📊 statistics

Estimation and Inference for Causal Explainability

यह शोध पत्र व्याख्यात्मकता (explainability) के लिए एक कारणत्मक ढांचे (causal framework) का प्रस्ताव करता है जो एसिम्प्टोटिक वेरिएंस (asymptotic variance) को कम करने के लिए एक सेमी-पैरामेट्रिक वन-स्टेप करेक्शन एस्टिमेटर और शून्य व्याख्यात्मकता के परीक्षण के लिए एक रैंडमाइजेशन-आधारित इन्फरेंस प्रक्रिया पेश करता है, जो सिमुलेशन और आप्रवासन पर सार्वजनिक राय के विश्लेषण के माध्यम से अपनी प्रभावशीलता को प्रदर्शित करता है।

मूल लेखक: Weihan Zhang, Zijun Gao

प्रकाशित 2026-03-09

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Weihan Zhang, Zijun Gao

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 "Estimation and Inference for Causal Explainability" पेपर का सरल भाषा, रचनात्मक उपमाओं और रूपकों के साथ हिंदी अनुवाद दिया गया है।

बड़ी तस्वीर: "क्या" के पीछे का "क्यों"

कल्पना कीजिए कि आप एक शेफ हैं जिसने अभी-अभी एक स्वादिष्ट सूप बनाया है। आप जानते हैं कि सूप का स्वाद लाजवाब है (परिणाम/Outcome), लेकिन आप वास्तव में यह जानना चाहते हैं कि ऐसा क्यों है। क्या यह नमक की वजह से है? लहसुन की वजह से? या इस बात की वजह से कि आपने इसे घड़ी की दिशा (clockwise) में चलाया था? या फिर लहसुन और गर्मी के जादुई संयोजन की वजह से?

डेटा साइंस की दुनिया में, हमारे पास अक्सर एक "ब्लैक बॉक्स" मॉडल होता है जो परिणामों की भविष्यवाणी करता है (जैसे कि कोई ग्राहक उत्पाद खरीदेगा या नहीं, या कोई मरीज ठीक होगा या नहीं)। हम जानना चाहते हैं: प्रत्येक सामग्री (वेरिएबल) वास्तव में अंतिम परिणाम में कितना योगदान देती है?

यह पेपर उस सवाल का जवाब देने का एक नया, अधिक सटीक तरीका पेश करता है। केवल यह अनुमान लगाने के बजाय कि कौन सी सामग्रियां महत्वपूर्ण हैं, लेखक एक गणितीय रेसिपी प्रदान करते हैं जिससे यह मापा जा सके कि प्रत्येक कारक के पास कितनी "व्याख्यात्मक शक्ति" (explanatory power) है, और वे परिणाम को बदलने के लिए कैसे "टीम" बनाते हैं (परस्पर क्रिया/interaction करते हैं)।

मुख्य समस्या: "ओरेकल" बनाम वास्तविक जीवन

पुराना तरीका (जादुई ओरेकल/भविष्यवक्ता):
कल्पना कीजिए कि आपके पास एक जादुई क्रिस्टल बॉल (एक "ओरेकल") है जो आपको बिल्कुल बता सकती है कि यदि आप नमक को चीनी से बदल दें, या यदि आप लहसुन को पूरी तरह से हटा दें, तो सूप का स्वाद कैसा होगा। पिछले अधिकांश तरीके इस क्रिस्टल बॉल के होने पर निर्भर थे। वे यह जानने के लिए कि क्या महत्वपूर्ण है, उस बॉल से लाखों सवाल पूछते थे।

नया तरीका (वास्तविक रसोई):
वास्तविक जीवन में (जैसे सामाजिक विज्ञान या आनुवंशिकी में), हमारे पास कोई क्रिस्टल बॉल नहीं होती। हमारे पास केवल पिछले व्यंजनों और उनके परिणामों की एक नोटबुक होती है। हम अतीत को जादुई रूप से बदल नहीं सकते; हमारे पास केवल वही डेटा है जो हमने एकत्र किया है। लेखक कहते हैं, "आइए एक ऐसा तरीका बनाएं जो केवल हमारी नोटबुक के साथ काम करे, बिना किसी जादुई ओरेकल की आवश्यकता के।"

