथड (The Array Decomposition Method)।

1. द ब्रिज इक्वेशन मेथड (द "डायरेक्ट ट्रांसलेटर")

इसे एक गुप्त संदेश को सीधे अनुवाद करने की कोशिश के रूप में समझें।

यह दृष्टिकोण, जिसे मियाओ और अन्य (2018) द्वारा पेश किया गया था, एक सीधा "ब्रिज" बनाने की कोशिश करता है जो आपके द्वारा देखे गए डेटा (प्रॉक्सी) और आवश्यक उत्तर (कॉज़ल इफेक्ट) के बीच संबंध स्थापित करे।

यह कैसे काम करता है: यह मानता है कि एक गणितीय "ब्रिज" (एक इंटीग्रल इक्वेशन) है जो प्रॉक्सी के व्यवहार को छिपे हुए कारण से जोड़ता है। यदि आप इस समीकरण को हल कर सकते हैं, तो आप बिचौलिये को छोड़कर सीधे उत्तर की गणना कर सकते हैं।
चुनौती: यह विधि बहुत विशिष्ट है। इसके लिए यह आवश्यक है कि आपके प्रॉक्सी इतने "पूर्ण" हों कि वे छिपे हुए गवाह के सभी रहस्यों को कवर कर सकें। कल्पना कीजिए कि आप एक किताब का अनुवाद करने की कोशिश कर रहे हैं; आपको एक ऐसे शब्दकोश की आवश्यकता है जिसमें हर एक शब्द शामिल हो। यदि आपके शब्दकोश (प्रॉक्सी) में कुछ शब्द भी कम हैं, तो अनुवाद विफल हो जाएगा।
यह आपको क्या देता है: यह आपको सीधे अंतिम उत्तर (कॉज़ल इफेक्ट) देता है। यह अनिवार्य रूप से यह नहीं बताता कि छिपे हुए गवाह का स्वरूप क्या है या उसकी विशिष्ट आदतें क्या हैं; यह केवल अपराध का परिणाम बताता है।

2. द एरे डिकंपोजिशन मेथड (द "पज़ल सॉल्वर")

इसे एक जटिल 3D पहेली को अलग करने के रूप में समझें ताकि आप देख सकें कि टुकड़े कैसे फिट होते हैं।

यह दृष्टिकोण, जिसकी जड़ें कुरोकी, पर्ल और क्रुस्कल के कार्यों में हैं, एक अलग रास्ता अपनाता है। सीधे उत्तर तक कूदने के बजाय, यह छिपे हुए गवाह और प्रॉक्सी की पूरी कहानी को पुनर्गणना करने का प्रयास करता है।

यह कैसे काम करता है: यह डेटा को एक विशाल, बहु-आयामी पहेली (एक "टेन्सर" या "एरे") के रूप में लेता है। यह देखने के लिए कि प्रॉक्सी और आउटकम एक साथ कैसे चलते हैं, यह "आइजनडिकंपोजिशन" (eigendecomposition) नामक एक गणितीय तकनीक का उपयोग करता है (इसे डेटा में अद्वितीय पैटर्न या "फ्रीक्वेंसी" खोजने के रूप में सोचें) ताकि छिपे हुए गवाह को शोर (noise) से अलग किया जा सके।
चुनौती: इसके लिए यह आवश्यक है कि पहेली के टुकड़े इतने अलग हों कि उन्हें अलग किया जा सके। यदि छिपे हुए गवाह के पास बहुत अधिक अलग "व्यक्तित्व" (श्रेणियाँ) हैं, तो पहेली के टुकड़े आपस में मिल सकते हैं और आप उन्हें पहचान नहीं पाएंगे।
यह आपको क्या देता है: यह पूरी कहानी को रिकवर करता है। यह पता लगाता है कि छिपा हुआ गवाह वास्तव में कौन है, उसकी आदतें क्या हैं, और वह सभी के साथ कैसे इंटरैक्ट करता है। एक बार जब आपके पास पूरी कहानी आ जाती है, तो आप कॉज़ल इफेक्ट की गणना कर सकते हैं।

बड़ा मुकाबला: वे कैसे तुलना करते हैं?

