📈 economics

Dynamic causal inference with time series data

यह शोध पत्र संपूर्ण स्टोकेस्टिक प्रक्षेप पथों (stochastic trajectories) पर कारण प्रभावों को परिभाषित करके टाइम सीरीज़ डेटा के लिए पोटेंशियल आउटकम फ्रेमवर्क का सामान्यीकरण करता है, एक डायनेमिक एवरेज ट्रीटमेंट इफेक्ट (DATE) एस्टिमेटर पेश करता है जो यह पकड़ता है कि हस्तक्षेप विकासवादी गतिकी और निरंतरता को कैसे बदलते हैं, जिससे स्थिर कारण विधियों (static causal methods) में निहित व्यवस्थित गलत अनुमान पर विजय प्राप्त होती है।

मूल लेखक: Tanique Schaffe-Odeleye, Kōsaku Takanashi, Vishesh Karwa, Edoardo M. Airoldi, Kenichiro McAlinn

प्रकाशित 2026-02-03

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Tanique Schaffe-Odeleye, Kōsaku Takanashi, Vishesh Karwa, Edoardo M. Airoldi, Kenichiro McAlinn

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 यह पता लगाने की कोशिश कर रहे हैं कि क्या एक नया उर्वरक (fertilizer) एक विशिष्ट प्रकार के पौधे को बेहतर तरीके से उगाता है।

पुराना तरीका (स्थिर सोच - Static Thinking):
पारंपरिक अध्ययनों में, शोधकर्ता एक बगीचे को चुन सकते हैं, 100 पौधे ले सकते हैं, 50 को उर्वरक देते हैं और 50 को पानी, और गर्मियों के अंत में एक बार उनकी ऊंचाई मापते हैं। वे औसत अंतर की गणना करते हैं। यह तब अच्छी तरह काम करता है जब पौधे एक स्थिर दर से बढ़ते हैं।

समय के साथ समस्या:
लेकिन क्या होगा अगर उर्वरक केवल पौधे को लंबा नहीं बनाता? क्या होगा अगर यह पौधे के बढ़ने के तरीके को बदल देता है? शायद यह पौधे को एक महीने के लिए तेजी से ऊपर की ओर उछाल देता है, फिर रुक जाता है, फिर मुरझाने लगता है, जबकि पानी वाले पौधे पूरे समय धीरे-धीरे लेकिन लगातार बढ़ते रहते हैं।

यदि आप केवल अंतिम ऊंचाई देखते हैं, तो आप पूरी कहानी को छोड़ देते हैं। आप सोच सकते हैं कि उर्वरक बहुत अच्छा है क्योंकि पौधा लंबा है, या बहुत बुरा है क्योंकि पौधा मर गया है, लेकिन आपको यह पता नहीं चलेगा कि उर्वरक ने पौधे के व्यवहार को कब और कैसे बदला।

नया समाधान (यह शोध पत्र):
यह शोध पत्र समय के साथ बदलने वाली चीजों के लिए कारण और प्रभाव (cause and effect) को समझने का एक नया तरीका पेश करता है, जैसे शेयर बाजार, बीमारी का प्रसार, या बेरोजगारी दर। वे इसे "डायनेमिक कॉज़ल इन्फरेंस" (Dynamic Causal Inference) कहते हैं।

यहाँ मुख्य विचार को सरल उपमाओं में तोड़कर समझाया गया है:

1. "फिल्म" बनाम "स्नैपशॉट"

पुराना तरीका: डेटा को एक तस्वीर (photograph) की तरह मानता है। यह पूछता है, "इस एक क्षण पर परिणाम क्या है?"
नया तरीका: डेटा को एक फिल्म (movie) की तरह मानता है। यह पूछता है, "परिणाम की पूरी कहानी कैसे बदलती है?"
उपमा: दो धावकों की कल्पना करें।
- धावक A (कंट्रोल): 5 मील प्रति घंटे की स्थिर गति से दौड़ता है।
- धावक B (ट्रीटेड): एक दवा लेता है।
- स्थिर दृष्टिकोण (Static View): आप फिनिश लाइन पर उनकी गति देखते हैं।
- डायनेमिक दृष्टिकोण (DATE): आप पूरी दौड़ देखते हैं। आप देखते हैं कि धावक B ने तेजी से शुरुआत की, थक गया, धीमा हो गया, और फिर अंत में स्प्रिंट मारा। "डायनेमिक एवरेज ट्रीटमेंट इफेक्ट" (DATE) एक मानचित्र है जो दिखाता है कि दौड़ के हर एक सेकंड में उस दवा ने उनकी गति को कैसे बदला, न कि केवल अंतिम परिणाम।