तीन बड़ी नवाचार (Innovations)

पेपर तीन कठिन समस्याओं को तीन चतुर तरीकों से हल करता है:

1. "दक्षता" (Efficiency) का तरीका: शॉर्टकट के रूप में स्वतंत्रता का उपयोग करना

अवधारणा:
कल्पना कीजिए कि आप तीन अलग-अलग शहरों में मौसम का अनुमान लगाने की कोशिश कर रहे हैं: न्यूयॉर्क, लंदन और टोक्यो। यदि ये शहर पूरी तरह से असंबंधित (स्वतंत्र) होते, तो न्यूयॉर्क के मौसम को जानने से लंदन के बारे में कुछ भी पता नहीं चलता।

रूपक:
अधिकांश सांख्यिकीय विधियाँ हर शहर के साथ ऐसे व्यवहार करती हैं जैसे कि वे एक-दूसरे से जुड़े हो सकते हैं, जिससे गणित भारी और धीमा हो जाता है। यह एक ऐसी पहेली को हल करने जैसा है जहाँ आप मान लेते हैं कि हर टुकड़ा दूसरे टुकड़े के बगल में फिट हो सकता है।

पेपर का समाधान:
लेखकों ने महसूस किया कि कई प्रयोगों (जैसे कि उनके द्वारा उपयोग किए गए अप्रवास अध्ययन) में, कारक रैंडमाइज्ड और स्वतंत्र होते हैं। उन्होंने एक "शॉर्टकट" (जिसे One-Step Correction Estimator कहा जाता है) बनाया जो स्पष्ट रूप से इस स्वतंत्रता का उपयोग करता है।

उपमा: पहेली के हर टुकड़े के बीच के संबंध की जाँच करने के बजाय, वे कहते हैं, "अरे, हमें पता है कि ये टुकड़े आपस में नहीं जुड़ते। आइए इन कनेक्शनों को अनदेखा करें।" यह उनकी गणना को बहुत अधिक सटीक (कम वेरिएंस) बनाता है और कम डेटा के साथ उन्हें एक स्पष्ट उत्तर देता है।

2. "शून्य" की समस्या: जब कुछ भी मायने नहीं रखता

अवधारणा:
कभी-कभी, एक कारक वास्तव में बिल्कुल भी मायने नहीं रखता। इसकी "व्याख्यात्मकता" (explainability) बिल्कुल शून्य होती है। सांख्यिकी में, इसे "डिजेनरेट नल" (degenerate null) कहा जाता है। यह एक भूत के वजन को मापने की कोशिश करने जैसा है। मानक गणितीय उपकरण यहाँ विफल हो जाते हैं क्योंकि सामान्य "रूलर" (कॉन्फिडेंस इंटरवल) बेकार हो जाता है जब उत्तर बिल्कुल शून्य होता है।

रूपक:
कल्पना कीजिए कि आप एक न्यायाधीश हैं जो यह तय करने की कोशिश कर रहे हैं कि संदिग्ध दोषी है या नहीं। मानक परीक्षण तब बहुत अच्छे होते हैं जब संदिग्ध स्पष्ट रूप से दोषी या स्पष्ट रूप से निर्दोष हो। लेकिन यदि संदिग्ध पूरी तरह से निर्दोष (शून्य दोष) है, तो मानक परीक्षण भ्रमित हो सकते हैं और आपको एक अजीब, अविश्वसनीय निर्णय दे सकते हैं।

पेपर का समाधान:
वे रैंडमाइजेशन इन्फरेंस (सर रोनाल्ड फिशर से प्रेरित एक विधि) का उपयोग करते हैं।

उपमा: टूटे हुए रूलर का उपयोग करने के बजाय, वे "क्या होगा अगर?" का खेल खेलते हैं। वे अपने डेटा को लेते हैं, कार्डों को मिलाते हैं (variables को permute करते हैं), और देखते हैं कि क्या होता है। यदि कारक वास्तव में शून्य प्रभाव रखता है, तो कार्डों को मिलाने से परिणाम में कोई बदलाव नहीं आना चाहिए। यदि कार्डों को चाहे कितनी भी बार मिला लिया जाए, परिणाम समान रहता है, तो वे निश्चित रूप से जानते हैं कि वह कारक अप्रासंगिक है। यह तब भी पूरी तरह से काम करता है जब उत्तर बिल्कुल शून्य हो।

