📊 statistics

DCD: Decomposition-based Causal Discovery from Autocorrelated and Non-Stationary Temporal Data

यह शोध पत्र DCD को प्रस्तुत करता है, जो एक अपघटन-आधारित (decomposition-based) कारण खोज ढांचा (causal discovery framework) है जो लक्षित कारण विश्लेषण करने के लिए बहुभिन्नरूपी समय श्रृंखला (multivariate time series) को रुझान (trend), मौसमी (seasonal) और अवशेष (residual) घटकों में अलग करता है, जिससे मौजूदा विधियों की तुलना में गैर-स्थिर (non-stationary) और ऑटोकोरिलेटेड (autocorrelated) डेटा में कारण संरचना पुनर्प्राप्ति की सटीकता और व्याख्यात्मकता में सुधार होता है।

मूल लेखक: Muhammad Hasan Ferdous, Md Osman Gani

प्रकाशित 2026-04-29

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Muhammad Hasan Ferdous, Md Osman Gani

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 समझने की कोशिश कर रहे हैं कि एक शोर-शराबे वाले, अस्त-व्यस्त कमरे में किस चीज़ से क्या हो रहा है। आपके पास लोगों का एक समूह है (चर/variables) जो एक-दूसरे के ऊपर चिल्ला रहे हैं, गा रहे हैं और बातें कर रहे हैं। उनमें से कुछ एक दीर्घकालिक रुझान (जैसे धीरे-धीरे बढ़ता हुआ तूफान) के कारण चिल्ला रहे हैं, कुछ एक दोहराए जाने वाले कोरस (मौसमी पैटर्न) को गा रहे हैं, और कुछ बस अचानक होने वाली छोटी-मोटी बातचीत (अल्पकालिक उतार-चढ़ाव) कर रहे हैं।

समस्या यह है कि यदि आप एक साथ पूरे कमरे को सुनेंगे, तो आपको लग सकता है कि दो लोग आपस में गहरी बातचीत कर रहे हैं, जबकि वे वास्तव में बाहर बज रहे एक तेज़ सायरन के प्रति प्रतिक्रिया दे रहे होते हैं। यह मौसम या शेयर बाजार जैसे जटिल डेटा का विश्लेषण करने की समस्या है: नॉन-स्टेशनैरिटी (समय के साथ चीजों का बदलना) और ऑटोकोरिलेशन (चीजों का खुद को दोहराना) "नकली" संबंध बना देते हैं जो मानक जासूसी उपकरणों को भ्रमित कर देते हैं।

यह शोध पत्र एक नया जासूसी उपकरण पेश करता है जिसे DCD (डिकंपोजिशन-आधारित कॉज़ल डिस्कवरी) कहा जाता है। यह कैसे काम करता है, यहाँ इसके सरल चरणों का विवरण दिया गया है:

1. "नॉइज़-कैंसलिंग हेडफ़ोन" रणनीति

पूरे शोर भरे कमरे को एक साथ सुनने के बजाय, DCD एक विशेष प्रकार के हेडफ़ोन लगाता है जो आवाज़ को तीन अलग-अलग चैनलों में विभाजित कर देता है:

ट्रेंड चैनल (Trend Channel): यह धीमी, दीर्घकालिक गति को पकड़ता है (जैसे समुद्र के स्तर का बढ़ना या धीमी आर्थिक तेजी)।
सीज़नल चैनल (Seasonal Channel): यह दोहराए जाने वाले चक्रों को पकड़ता है (जैसे हर साल बदलते मौसम या हर सुबह बिजली के उपयोग में उछाल)।
रेसिडुअल चैनल (Residual Channel): यह "बचे हुए" शोर को पकड़ता है—वे त्वरित, अल्पकालिक बातचीत जो लंबे रुझानों या दोहराए जाने वाले चक्रों के कारण नहीं होती हैं।

2. तीन अलग-अलग कमरों में पहेली सुलझाना

एक बार जब शोर अलग हो जाता है, तो DCD प्रत्येक चैनल की जांच एक अलग उपकरण के साथ करता है, क्योंकि प्रत्येक प्रकार के शोर के लिए अलग तरह के जासूसी कार्य की आवश्यकता होती है:

ट्रेंड रूम में: यह जाँचता है कि क्या धीमा रुझान केवल यादृच्छिक (random) है या इसे किसी बाहरी शक्ति द्वारा संचालित किया जा रहा है (जैसे स्वयं समय)। यह समय को एक "प्रॉक्सी" चालक के रूप में मानता है।
सीज़नल रूम में: यह दोहराए जाने वाले चक्रों की तलाश करता है। यदि दो चर एक ही ताल पर नाचते हैं, तो यह उन्हें सीधे एक-दूसरे से जुड़े होने के बजाय उस "ताल" (समय) से जुड़ा हुआ चिह्नित करता है।
रेसिडुअल रूम में: यह सबसे महत्वपूर्ण हिस्सा है। अब जब लंबे रुझान और दोहराए जाने वाले चक्र हट गए हैं, तो बचा हुआ डेटा "साफ" है। यहाँ, DCD वास्तविक अल्पकालिक कारण-और-प्रभाव के संबंधों को खोजने के लिए मानक कॉज़ल डिस्कवरी विधियों का उपयोग करता है (जैसे, "जब तापमान अभी गिरता है, तो आर्द्रता अभी बदल जाती है")।

3. टुकड़ों को वापस जोड़ना

अंत में, DCD तीनों कमरों के मानचित्रों को लेता है और उन्हें एक बड़ी, स्पष्ट तस्वीर में मिला देता है।

यह उन चरों के लिए समय (Time) से तीर खींचता है जो केवल बह रहे हैं या चक्रित हो रहे हैं (बाहरी चालक)।
यह वास्तविक, अल्पकालिक यांत्रिक कारणों के लिए चरों (Variables) के बीच तीर खींचता है, जो साफ रेसिडुअल डेटा में पाए गए थे।

यह पुराने तरीके से बेहतर क्यों है?

इस शोध पत्र ने नकली डेटा और वास्तविक दुनिया के डेटा (आर्कटिक समुद्री बर्फ और बिजली के ट्रांसफार्मर) का उपयोग करके अन्य शीर्ष स्तरीय जासूसी उपकरणों (जैसे PCMCI+ और DYNOTEARS) के विरुद्ध इसका परीक्षण किया।

पुराने उपकरण: शोर भरे कमरे का सामना करते समय, वे भ्रमित हो गए। उन्हें लगा कि "सायरन" (मौसमी बदलाव) दो लोगों के बीच की बातचीत है, जिससे नकली कनेक्शनों का जाल बन गया। वे अक्सर वास्तविक, त्वरित अंतःक्रियाओं को भी मिस कर देते क्योंकि शोर ने उन्हें दबा दिया था।
DCD: डेटा को पहले साफ करके, इसने वास्तविक कनेक्शनों को बहुत अधिक सटीकता से खोजा। यह दोहराए जाने वाले चक्रों या धीमे रुझानों से धोखा नहीं खाया।

"लीकेज" सुरक्षा जाल

लेखक स्वीकार करते हैं कि कभी-कभी "हेडफ़ोन" एकदम सटीक नहीं होते हैं, और "सीज़नल सॉन्ग" का थोड़ा सा हिस्सा "रेसिडुअल नॉइज़" वाले कमरे में लीक हो सकता है। उन्होंने गणितीय रूप से सिद्ध किया कि भले ही ऐसा होता है, उपकरण विफल नहीं होता; यह बस थोड़ा कम सटीक हो जाता है, लेकिन फिर भी प्रतिस्पर्धा से बेहतर रहता है। यह एक सुरक्षा जाल की तरह है जो आपको तब भी पकड़ लेता है जब आप थोड़ा लड़खड़ाते हैं।

वास्तविक दुनिया का प्रमाण

आर्कटिक समुद्री बर्फ: DCD ने सही ढंग से पता लगाया कि समुद्री बर्फ, तापमान और विकिरण कैसे परस्पर क्रिया करते हैं, जिससे वार्षिक शीत/ग्रीष्म चक्र को वास्तविक कारण-और-प्रभाव संबंधों से अलग किया जा सका। अन्य उपकरणों ने या तो कनेक्शनों को मिस कर दिया या भ्रमित करने वाली, उलझी हुई रेखाएं खींचीं।
बिजली के ट्रांसफार्मर: DCD ने यह पता लगाया कि एक पावर स्टेशन के विभिन्न हिस्सों का भार एक-दूसरे को कैसे प्रभावित करता है, बिना दैनिक उपयोग के चक्रों से भ्रमित हुए।