2. दो परिदृश्य: भीड़ बनाम अकेला भेड़िया

शोध पत्र बताता है कि आपके पास कितने डेटा हैं, इसके आधार पर आपको अलग-अलग उपकरणों की आवश्यकता होती है।

परिदृश्य A: भीड़ (कई इकाइयाँ)
कल्पना कीजिए कि आपके पास 1,000 लोग हैं। कुछ दवा लेते हैं, कुछ नहीं।

उपकरण: वे डायनेमिक इनवर्स प्रोबेबिलिटी वेटिंग (DIPW) नामक एक विधि का उपयोग करते हैं।
उपमा: इसे एक निष्पक्षता पैमाने (fairness scale) के रूप में सोचें। वास्तविक दुनिया में, दवा लेने वाले लोग उन लोगों से अलग हो सकते हैं जो नहीं लेते (जैसे, बीमार लोग दवा लेते हैं)। "वेटिंग" डेटा को इस तरह समायोजित करती है कि दवा लेने वाले समूह के "बीमार" लोग, बिना दवा लेने वाले समूह के "बीमार" लोगों के साथ संतुलित हों। यह भीड़ को फिर से व्यवस्थित करता है ताकि यह एक निष्पक्ष प्रयोग की तरह दिखे, जिससे वे समय के साथ दवा के वास्तविक प्रभाव को देख सकें।

परिदृश्य B: अकेला भेड़िया (एक इकाई)
कल्पना कीजिए कि आपके पास केवल एक देश है जिसने लॉकडाउन लागू किया (जैसे शोध पत्र में यूके), और तुलना करने के लिए कोई अन्य देश नहीं है।

उपचार: वे डायनेमिक लीनियर मॉडल (DLM) का उपयोग करते हैं, जो एक प्रकार का "स्टेट-स्पेस" मॉडल है।
उपमा: इसे एक टाइम मशीन (Time Machine) के रूप में सोचें। चूंकि आपके पास केवल एक देश है, इसलिए आप किसी जुड़वां से तुलना नहीं कर सकते। इसके बजाय, आप उस देश के इतिहास (लॉकडाउन से पहले) के आधार पर एक गणितीय "टाइम मशीन" बनाते हैं।
- मशीन उस देश की प्राकृतिक लय (रुझान, मौसम, सामान्य उतार-चढ़ाव) को सीखती है।
- जब लॉकडाउन आता है, तो मशीन अनुमान लगाती है कि यदि लॉकडाउन कभी नहीं हुआ होता तो क्या होता (काउंटरफैक्टुअल)।
- वास्तविक पथ और टाइम मशीन के पथ के बीच का अंतर लॉकडाउन का वास्तविक प्रभाव है।

3. प्रभाव के "तीन भाग"

शोध पत्र दिखाता है कि जब आप पूरी फिल्म देखते हैं, तो आप प्रभाव को तीन अलग-अलग भागों में तोड़ सकते हैं, जिन्हें स्थिर विधियाँ अक्सर मिला देती हैं:

"स्पॉट" प्रभाव (The "Spot" Effect): तत्काल झटका। (जैसे, जिस क्षण लॉकडाउन शुरू हुआ, बेरोजगारी तुरंत बढ़ गई)।
"परसिस्टेंट" प्रभाव (The "Persistent" Effect): स्तर में स्थायी बदलाव। (जैसे, चीजें स्थिर होने के बाद भी, बेरोजगारी पहले की तुलना में उच्च बनी रही)।
"ट्रेंड" प्रभाव (The "Trend" Effect): दिशा या गति में परिवर्तन। (जैसे, बेरोजगारी के बढ़ने या घटने की दर मौलिक रूप से बदल गई)।

शोध पत्र में वास्तविक दुनिया का उदाहरण:
लेखकों ने 2020 के कोविड-19 लॉकडाउन के दौरान यूके (UK) की बेरोजगारी पर इसका परीक्षण किया।