3. "अनुक्रमिक" (Sequential) रणनीति: दो-चरणीय जासूस

अवधारणा:
चूंकि हमें पहले से पता नहीं होता कि कोई कारक महत्वपूर्ण है या शून्य, इसलिए हमें एक ऐसी योजना की आवश्यकता है जो दोनों मामलों को संभाल सके।

रूपक:
एक जासूस के बारे में सोचें जो एक केस सुलझा रहा है।

चरण 1: पहले, वे एक त्वरित "शफलिंग टेस्ट" (रैंडमाइजेशन टेस्ट) करते हैं। यदि सबूत बताते हैं कि संदिग्ध निश्चित रूप से निर्दोष है (शून्य व्याख्यात्मकता), तो वे मामला तुरंत बंद कर देते हैं और कहते हैं, "यह शून्य है।"
चरण 2: यदि शफलिंग टेस्ट सुझाव देता है कि संदिग्ध दोषी हो सकता है (गैर-शून्य व्याख्यात्मकता), तो वे ठीक से मापने के लिए "उच्च-सटीक रूलर" (कॉन्फिडेंस इंटरवल) पर स्विच करते हैं।

परिणाम: यह दो-चरणीय प्रक्रिया यह सुनिश्चित करती है कि आपको कभी गलत उत्तर न मिले, चाहे वह कारक महत्वपूर्ण हो या पूरी तरह से बेकार।

वास्तविक दुनिया का परीक्षण: अप्रवास प्रयोग (Immigration Experiment)

अपने तरीके को सिद्ध करने के लिए, लेखकों ने अप्रवास (Immigration) के बारे में एक प्रसिद्ध अध्ययन लागू किया।

सेटअप: लोगों से दो अप्रवासियों के बीच चयन करने के लिए कहा गया जो विभिन्न गुणों पर आधारित थे: लिंग (Gender), जॉब प्लान, शिक्षा, भाषा, आदि।
प्रश्न: कौन से गुण वास्तव में लोगों की राय बदलते हैं? क्या वे जॉब प्लान या लिंग के बारे में अधिक परवाह करते हैं? क्या एक "जॉब प्लान" और "जॉब अनुभव" मिलकर राय बदलने के लिए टीम बनाते हैं?

निष्कर्ष:
उनके नए "शॉर्टकट" तरीके का उपयोग करते हुए, उन्होंने पाया कि:

जॉब प्लान और शिक्षा राय के सबसे बड़े चालक थे (उच्च व्याख्यात्मकता)।
लिंग का बहुत अधिक महत्व नहीं था (शून्य के करीब)।
इंटरैक्शन (Interaction): उन्होंने एक विशिष्ट "टीम-अप" प्रभाव की खोज की: जॉब प्लान और जॉब अनुभव का संयोजन अकेले उनमें से किसी एक की तुलना में अधिक मायने रखता था।

यह एक महत्वपूर्ण अंतर्दृष्टि है। यह हमें बताता है कि लोग केवल एक बायोडाटा (resume) को लाइन-दर-लाइन नहीं देख रहे हैं; वे उस 'कहानी' को देख रहे हैं जो ये दो लाइनें मिलकर बनाती हैं।

सारांश: यह क्यों मायने रखता है

यह पेपर एक धुंधले, अनुमान-आधारित मानचित्र से अपग्रेड होकर एक हाई-डेफिनिशन जीपीएस (GPS) बनने जैसा है।

यह वास्तविक है: यह वास्तविक दुनिया के डेटा के साथ काम करता है जहाँ आप जादुई रूप से अतीत को बदल नहीं सकते।
यह स्मार्ट है: यह आपको स्पष्ट और सटीक उत्तर देने के लिए वेरिएबल्स की स्वतंत्रता का उपयोग करता है।
यह मजबूत है: इसमें "कुछ भी मायने नहीं रखता" वाली स्थिति के लिए एक विशेष सुरक्षा जाल है, जो गलत अलार्म बजने से रोकता है।