संक्षेप में: DCD एक ऐसी विधि है जो कहती है, "पूरी उलझी हुई पहेली को एक साथ हल करने की कोशिश न करें। पहले शोर को साफ करें, छोटे टुकड़ों को अलग-अलग हल करें, और फिर उन्हें वापस जोड़ दें।" यह इसे उस डेटा में वास्तविक कारण संरचना देखने की अनुमति देता है जो आमतौर पर समझने के लिए बहुत अधिक अराजक होता है।

यहाँ शोध पत्र "DCD: Decomposition-based Causal Discovery from Autocorrelated and Non-Stationary Temporal Data" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

वित्त (finance), जलवायु विज्ञान (climate science) और स्वास्थ्य सेवा (healthcare) जैसे डोमेन में मल्टीवेरिएट टाइम सीरीज़ (multivariate time series) अक्सर दीर्घकालिक रुझान (long-term trends), मौसमी पैटर्न (seasonal patterns) और अल्पकालिक उतार-चढ़ाव (short-term fluctuations) प्रदर्शित करते हैं। ये विशेषताएँ नॉन-स्टेशनैरिटी (non-stationarity) और ऑटोकोरिलेशन (autocorrelation) को जन्म देती हैं, जो कॉज़ल इन्फरेंस (causal inference) को अत्यधिक जटिल बना देती हैं।

मुख्य चुनौती: मौजूदा कॉज़ल डिस्कवरी (CD) विधियाँ आमतौर पर कच्चे अवलोकनों (raw observations) पर कार्य करती हैं। वे दीर्घकालिक कारण प्रभावों (long-term causal effects), मौसमी निर्भरताओं (seasonal dependencies) और क्षणिक अंतःक्रियाओं (transient interactions) को अलग करने में संघर्ष करती हैं।
परिणाम: इसके कारण स्पूरियस एडजेस (spurious edges) (गलत कारण संबंध) और गलत एट्रिब्यूटेड टेम्पोरल डिपेंडेंसीज (misattributed temporal dependencies) उत्पन्न होती हैं। उदाहरण के लिए, दो चरों (variables) के बीच एक साझा मौसमी चक्र को एक प्रत्यक्ष कारण लिंक के रूप में गलत पहचाना जा सकता है, या एक दीर्घकालिक रुझान अल्पकालिक यांत्रिक संबंधों (mechanistic relationships) को छिपा सकता है।
अंतराल (Gap): जबकि डीप लर्निंग मॉडल्स ने दीर्घकालिक निर्भरताओं को कैप्चर करके पूर्वानुमान (forecasting) में सुधार किया है, वे सहसंबंधी (correlational) ही बने हुए हैं। एक ऐसी विधि का अभाव है जो इन टेम्पोरल स्केल्स को अलग करने के लिए टाइम सीरीज़ डिकंपोज़िशन (time series decomposition) को कॉज़ल इन्फरेंस के साथ स्पष्ट रूप से एकीकृत कर सके।

2. कार्यप्रणाली: DCD फ्रेमवर्क (Methodology: The DCD Framework)

लेखक डिकंपोज़िशन-बेस्ड कॉज़ल डिस्कवरी (DCD) का प्रस्ताव करते हैं, जो एक संरचित ढांचा है जो प्रत्येक टाइम सीरीज़ को तीन घटकों—ट्रेंड ( $T$ ), सीजनल ( $S$ ), और रेसिड्यूअल ( $R$ )—में अलग करता है और परिणामों को एकीकृत करने से पहले प्रत्येक पर लक्षित कॉज़ल विश्लेषण करता है।