पुरानी विधियाँ (जैसे साधारण औसत) एक उलझन देखती थीं और यह नहीं बता पाती थीं कि प्रभाव एक बार का उछाल था या दीर्घकालिक परिवर्तन।
उनकी नई विधि ने एक स्पष्ट कहानी दिखाई:
- लगभग कोई तत्काल "स्पॉट" उछाल नहीं था।
- एक बड़ा "परसिस्टेंट" उछाल था (बेरोजगारी बढ़ी और ऊपर ही रही)।
- एक "ट्रेंड" परिवर्तन था (रिकवरी की दर धीमी हो गई)।
- इन्हें अलग करके, वे देख सके कि लॉकडाउन ने एक अस्थायी उछाल पैदा किया जो अंततः एक नए, उच्च सामान्य स्तर में स्थिर हो गया, न कि केवल एक अस्थायी घटना थी।

सारांश

यह शोध पत्र तर्क देता है कि बदलती दुनिया में कारण और प्रभाव को समझने के लिए, आप केवल अंतिम स्कोर को देखकर काम नहीं चला सकते। आपको पूरा खेल देखना होगा। वे एक गणितीय नियम पुस्तिका (DATE) और दो सेट उपकरण (भीड़ के लिए और अकेले भेड़िये के लिए) प्रदान करते हैं, ताकि यह सटीक रूप से मापा जा सके कि एक हस्तक्षेप समय के साथ किसी प्रणाली की कहानी को कैसे बदलता है, न कि केवल उसके अंत को।

तकनीकी सारांश: समय श्रृंखला डेटा के साथ गतिशील कारण अनुमान (Dynamic Causal Inference)

समस्या विवरण
पारंपरिक कारण अनुमान ढांचे, जैसे कि रुबिन पोटेंशियल आउटकम मॉडल, परिणामों को एक एकल समय बिंदु पर घटित होने वाले यादृच्छिक चर (random variables) के रूप में मानते हैं। यह स्थिर दृष्टिकोण उन गतिशील प्रणालियों के लिए अनुपयुक्त है जहाँ हस्तक्षेप केवल परिणाम के स्तरों को ही नहीं बदलते, बल्कि प्रक्रिया की विकासवादी गतिशीलता (जैसे कि निरंतरता, अस्थिरता और संक्रमण नियमों में परिवर्तन) को मौलिक रूप से बदल देते हैं। मौजूदा विधियाँ जैसे कि डिफरेंस-इन-डिफरेंसेस (DiD), सिंथेटिक कंट्रोल मेथड्स (SCM), और इंटरप्टेड टाइम सीरीज़ (ITS) अक्सर समय-अपरिवर्तनीय गतिशीलता या समानांतर रुझानों (parallel trends) को मान लेती हैं। फलस्वरूप, जब हस्तक्षेप अंतर्निहित स्टोकेस्टिक विकास को संशोधित करते हैं, तो ये स्थिर विधियाँ कारण प्रभावों को अस्थायी निर्भरता (temporal dependence) के साथ मिला देती हैं, जिससे पक्षपाती अनुमान प्राप्त होते हैं। यह शोध पत्र एक ऐसे कारण ढांचे की आवश्यकता को संबोधित करता है जो समय को कारण तंत्र के अभिन्न अंग के रूप में मानता है, और जिसमें एस्टिमेंड्स (estimands) को एकल-अवधि के अवलोकनों के बजाय स्टोकेस्टिक प्रक्षेपवक्रों (stochastic trajectories) के स्थान पर सीधे परिभाषित किया जाता है।

कार्यप्रणाली
लेखक पोटेंशियल आउटकम फ्रेमवर्क को समय श्रृंखला (time series) के लिए सामान्यीकृत करते हैं, जहाँ पोटेंशियल आउटकम्स को संपूर्ण स्टोकेस्टिक प्रक्षेपवक्रों $\{Y_t(Z)\}_{t \in [0,T]}$ के रूप में परिभाषित किया जाता है।