लेखक इन दोनों विधियों को आमने-सामने रखते हैं ताकि यह देखा जा सके कि कौन सी विधि कब काम करती है और कौन सी नहीं।

अलग-अलग खेलों के लिए अलग-अलग नियम: पेपर पाता है कि ये दोनों विधियाँ अलग-अलग "खेल के नियमों" (कंडीशनल इंडिपेंडेंस धारणाओं) पर निर्भर करती हैं। वे नॉन-नेस्टेड (non-nested) हैं, जिसका अर्थ है कि एक दूसरे का विशेष मामला नहीं है।
- कभी-कभी, ब्रिज मेथड काम करता है क्योंकि गणित अनुमति देता है कि एक सीधा अनुवाद हो, भले ही पहेली के टुकड़े पूरी तरह से अलग न हों।
- कभी-कभी, एरे मेथड काम करता है क्योंकि पहेली के टुकड़े इतने स्पष्ट होते हैं कि उन्हें अलग किया जा सके, भले ही एक सीधा अनुवाद समीकरण मौजूद न हो।
ओवरलैप (मेल): एक मध्य क्षेत्र है जहाँ दोनों विधियाँ काम करती हैं। यह तब होता है जब प्रॉक्सी बहुत मजबूत होते हैं और छिपा हुआ कारण इतना सरल होता है कि दोनों "अनुवाद" और "पहेली" दृष्टिकोण सफल होते हैं।
ट्रेड-ऑफ (समझौता):
- ब्रिज मेथड एक शॉर्टकट की तरह है: यह आपको उत्तर तेजी से देता है लेकिन इसके लिए प्रॉक्सी और छिपे हुए कारण के बीच एक बहुत ही विशिष्ट, मजबूत संबंध की आवश्यकता होती है।
- एरे मेथड एक गहन जांच की तरह है: इसमें अधिक समय लगता है और इसके लिए पर्याप्त स्पष्ट सुरागों की आवश्यकता होती है ताकि पूरी तस्वीर बनाई जा सके, लेकिन यह छिपे हुए कारण की गहरी समझ प्रदान करता है।

"डिस्क्रीट" बनाम "कंटीन्यूअस" दुनिया

पेपर यह भी समझाता है कि ये विधियाँ डेटा के प्रकार के आधार पर थोड़ा अलग तरह से काम करती हैं:

डिस्क्रीट डेटा (श्रेणियाँ): कल्पना कीजिए कि छिपे हुए गवाह के सीमित "मूड" (खुश, उदास, क्रोधित) हैं। इस दुनिया में, गणित ब्लॉक्स गिनने जैसा है। यहाँ "एरे मेथड" बहुत स्पष्ट है: आपको मूड को अलग करने के लिए पर्याप्त अलग ब्लॉक्स की आवश्यकता है।
कंटीन्यूअस डेटा (स्मूथ स्केल्स): कल्पना कीजिए कि छिपे हुए गवाह का मूड 1 से 100 के पैमाने पर कोई भी संख्या हो सकती है। यहाँ, गणित एक जटिल वेव इक्वेशन (तरंग समीकरण) को हल करने जैसा हो जाता है। पेपर दिखाता है कि "ब्रिज मेथड" "कम्प्लीटनेस" (पूरी लहर को कवर करने के लिए पर्याप्त जानकारी होना) पर निर्भर करता है, जबकि "एरे मेथड" "इनवर्टिबिलिटी" (स्रोत को खोजने के लिए लहर को उल्टा करने की क्षमता) पर निर्भर करता है।

मुख्य निष्कर्ष

यह पेपर यह नहीं बताता कि कौन सी विधि "बेहतर" है। इसके बजाय, यह जासूसों के लिए एक मार्गदर्शिका के रूप में कार्य करता है। यह स्पष्ट करता है कि:

वे अलग-अलग उपकरण हैं: आप उन्हें बस एक-दूसरे से बदल नहीं सकते; उन्हें काम करने के लिए अलग-अलग शर्तों की आवश्यकता होती है।
उनकी अलग-अलग ताकतें हैं: यदि गणित सही बैठता है तो एक सीधा उत्तर पाने के लिए बेहतरीन है; दूसरा छिपी हुई वास्तविकता को पुनर्गठित करने के लिए बेहतरीन है यदि डेटा समृद्ध है।
भ्रम आम है: क्षेत्र के विशेषज्ञ भी कभी-कभी इनमें भ्रमित हो जाते हैं। यह पेपर यह स्पष्ट करके हवा साफ करने का लक्ष्य रखता है कि प्रत्येक विधि की धारणाएँ कहाँ ओवरलैप होती हैं और कहाँ वे अलग होती हैं।