संक्षेप में, लेखकों ने हमें एक जटिल दुनिया में कारण और प्रभाव (cause and effect) को समझने का एक बेहतर तरीका दिया है, जिससे हमें न केवल यह जानने में मदद मिलती है कि क्या हुआ, बल्कि यह भी कि वह क्यों हुआ।

यहाँ वेइहन झांग और ज़िजुन गाओ के शोध पत्र "Estimation and Inference for Causal Explainability" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या का निरूपण (Problem Formulation)

यह शोध पत्र कारण संबंधी व्याख्यात्मकता (causal explainability) को मापने की चुनौती का समाधान करता है: यह निर्धारित करना कि व्यक्तिगत कारक (चर) और उनकी अंतःक्रियाएं (interactions) किसी परिणाम की परिवर्तनशीलता में कितना योगदान देती हैं। जुड़ाव-आधारित मापों (जैसे कि शापली मान या मानक फीचर इम्पॉर्टेंस) के विपरीत, लेखक एक कारण संबंधी दृष्टिकोण (causal view) का समर्थन करते हैं ताकि अंतर्निहित तंत्रों को उजागर किया जा सके और विभिन्न संदर्भों में सामान्यीकरण (generalizability) सुनिश्चित किया जा सके।

पहचानी गई मुख्य चुनौतियाँ:

डेटा की सीमाएँ: कई डोमेन (सामाजिक विज्ञान, आनुवंशिकी) एकत्रित अवलोकन संबंधी (observational) या प्रयोगात्मक डेटा पर निर्भर करते हैं, जहाँ मनमाने इनपुट के लिए परिणाम उत्पन्न करने वाले "ओरेकल" (ब्लैक-बॉक्स मॉडल) तक पहुँच नहीं होती है। मौजूदा विधियाँ अक्सर ओरेकल एक्सेस की धारणा लेती हैं।
डीजेनरेट नल्स (Degenerate Nulls): एक महत्वपूर्ण सांख्यिकीय बाधा तब उत्पन्न होती है जब वास्तविक व्याख्यात्मकता शून्य होती है। ऐसे मामलों में, पैरामीटर पैरामीटर स्पेस की सीमा (boundary) पर स्थित होता है, जिससे मानक इन्फ्लुएंस फंक्शन लुप्त हो जाते हैं। इससे डीजेनरेट एसिम्प्टोटिक वितरण (asymptotic distributions) उत्पन्न होते हैं, जो मानक कॉन्फिडेंस इंटरवल को अमान्य बना देते हैं।
दक्षता (Efficiency): मानक सेमी-पैरामीट्रिक एस्टिमेटर्स अक्सर उपचार चर (treatment variables) की स्वतंत्रता संरचना (independence structure) की अनदेखी करते हैं, जिससे सब-ऑप्टिमल वेरिएंस (suboptimal variance) होता है।

ढांचा (Framework):
लेखक Causal ANOVA का उपयोग करते हैं, जो कार्यात्मक ANOVA और सोबोल इंडेक्स (Sobol indices) का काउंटरफैक्चुअल सेटिंग में सामान्यीकरण है। वे निम्नलिखित धारणाएँ मानते हैं:

स्वतंत्र उपचार (Independent Treatments): कारक $W_k$ परस्पर स्वतंत्र हैं (धारणा 2.1)।
NPSEM-IE: परिणाम एक नॉन-पैरामीट्रिक स्ट्रक्चरल इक्वेशन मॉडल विद इंडिपेंडेंट एरर्स ( $Y = f_Y(W) + E_Y$ ) का अनुसरण करता है, जो पहचान क्षमता (identifiability) सुनिश्चित करता है।

2. कार्यप्रणाली (Methodology)

यह शोध पत्र अनुमान और निष्कर्ष के लिए एक व्यापक सेमी-पैरामीट्रिक ढांचे का प्रस्ताव करता है, जिसमें तीन मुख्य घटक शामिल हैं:

A. एफिशिएंट इन्फ्लुएंस फंक्शन्स (EIF) और वन-स्टेप एस्टिमेशन

लेखक कारण संबंधी व्याख्यात्मकता मात्राओं (कुल व्याख्यात्मकता और इंटरेक्शन व्याख्यात्मकता) के लिए एफिशिएंट इन्फ्लुएंस फंक्शन (EIF) व्युत्पन्न करते हैं।

बेसलाइन बनाम एफिशिएंट: वे पहले एक नॉन-पैरामीट्रिक मॉडल के तहत इन्फ्लुएंस फंक्शन ( $\phi_{IF}$ ) व्युत्पन्न करते हैं। फिर, कारकों की स्वतंत्रता संरचना ( $W_k \perp \perp W_{-k}$ ) का लाभ उठाते हुए, वे इस फंक्शन को प्रतिबंधित मॉडल के टेंजेंट स्पेस पर प्रोजेक्ट करते हैं ताकि एफिशिएंट इन्फ्लुएंस फंक्शन ( $\phi_{EIF}$ ) प्राप्त किया जा सके।
वेरिएंस रिडक्शन: स्वतंत्रता संरचना का स्पष्ट रूप से उपयोग करके, $\phi_{EIF}$ उस $\phi_{IF}$ की तुलना में कम एसिम्प्टोटिक वेरिएंस प्राप्त करता है जो संयुक्त वितरण (joint distribution) को एक ब्लैक बॉक्स के रूप में मानता है।
वन-स्टेप करेक्शन: वे एक वन-स्टेप करेक्शन एस्टिमेटर का निर्माण करते हैं:
$\hat{\xi} = \xi(\hat{P}) + \mathbb{P}_n \hat{\phi}$
जहाँ $\hat{P}$ न्यूसेंस एस्टिमेटर्स (जैसे कि $\mathbb{E}[Y|W]$ ) को दर्शाता है और $\mathbb{P}_n$ एम्पिरिकल मेजर है। यह एस्टिमेटर न्यूसेंस एस्टिमेशन त्रुटियों के प्रति रोबस्ट है, बशर्ते वे $o_P(n^{-1/4})$ की दर से अभिसरित (converge) हों।
क्रॉस-फिटिंग (Cross-Fitting): ओवरफिटिंग से बचने और वैध एसिम्प्टोटिक नॉर्मलिटी सुनिश्चित करने के लिए, यह विधि क्रॉस-फिटिंग प्रक्रिया का उपयोग करती है (डेटा को फोल्ड्स में विभाजित करना, ट्रेनिंग फोल्ड्स पर न्यूसेंस का अनुमान लगाना, और होल्ड-आउट फोल्ड्स पर मूल्यांकन करना)।

B. रैंडमाइजेशन इन्फरेंस के माध्यम से डीजेनरेट नल्स को संभालना

जब नल हाइपोथेसिस $\xi = 0$ (शून्य व्याख्यात्मकता) हो, तो मानक एसिम्प्टोटिक नॉर्मलिटी विफल हो जाती है।

फिशर के शार्प नल के साथ समानता: लेखक सिद्ध करते हैं कि स्वतंत्रता की धारणा के तहत, $\xi(WS) = 0$ का नल, फिशर के शार्प नल $Y(w_S, w_{-S}) = Y(w'_S, w_{-S})$ के समान है। इसका अर्थ है कि $W_S$ को बदलने का परिणाम पर कोई प्रभाव नहीं पड़ता है।
रैंडमाइजेशन टेस्ट: सैंपल स्प्लिटिंग या नॉइज़ इंजेक्शन (जो अन्य साहित्य में सामान्य है) पर निर्भर रहने के बजाय, वे एक रैंडमाइजेशन-आधारित निष्कर्ष प्रक्रिया का प्रस्ताव करते हैं।
- नल के तहत, संभावित परिणाम (potential outcomes) $W_S$ के परम्यूटेशन (permutations) के प्रति अपरिवर्तित रहते हैं।
- टेस्ट स्टैटिस्टिक की गणना डेटासेट के भीतर $W_S$ को परम्यूट करके ( $W_{-S}$ को सुरक्षित रखते हुए) और एस्टिमेटर को पुनर्गणना करके की जाती है।
- यह बिना $W$ के पूर्ण संयुक्त वितरण के ज्ञान के, एक परिमित-नमूना (finite-sample) वैध p-वैल्यू प्रदान करता है।