डायनेमिक एवरेज ट्रीटमेंट इफेक्ट (DATE):
मुख्य एस्टिमेंड DATE है, जिसे प्रत्येक समय बिंदु $t$ पर उपचारित (treated) और नियंत्रण (control) स्टोकेस्टिक प्रक्रियाओं के अपेक्षित अंतर के रूप में परिभाषित किया गया है, जिसका औसत प्रारंभिक अवस्थाओं के वितरण पर लिया जाता है। औपचारिक रूप से:
$\text{DATE}(t) \triangleq \int \left( E_{y_0}[Y_t(Z=1)] - E_{y_0}[Y_t(Z=0)] \right) p(y_0) dy_0$
जब $T=1$ हो या i.i.d. धारणाएं लागू हों, तो यह शास्त्रीय एवरेज ट्रीटमेंट इफेक्ट (ATE) में बदल जाता है।
पहचान और अनुमान शासन (Identification and Estimation Regimes):
शोध पत्र डेटा की उपलब्धता के आधार पर दो अनुभवजन्य शासन (regimes) के बीच अंतर करता है:

बहु-इकाई/डिज़ाइन-आधारित शासन: जब कई तुलनीय इकाइयाँ उपलब्ध होती हैं, तो लेखक डायनेमिक इनवर्स-प्रोबेबिलिटी वेटिंग (DIPW) एस्टिमेटर का प्रस्ताव करते हैं। यह मानक IPW को गतिशील सेटिंग्स में विस्तारित करता है, जो हस्तक्षेप के समय तक के कन्फाउंडर्स के फिल्ट्रेशन $\mathcal{F}^X_{t_c}$ पर आधारित है। डायनेमिक इग्नोरैबिलिटी (धारणा 4.1) के तहत, जो यह मानती है कि हस्तक्षेप पूर्व इतिहास के आधार पर उपचार असाइनमेंट से स्वतंत्र पोटेंशियल आउटकम्स हैं, DIPW एस्टिमेटर को निष्पक्ष (unbiased) और सुसंगत (consistent) सिद्ध किया गया है।
दुर्लभ-उपचारित/मॉडल-आधारित शासन: जब केवल एक या कुछ ही उपचारित इकाइयाँ देखी जाती हैं, तो क्रॉस-सेक्शनल रीवेटिंग अपर्याप्त होती है। लेखक प्रदर्शित करते हैं कि DATE के अंतर्गत आने वाले कंडीशनल मीन प्रक्षेपवक्र एक स्टेट-स्पेस प्रतिनिधित्व को स्वीकार करते हैं। विशेष रूप से, वे सिद्ध करते हैं (प्रमेय 5.1) कि हल्के नियमन की शर्तों (square-integrable semimartingales) के तहत, कंडीशनल मीन डायनेमिक्स को एक डायनेमिक लीनियर मॉडल (DLM) के रूप में व्यक्त किया जा सकता है। यह पूरे सीरीज़ पर एक स्टेट-स्पेस मॉडल फिट करके DATE के अनुमान की अनुमति देता है, जो हस्तक्षेप प्रभाव को "स्पॉट" (तत्काल), "परसिस्टेंट" (स्तर परिवर्तन), और "ट्रेंड" (ढलान परिवर्तन) घटकों में विभाजित करता है।

सैद्धांतिक आधार:
यह ढांचा इंटरटेम्पोरल स्ट्रॉन्ग इग्नोरैबिलिटी (धारणा 5.1) को पेश करता है, जो स्ट्रॉन्ग इग्नोरैबिलिटी का एक टाइम-सीरीज़ विस्तार है, जिसके लिए उपचार असाइनमेंट भविष्य के कन्फाउंडर्स से स्वतंत्र होना आवश्यक है (कोई फीडबैक नहीं)। यह दृष्टिकोण क्रमिक पोटेंशियल आउटकम फ्रेमवर्क से भिन्न है जो अस्थायी निर्भरता को नेटवर्क इंटरफेरेंस के रूप में देखते हैं; यहाँ, निर्भरता को आंतरिक स्टोकेस्टिक विकास के रूप में माना गया है।