संक्षेप में, यदि आप छिपे हुए चरों के साथ एक कॉज़ल इफेक्ट खोजने की कोशिश कर रहे हैं, तो आपको अपने "जासूसी किट" की जांच करने की आवश्यकता है। क्या आपके पास पार करने के लिए एक मजबूत पुल है, या आपके पास तस्वीर बनाने के लिए पर्याप्त पहेली के टुकड़े हैं? उत्तर यह निर्धारित करता है कि आपको किस विधि का उपयोग करना चाहिए।

तकनीकी सारांश: कारण संबंधी पहचान (Causal Identification) के लिए दो प्रॉक्सी विधियों की तुलना

समस्या विवरण
अपरिभाषित कन्फाउंडिंग (unmeasured confounding) की उपस्थिति में कारण प्रभावों (causal effects) की पहचान करना कारण अनुमान (causal inference) में एक मौलिक चुनौती बनी हुई है। जबकि मानक समायोजन सूत्र (जैसे, बैक-डोर एडजस्टमेंट) के लिए सभी सामान्य कारणों को देखना आवश्यक होता है, प्रॉक्सी वेरिएबल विधियाँ अदृश्य कन्फाउंडर्स से जुड़े चरों का लाभ उठाकर एक शक्तिशाली समाधान के रूप में उभरी हैं। इस क्षेत्र के भीतर, गैर-पैरामीट्रिक पहचान के लिए दो अलग-अलग पद्धतिगत ढांचे विकसित हुए हैं: ब्रिज इक्वेशन दृष्टिकोण (Miao et al., 2018) और एरे डिकंपोजिशन दृष्टिकोण (Kuroki and Pearl, 2014; Allman et al., 2015)। यद्यपि दोनों विधियाँ छिपे हुए कन्फाउंडिंग को संबोधित करने के लिए प्रॉक्सी का उपयोग करती हैं, वे भिन्न सशर्त स्वतंत्रता संरचनाओं (conditional independence structures) और गणितीय तंत्रों पर निर्भर करती हैं। इनके अंतर्निहित अनुमानों, अनुप्रयोग के दायरे और एक-दूसरे के साथ संबंध की सटीक तुलना का अभाव रहा है, जिससे क्षेत्र के प्रमुख योगदानकर्ताओं के बीच भी सक्रिय चर्चा होती रही है।

कार्यप्रणाली और ढांचे
यह शोध पत्र इन दोनों ढांचों को साझा सशर्त स्वतंत्रताओं के तहत एक समान आधार पर रखकर इनका संश्लेषण करता है, जिसमें तकनीकी आवश्यकताओं को स्पष्ट करने के लिए डिस्क्रीट मैट्रिक्स प्रतिनिधित्व और निरंतर ऑपरेटर-थ्योरेटिक एनालॉग्स दोनों का उपयोग किया गया है।