A. डिकंपोज़िशन चरण (Decomposition Stage)

तकनीक: मल्टीवेरिएट टाइम सीरीज़ $X_i(t) = T_i(t) + S_i(t) + R_i(t)$ को विघटित करने के लिए STL (Seasonal-Trend decomposition using LOESS) का उपयोग करता है।
तर्क: STL को कठोर फूरियर बेसिस (Fourier bases) या मूविंग एवरेज की तुलना में इसलिए चुना गया है क्योंकि LOESS स्मूथिंग स्थानीय गैर-रैखिकता (local non-linearities) के अनुकूल होती है और स्पेक्ट्रल लीकेज (spectral leakage) (एक घटक से दूसरे में ऊर्जा का रिसाव) को कम करती है, जो सैद्धांतिक गारंटियों के लिए महत्वपूर्ण है।
पीरियड चयन (Period Selection): वेरिएंस मैक्सिमाइजेशन के माध्यम से मौसमी अवधि $P$ का चयन किया जाता है। यदि कोई महत्वपूर्ण सीजनलिटी नहीं पाई जाती है, तो सीजनल घटक को शून्य सेट कर दिया जाता है।

B. घटक-विशिष्ट कॉज़ल विश्लेषण (Component-Specific Causal Analysis)

DCD प्रत्येक घटक के सांख्यिकीय गुणों के अनुरूप विभिन्न इन्फरेंस रणनीतियों को लागू करता है:

ट्रेंड विश्लेषण (दीर्घकालिक निर्भरता - Long-term Dependence):
- लक्ष्य: बहिर्जात (exogenous) टेम्पोरल ड्राइवर्स की पहचान करना।
- विधि: स्टेशनैरिटी टेस्ट (ADF और KPSS) लागू करता है। यदि एक ट्रेंड नॉन-स्टेशनरी है, तो ट्रेंड ग्राफ ( $G_T$ ) में टाइम इंडेक्स ( $t \to X_i$ ) से एक निर्देशित एज (directed edge) जोड़ा जाता है। यह समय को दीर्घकालिक गतिकी (long-term dynamics) के लिए एक लेटेंट कॉन्फ़ाउंडर (latent confounder) के रूप में मानता है।
सीजनल विश्लेषण (चक्रीय निर्भरता - Cyclic Dependence):
- लक्ष्य: नियत चक्रीय निर्भरताओं (deterministic cyclic dependencies) की पहचान करना।
- विधि: सीजनल घटक $S_i(t)$ और टाइम इंडेक्स $t$ के बीच स्वतंत्रता का परीक्षण करने के लिए RBF कर्नेल के साथ हिल्बर्ट-श्मिट इंडिपेंडेंस क्राइटेरियन (HSIC) का उपयोग करता है। महत्वपूर्ण निर्भरता एक सीजनल एज ( $t \to X_i$ ) को सीजनल ग्राफ ( $G_S$ ) में जोड़ती है।
रेसिड्यूअल विश्लेषण (अल्पकालिक कारणता - Short-term Causality):
- लक्ष्य: आंतरिक यांत्रिक अंतःक्रियाओं (intrinsic mechanistic interactions) की पहचान करना।
- विधि: ट्रेंड और सीजनलिटी को हटाने के बाद, रेसिड्यू $R_i(t)$ एक स्टेशनरी, कमजोर रूप से निर्भर प्रक्रिया का अनुमान लगाता है। लैग्ड ( $X_{t-\tau} \to Y_t$ ) और कंटेंपोरस ( $X_t \to Y_t$ ) निर्भरताओं को खोजने के लिए एक कंस्ट्रेंट-बेस्ड कॉज़ल डिस्कवरी एल्गोरिदम (जैसे, PCMCI+) लागू किया जाता है, जिससे रेसिड्यू ग्राफ ( $G_R$ ) बनता है।

C. ग्राफ एकीकरण (Graph Integration)

अंतिम कॉज़ल ग्राफ $G_{combined}$ तीन घटक ग्राफों का यूनियन है: $G_{combined} = G_T \cup G_S \cup G_R$ ।
संरचना: परिणाम एक मल्टी-रिलेशनल ग्राफ है जो निम्नलिखित को अलग करता है:
- टाइम-प्रॉक्सी एडजेस (Time-proxy edges): बहिर्जात ड्राइवर्स ( $t \to X$ ) जो ट्रेंड और सीजनलिटी का प्रतिनिधित्व करते हैं।
- मैकेनिस्टिक एडजेस (Mechanistic edges): वेरिएबल-टू-वेरिएबल डिपेंडेंसीज ( $X \to Y$ ) जो अल्पकालिक कॉज़ल मैकेनिज्म का प्रतिनिधित्व करती हैं।