प्रमुख परिणाम

सिमुलेशन अध्ययन: लेखक चार परिदृश्यों (Many-Many, One-Many, One-One, और One-None) में मौजूदा विधियों (LM, AR(1)-LM, ARIMAX, SCM, DiD, C-ARIMA) के विरुद्ध इस ढांचे का मूल्यांकन करते हैं।
- DLM सभी परिदृश्यों में लगातार सबसे कम मीन स्क्वेर्ड एरर (MSE) और सटीक 95% कवरेज प्रोबेबिलिटी प्राप्त करता है, विशेष रूप से "One-None" मामले में जहाँ अन्य विधियाँ समय-परिवर्तित प्रभावों को पकड़ने में विफल रहती हैं।
- स्थिर विधियाँ (LM, ARIMAX) और सीधे देखे गए सीरीज़ पर निर्भर विधियाँ (SCM, DiD) उच्च पक्षपात (bias) और खराब कवरेज प्रदर्शित करती हैं, जो अक्सर सपाट औसत का अनुमान लगाती हैं या विकसित होती गतिशीलता के अनुकूल होने में विफल रहती हैं।
अनुभवजन्य अनुप्रयोग: ढांचे को 2020 के यूके लॉकडाउन के बेरोजगारी पर प्रभाव (एक One-None परिदृश्य) पर लागू किया गया है।
- DLM उपचार प्रभाव के एक गैर-रेखीय, आर्क-आकार के प्रक्षेपवक्र को सफलतापूर्वक कैप्चर करता है, जो बेरोजगारी में प्रारंभिक तीव्र वृद्धि और उसके बाद लगभग एक वर्ष तक धीमी रिकवरी को दर्शाता है।
- अपघटन विश्लेषण (Decomposition analysis) से पता चलता है कि प्रभाव एक 'परसिस्टेंट लेवल शिफ्ट' (अस्थायी वृद्धि) और एक नकारात्मक 'ट्रेंड घटक' (विकास दर में गिरावट) द्वारा संचालित है, जबकि "स्पॉट" प्रभाव नगण्य था। प्रतिस्पर्धी मॉडलों में यह सूक्ष्मता स्पष्ट नहीं थी।

महत्व और दावे
शोध पत्र का दावा है कि यह गतिशील प्रणालियों में कारण अनुमान के लिए एक एकीकृत संभाव्यता आधार (unified probabilistic foundation) प्रदान करता है। इसके प्राथमिक योगदान हैं:

सैद्धांतिक विस्तार: रुबिन कॉज़ल मॉडल को रैंडम वेरिएबल्स से स्टोकेस्टिक प्रक्रियाओं तक विस्तारित करना, जिससे उपचार प्रभाव को संपूर्ण प्रक्षेपवक्रों के गुणों के रूप में औपचारिक रूप से परिभाषित किया गया है।
पहचान रणनीति: डायनेमिक इग्नोरैबिलिटी के लिए स्थितियाँ निर्धारित करना और समय-निर्भर कन्फाउंडिंग वाले सेटिंग्स के लिए एक वैध एस्टिमेटर (DIPW) प्रदान करना।
व्यावहारिक कार्यान्वयन: यह दिखाना कि जब डेटा सीमित होता है, तो सैद्धांतिक DATE एक स्टेट-स्पेस प्रतिनिधित्व को स्वीकार करता है, जो एकल-इकाई या दुर्लभ-उपचारित परिदृश्यों में कारण अनुमान के लिए डायनेमिक लीनियर मॉडल्स के उपयोग को न्यायसंगत बनाता है।

लेखक इस बात पर जोर देते हैं कि उनका ढांचा यह स्पष्ट करता है कि कब मॉडल-आधारित दृष्टिकोण (जैसे स्ट्रक्चरल टाइम सीरीज़ या CausalImpact) अच्छी तरह से परिभाषित कारण एस्टिमेंड्स को लक्षित करते हैं। यह भविष्योन्मुखी काउंटरफैक्टुअल भविष्यवाणी (केवल पूर्व-उपचार डेटा पर आधारित) और पूर्वव्यापी कारण एट्रिब्यूशन (बेसलाइन डायनेमिक्स से हस्तक्षेप प्रभावों को अलग करने के लिए पूरी सीरीज़ का उपयोग करना) के बीच अंतर करता है, और उपचार प्रभावों के सूक्ष्म अपघटन को तेज करने के लिए दूसरे का समर्थन करता है। शोध पत्र निष्कर्ष निकालता है कि समय को एक कन्फाउंडर और कारण तंत्र के हिस्से के रूप में मानना, गतिशील प्रभावों के व्यवस्थित गलत अनुमान (जो स्थिर विधियों में निहित है) से बचने के लिए आवश्यक है।

1. "फिल्म" बनाम "स्नैपशॉट"

2. दो परिदृश्य: भीड़ बनाम अकेला भेड़िया

3. प्रभाव के "तीन भाग"

सारांश

तकनीकी सारांश: समय श्रृंखला डेटा के साथ गतिशील कारण अनुमान (Dynamic Causal Inference)

इसी तरह के और पेपर