ब्रिज इक्वेशन दृष्टिकोण:
- तंत्र: यह विधि इंटीग्रल समीकरणों (ब्रिज समीकरणों) को हल करके सीधे काउंटरफैक्चुअल वितरण को पुनर्प्राप्त करती है। यह अदृश्य कन्फाउंडर ( $U$ ) के लिए देखे गए प्रॉक्सी ( $Z$ और $W$ ) का उपयोग करके मानक कन्फाउंडिंग एडजस्टमेंट फॉर्मूला को पुन: व्यक्त करती है, बिना लेटेंट और देखे गए चरों के पूर्ण संयुक्त नियम (joint law) की पहचान किए।
- मुख्य अनुमान:
  - सशर्त स्वतंत्रता (Conditional Independence): $W \perp\!\!\perp Z, A \mid U$ और $Z \perp\!\!\perp Y \mid U, A$ ।
  - पूर्णता (Completeness - Assumption 6): एक सामान्यीकृत रैखिक स्वतंत्रता स्थिति जो यह आवश्यक करती है कि $E[g(U) \mid Z, A] = 0 \implies g(U) = 0$ । डिस्क्रीट सेटिंग्स में, इसका तात्पर्य यह है कि सशर्त वितरण मैट्रिक्स $P_{U|Z,A}$ राइट-इन्वर्टिबल (right-invertible) है।
  - ब्रिज इक्वेशन का समाधान (Assumption 7): इसके लिए एक फलन $h$ के अस्तित्व की आवश्यकता होती है ताकि $f_{Y|Z,A} = \int h(w,a,y) f_{W|Z,A} dw$ हो। डिस्क्रीट सेटिंग्स में, यह एक मैट्रिक्स $H$ के अस्तित्व के अनुरूप है जो $P_{Y|Z,A} = H P_{W|Z,A}$ को संतुष्ट करता है।
- परिणाम: यह इंटरवेंशनल वितरण $f_{Y(a)}(y)$ की पहचान करता है लेकिन आम तौर पर $U$ पर निर्भर फंक्शनल्स (जैसे, $f_{Y|U,A}$ या $f_U$ ) की पहचान नहीं करता है।
एरे डिकंपोजिशन दृष्टिकोण:
- तंत्र: यह विधि आइजनडिकंपोजिशन (eigendecomposition) या टेंसर डिकंपोजिशन के माध्यम से लेटेंट और देखे गए चरों के पूर्ण संयुक्त नियम (लेटेंट कैटेगरी लेबल तक) को पुनर्प्राप्त करती है, जिससे कारण प्रभावों को प्राप्त किया जाता है। यह CANDECOMP/PARAFAC (CP) डिकंपोजिशन के लिए क्रुस्कल (1977) के विशिष्टता प्रमेय (uniqueness theorem) पर आधारित है।
- मुख्य अनुमान:
  - सशर्त स्वतंत्रता: $W \perp\!\!\perp A \mid U$ और $W, Z, Y$ आपस में $U, A$ पर सशर्त स्वतंत्र हैं।
  - इन्वर्टिबिलिटी/रैंक स्थितियाँ: मैट्रिसेस $P_{Z|U,A}$ और $P_{W|U}$ की इन्वर्टिबिलिटी (या लेफ्ट-इन्वर्टिबिलिटी) की आवश्यकता होती है।
  - क्रुस्कल रैंक स्थिति: डिस्क्रीट मॉडल्स के लिए, डिकंपोजिशन की विशिष्टता $2R + 2 \leq k_A + k_B + k_C$ की असमानता पर निर्भर करती है, जहाँ $R$ रैंक (लेटेंट स्टेट्स की संख्या) है और $k$ फैक्टर मैट्रिसेस का क्रुस्कल रैंक है।
  - गैर-कोलीनियैरिटी (Non-collinearity): लेटेंट वेरिएबल के दिए होने पर आउटकम का सशर्त वितरण विभिन्न लेटेंट स्टेट्स में भिन्न होना चाहिए।
- परिणाम: यह लेटेंट लेबल के क्रम परिवर्तन (permutation) तक पूर्ण संयुक्त नियम $f_{A,Y,U,W,Z}$ की पहचान करता है, जिससे $f_{Y(a)}(y)$ प्राप्त किया जा सकता है।

मुख्य परिणाम और तुलनाएँ
यह शोध पत्र चित्र 3 (जहाँ $Z$ और $W$ , अदृश्य कन्फाउंडर $U$ के प्रॉक्सी हैं) में दर्शाई गई साझा सशर्त स्वतंत्रता संरचना के तहत इन दृष्टिकोणों की कठोर तुलना प्रदान करता है।