3. सैद्धांतिक गारंटियाँ और आइडेंटिफिएबिलिटी (Theoretical Guarantees and Identifiability)

यह शोध पत्र उन औपचारिक शर्तों को स्थापित करता है जिनके तहत DCD वास्तविक कॉज़ल स्ट्रक्चर $G^*$ को रिकवर करता है:

मान्यताएं (Assumptions):
1. कॉज़ल इनवेरिएंस (Causal Invariance): रेसिड्यू मैकेनिज्म समय-अपरिवर्तनीय (time-invariant) है और $\beta$ -मिक्सिंग (कमजोर निर्भरता) का पालन करता है।
2. स्पेक्ट्रल सेपरेबिलिटी (Spectral Separability): ट्रेंड, सीजनल और रेसिड्यू घटक विविक्त (disjoint) फ्रीक्वेंसी बैंड्स में स्थित हैं।
3. बाउंडेड लीकेज (Bounded Leakage): विघटित घटकों के बीच सहसंबंध (लीकेज $\epsilon$ ) कम है।
4. कॉज़ल मॉड्यूलैरिटी (Causal Modularity): क्रॉस-स्केल कॉज़ल प्रभाव नगण्य हैं।
आइडेंटिफिएबिलिटी थ्योरम: लीनियर गौसियन डायनेमिक्स के तहत, अनुमानित ग्राफ और ग्राउंड ट्रुथ के बीच अपेक्षित स्ट्रक्चरल हैमिंग डिस्टेंस (SHD) इस प्रकार सीमित है:
$E[SHD(\hat{G}, G^*)] \leq C_1 \cdot \epsilon + C_2 \cdot \alpha_n$
जहाँ $\epsilon$ लीकेज पैरामीटर है और $\alpha_n$ डाउनस्ट्रीम कॉज़ल टेस्ट का टाइप-I एरर है। यह सिद्ध करता है कि जैसे-जैसे डिकंपोज़िशन बेहतर होता है ( $\epsilon \to 0$ ) और सैंपल साइज बढ़ता है, DCD वास्तविक स्ट्रक्चर की ओर अभिसरित (converge) होता है।

4. मुख्य योगदान (Key Contributions)

नया फ्रेमवर्क: DCD का परिचय, जो मल्टी-टेम्पोरल स्केल्स पर लक्षित कॉज़ल इन्फरेंस के लिए टाइम सीरीज़ को ट्रेंड, सीजनल और रेसिड्यू घटकों में स्पष्ट रूप से विभाजित करने वाला पहला फ्रेमवर्क है।
सैद्धांतिक विश्लेषण: स्पेक्ट्रल फिल्टरिंग के रूप में डिकंपोज़िशन का औपचारिकीकरण, जो स्पेक्ट्रल लीकेज और टेस्ट सिग्निफिकेंस पर आधारित आइडेंटिफिएबिलिटी गारंटी और एरर बाउंड प्रदान करता है।
अनुभवजन्य श्रेष्ठता (Empirical Superiority): सिंथेटिक और वास्तविक दुनिया के डेटा दोनों पर स्टेट-ऑफ-द-आर्ट बेसलाइन्स (PCMCI+, CD-NOD, DYNOTEARS, आदि) पर प्रदर्शन लाभ प्रदर्शित किया गया।
मजबूती (Robustness): यह सिद्ध किया गया कि जब स्पेक्ट्रल सेपरेबिलिटी आंशिक रूप से बाधित होती है (जैसे, एम्प्लीट्यूड मॉड्यूलेशन), तो फ्रेमवर्क विनाशकारी विफलता के बजाय धीरे-धीरे (gracefully) प्रदर्शन कम करता है।

5. प्रयोगात्मक परिणाम (Experimental Results)

लेखकों ने सिंथेटिक बेंचमार्क और दो वास्तविक दुनिया के डेटासेट: आर्कटिक सी आइस (जलवायु) और ETTh1 (इलेक्ट्रिसिटी ट्रांसफार्मर लोड) पर DCD का मूल्यांकन किया।