C. अनुक्रमिक प्रक्रिया (Sequential Procedure)

इस अनिश्चितता को संभालने के लिए कि क्या नल डीजेनरेट ( $\xi=0$ ) है या नॉन-डीजेनरेट ( $\xi > 0$ ), वे एक अनुक्रमिक प्रक्रिया का प्रस्ताव करते हैं:

चरण 1: डीजेनरेट नल के लिए रैंडमाइजेशन टेस्ट करें।
- यदि $H_0$ खारिज नहीं होता है, तो कॉन्फिडेंस सेट $\{0\}$ आउटपुट करें।
- यदि $H_0$ खारिज हो जाता है, तो चरण 2 पर जाएँ।
चरण 2: वन-स्टेप एस्टिमेटर के एसिम्प्टोटिक वितरण का उपयोग करके एक मानक $(1-\alpha)$ कॉन्फिडेंस इंटरवल का निर्माण करें (जो नॉन-डीजेनरेट नल्स के तहत मान्य है)।

वैधता: यह प्रक्रिया गारंटी देती है कि बिना महत्व स्तर $\alpha$ को विभाजित किए, दोनों चरण एक ही मात्रा को लक्षित करते हैं, जिससे कवरेज सुनिश्चित होता है।

3. प्रमुख योगदान

स्वतंत्रता के साथ सेमी-पैरामीट्रिक दक्षता: एक ऐसा $\phi_{EIF}$ का व्युत्पत्ति जो कारकों की स्वतंत्रता का स्पष्ट रूप से लाभ उठाता है। इसके परिणामस्वरूप एक ऐसा एस्टिमेटर प्राप्त होता है जिसका एसिम्प्टोटिक वेरिएंस, मानक प्लग-इन या नॉन-पैरामीट्रिक इन्फ्लुएंस फंक्शन एस्टिमेटर्स की तुलना में कम होता है।
बाउंड्री नल्स के लिए रोबस्ट इन्फरेंस: शून्य व्याख्यात्मकता के परीक्षण के लिए एक नवीन रैंडमाइजेशन-आधारित प्रक्रिया, जो सैंपल स्प्लिटिंग या नॉइज़ इंजेक्शन से जुड़ी दक्षता हानि से बचती है और परिमित-नमूना वैधता बनाए रखती है।
अनुक्रमिक निष्कर्ष ढांचा (Sequential Inference Framework): एक एकीकृत दृष्टिकोण जो रैंडमाइजेशन टेस्ट ( $\xi=0$ के लिए) और एसिम्प्टोटिक कॉन्फिडेंस इंटरवल ( $\xi>0$ के लिए) को सहजता से जोड़ता है, जिससे वास्तविक मान के बावजूद वैध निष्कर्ष प्राप्त होता है।
व्यावहारिक प्रयोज्यता: यह विधि ओरेकल एक्सेस की आवश्यकता के बिना पूर्व-एकत्रित डेटासेट पर कार्य करती है, जो इसे सामाजिक विज्ञान और आनुवंशिकी के लिए उपयुक्त बनाती है जहाँ डेटा अवलोकन संबंधी या जटिल प्रयोगों से होता है।