डिस्क्रीट मॉडल्स:
- कुरोकी और पर्ल (2014) (सेट 1) के अनुमान, मियाओ एट अल. (2018) की तुलना में अधिक सुदृढ़ (stronger) हैं। विशेष रूप से, एरे डिकंपोजिशन दृष्टिकोण में $P_{Z|U,A}$ और $P_{W|U}$ की इन्वर्टिबिलिटी, ब्रिज इक्वेशन दृष्टिकोण के लिए आवश्यक लेफ्ट इनवर्स $P_{W|Z,A}$ के अस्तित्व को दर्शाती है। इस प्रकार, कुरोकी-पर्ल मॉडल, मियाओ एट अल. मॉडल के भीतर समाहित है।
- हालाँकि, ब्रिज इक्वेशन दृष्टिकोण की तुलना सामान्य क्रुस्कल स्थितियों (सेट 2) से करने पर, ये मॉडल नॉन-नेस्टेड (non-nested) हैं। ब्रिज इक्वेशन के अनुमान क्रुस्कल रैंक असमानता ( $2R + 2 \leq k_A + k_B + k_C$ ) को सिद्ध नहीं करते हैं, और न ही इसका विलोम सत्य है। यह इंगित करता है कि प्रत्येक ढांचा मॉडल स्पेस के विशिष्ट क्षेत्रों को कवर करता है।
निरंतर (Continuous) मॉडल्स:
- यह शोध पत्र एरे डिकंपोजिशन दृष्टिकोण के लिए हु और शेनाच (2008) तथा डीनर (2023) का संदर्भ देते हुए निरंतर सेटिंग्स तक तुलना का विस्तार करता है।
- लेखक अनुमान लगाते हैं कि डिस्क्रीट निष्कर्षों के समान, निरंतर मामलों में भी दोनों मॉडल नॉन-नेस्टेड रहेंगे। वे एक उदाहरण (एक लीनियर गौसियन मॉडल) प्रदान करते हैं जहाँ दोनों दृष्टिकोणों के अनुमानों को संतुष्ट किया गया है, जो उनकी प्रयोज्यता में ओवरलैप को प्रदर्शित करता है।
अनुमान (Estimation):
- शोध पत्र संक्षेप में नोट करता है कि ब्रिज इक्वेशन विधियों के पास विशिष्ट पैरामीट्रिक धारणाओं (जैसे, लोकेशन-स्केल फैमिली) के तहत स्थापित कुशल इन्फ्लुएंस फंक्शन्स और सेमी-पैरामीट्रिक एफिशिएंसी परिणाम हैं।
- इसके विपरीत, एरे डिकंपोजिशन विधियाँ अक्सर सन्निकटन (approximation) के लिए सीव मेथड्स (sieve methods) पर निर्भर करती हैं, और हालांकि हिडन ट्रीटमेंट प्रॉक्सी के लिए सेमी-पैरामीट्रिक थ्योरी मौजूद है, हिडन कन्फाउंडिंग के लिए यह अभी भी एक उभरता हुआ क्षेत्र है।

महत्व और योगदान
इस कार्य का प्राथमिक योगदान दो मौलिक प्रॉक्सी-आधारित पहचान रणनीतियों के बीच संबंधों को स्पष्ट करना है। इन साहित्यों का संश्लेषण करके, लेखक:

दायरा स्पष्ट करते हैं: यह प्रदर्शित करते हैं कि दोनों दृष्टिकोण केवल एक ही तर्क के वैकल्पिक कार्यान्वयन नहीं हैं, बल्कि वे अलग-अलग, अक्सर नॉन-नेस्टेड, धारणाओं पर आधारित हैं।
नोटेशन को एकीकृत करते हैं: डिस्क्रीट मामलों के लिए मैट्रिक्स प्रतिनिधित्व और निरंतर मामलों के लिए ऑपरेटर थ्योरी का उपयोग करके दोनों ढांचों को एक समान आधार पर रखते हैं, जिससे तकनीकी सूक्ष्मताएं अधिक पारदर्शी हो जाती हैं।
अनुप्रयोग का मार्गदर्शन करते हैं: वे अभ्यासकर्ताओं को यह समझने में मदद करते हैं कि विशिष्ट डेटा संरचनाओं के लिए कौन सी विधि उपयुक्त है। उदाहरण के लिए, यदि पूर्ण संयुक्त नियम की आवश्यकता है (जैसे, लेटेंट लेबल को रिकवर करने या अनऑब्जर्व्ड एक्सपोजर का विश्लेषण करने के लिए), तो एरे डिकंपोजिशन दृष्टिकोण आवश्यक है। यदि केवल कारण प्रभाव की आवश्यकता है और टेंसर डिकंपोजिशन के लिए रैंक स्थितियाँ पूरी नहीं होती हैं, तो ब्रिज इक्वेशन दृष्टिकोण अभी भी व्यवहार्य हो सकता है।

यह शोध पत्र निष्कर्ष निकालता है कि हालांकि दोनों विधियाँ छिपे हुए कन्फाउंडिंग के शक्तिशाली समाधान हैं, उनके अंतर्निहित अनुमानों का सावधानीपूर्वक प्रदर्शन पद्धतिगत विकास और व्यावहारिक उपयोग के लिए आवश्यक है। पहचाने गए भविष्य के कार्य की दिशाओं में शामिल हैं: प्रॉक्सी विधियों को अधिक जटिल, सामान्यतः गैर-पहचान योग्य परिदृश्यों तक विस्तारित करना और इन दृष्टिकोणों से प्राप्त अनुमानकों के लिए सामान्य सेमी-पैरामीट्रिक थ्योरी स्थापित करना।