4. परिणाम

सिमुलेशन अध्ययन

दक्षता लाभ: सिमुलेशन दर्शाते हैं कि $\phi_{EIF}$ -आधारित एस्टिमेटर (स्वतंत्रता का लाभ उठाते हुए) $\phi_{IF}$ -आधारित एस्टिमेटर (स्वतंत्रता की अनदेखी करने वाले) की तुलना में काफी कम वेरिएंस और संकीर्ण कॉन्फिडेंस इंटरवल प्रदर्शित करता है, विशेष रूप से जब न्यूसेंस फंक्शन सटीक रूप से अनुमानित होते हैं।
कवरेज: दोनों विधियाँ नॉन-डीजेनरेट नल्स के लिए सटीक कवरेज दर (लगभग 95%) प्राप्त करती हैं।
परिमित नमूना मजबूती (Finite Sample Robustness): लेखक नोट करते हैं कि हालांकि $\phi_{EIF}$ सैद्धांतिक रूप से बेहतर है, इसके लिए अधिक जटिल न्यूसेंस घटकों के अनुमान की आवश्यकता होती है। छोटे नमूनों में, जहाँ न्यूसेंस अनुमानित होते हैं, $\phi_{IF}$ -आधारित एस्टिमेटर कभी-कभी बेहतर स्थिरता दिखाता है। वे अनिश्चित न्यूसेंस अनुमान वाले छोटे नमूनों के लिए $\phi_{IF}$ और अच्छी तरह से अनुमानित न्यूसेंस वाले मामलों के लिए $\phi_{EIF}$ की सिफारिश करते हैं।

वास्तविक डेटा विश्लेषण: अप्रवास प्रयोग (Immigration Experiment)

लेखकों ने अपने मेथड को अप्रवास के संबंध में जनमत (Hainmueller et al., 2015) के संबंध में एक कंजॉइंट एनालिसिस डेटासेट पर लागू किया।

कुल व्याख्यात्मकता (Total Explainability): उन्होंने कई कारकों की पहचान की जिनमें महत्वपूर्ण गैर-शून्य कारण व्याख्यात्मकता थी, जिसमें Job Plan, Education & Profession, Language, और Prior Trips to the U.S. शामिल थे। विशेष रूप से, Gender ने शून्य व्याख्यात्मकता दिखाई (H0 को खारिज करने में विफल रहा)।
इंटरेक्शन प्रभाव: विश्लेषण ने Job Plan और Job Experience के बीच एक महत्वपूर्ण अंतःक्रिया का खुलासा किया, जो यह सुझाव देता है कि जॉब प्लान का प्रभाव आवेदक के अनुभव स्तर पर निर्भर करता है।
तुलना: परिणाम मौजूदा साहित्य के अनुरूप थे, लेकिन उन्होंने वैध कॉन्फिडेंस इंटरवल के साथ एक कठोर कारण निष्कर्ष ढांचा प्रदान किया, जो पिछले वर्णनात्मक विश्लेषणों की सीमाओं को पार करता है।

5. महत्व

यह शोध पत्र कारण अनुमान (causal inference) और व्याख्यात्मकता (XAI) के बीच की खाई को पाटता है, जो कारण सेटिंग में फीचर इम्पॉर्टेंस को मापने के लिए एक कठोर सांख्यिकीय आधार प्रदान करता है।

सैद्धांतिक प्रगति: यह सेमी-पैरामीट्रिक सांख्यिकी में "डीजेनरेट नल" समस्या को हल करता है, जो फीचर इम्पॉर्टेंस टेस्टिंग में एक ज्ञात कठिनाई है, रैंडमाइजेशन इन्फरेंस को सेमी-पैरामीट्रिक एफिशिएंसी थ्योरी के साथ एकीकृत करके।
मेथोडोलॉजिकल नवाचार: एक एफिशिएंट इन्फ्लुएंस फंक्शन का विकास जो स्वतंत्रता संरचनाओं का लाभ उठाता है, अन्य फैक्टोरियल या मल्टी-फैक्टर प्रयोगात्मक डिजाइनों में दक्षता में सुधार के लिए एक ब्लूप्रिंट प्रदान करता है।
व्यावहारिक प्रभाव: ओरेकल एक्सेस की आवश्यकता को हटाकर, यह विधि महामारी विज्ञान, अर्थशास्त्र और राजनीति विज्ञान जैसे क्षेत्रों में काम करने वाले शोधकर्ताओं के लिए कारण व्याख्यात्मकता विश्लेषण को सुलभ बनाती है। अनुक्रमिक प्रक्रिया यह सुनिश्चित करती है कि शोधकर्ता सांख्यिकीय अमान्यता के डर के बिना "शून्य महत्व" या "सकारात्मक महत्व" को आत्मविश्वास के साथ रिपोर्ट कर सकें।