सिंथेटिक बेंचमार्क:
- मेट्रिक्स: DCD ने ट्रू पॉजिटिव रेट (TPR ~0.79), फॉल्स डिस्कवरी रेट (FDR ~0.38), और स्ट्रक्चरल हैमिंग डिस्टेंस (SHD) के बीच सबसे अच्छा संतुलन प्राप्त किया।
- तुलना: ऑटोकोरिलेशन के कारण PCMCI+ जैसे बेसलाइन्स में उच्च FDR देखा गया; DYNOTEARS में उच्च SHD और ओवरफिटिंग देखी गई; CD-NOD ने सभी लैग्ड एडजेस को हटाकर ही कम SHD प्राप्त किया।
- स्केलेबिलिटी: DCD ने विभिन्न सैंपल साइज, लैग ऑर्डर और डाइमेंशनलिटी ( $d=4$ से $10$) में स्थिरता बनाए रखी, जबकि बेसलाइन्स ने प्रदर्शन में गिरावट या अस्थिर FDR वृद्धि दिखाई।
वास्तविक दुनिया के केस स्टडीज:
- आर्कटिक सी आइस: DCD ने भौतिक रूप से सुसंगत मल्टी-स्केल निर्भरताओं (जैसे, SST $\to$ Sea Ice फीडबैक, मौसमी रेडिएशन चक्र) को रिकवर किया, जो कच्चे डेटा वाले बेसलाइन्स में अस्पष्ट या गलत दिशा में थे।
- ETTh1: DCD ने स्प्यूरियस (spurious) घने ग्राफ बनाने के बजाय, स्पार्स (sparse) और व्याख्या योग्य ऑटोरेग्रेसिव और क्रॉस-लोड इंटरैक्शन की पहचान की।
एब्लेशन स्टडीज (Ablation Studies):
- प्रीप्रोसेसिंग बनाम इंटीग्रेशन: केवल STL प्रीप्रोसेसिंग को बेसलाइन्स पर लागू करने से उनमें सुधार हुआ, लेकिन यह पूर्ण DCD के स्तर तक नहीं पहुँचा। यह पुष्टि करता है कि मल्टी-स्केल ग्राफ इंटीग्रेशन प्रदर्शन लाभ का एक विशिष्ट स्रोत है।
- संवेदनशीलता (Sensitivity): जैसे-जैसे स्पेक्ट्रल लीकेज बढ़ा, प्रदर्शन रैखिक रूप से (क्रमबद्ध तरीके से) कम हुआ, जो सैद्धांतिक सीमाओं को मान्य करता है।

6. महत्व और प्रभाव (Significance and Impact)

अंतराल को पाटना: DCD टाइम सीरीज़ डिकंपोज़िशन (जो पारंपरिक रूप से पूर्वानुमान के लिए उपयोग किया जाता है) और कॉज़ल डिस्कवरी के बीच के अंतर को पाटता है।
नॉन-स्टेशनैरिटी को संभालना: यह नॉन-स्टेशनरी डेटा के लिए एक मजबूत समाधान प्रदान करता है, जिसमें ट्रेंड और सीजनलिटी को सीधे वेरिएबल-टू-वेरिएबल लिंक के रूप में कॉज़ल ग्राफ में डालने के बजाय बहिर्जात ड्राइवर्स के रूप में माना जाता है।
व्याख्यात्मकता (Interpretability): टाइम-प्रॉक्सी एडजेस (बहिर्जात ड्राइवर्स) को मैकेनिस्टिक एडजेस (आंतरिक निर्भरता) से अलग करके, परिणामी ग्राफ डोमेन विशेषज्ञों (जैसे, जलवायुविदों या अर्थशास्त्रियों) के लिए अधिक व्याख्या योग्य होते हैं।
भविष्य की दिशाएँ: लेखक क्रॉस-फ्रीक्वेंसी कपलिंग (जैसे, ट्रेंड द्वारा सीजनल एम्प्लीट्यूड को मॉड्युलेट करना) को संभालने के लिए स्पेक्ट्रल सेपरेबिलिटी धारणा को शिथिल करने और DCD को टाइम-वेरिंग कॉज़ल डिस्कवरी विधियों के साथ एकीकृत करने का सुझाव देते हैं।

संक्षेप में, DCD जटिल, नॉन-स्टेशनरी टाइम सीरीज़ में अलग-अलग टेम्पोरल स्केल्स—ट्रेंड, सीजनलिटी और रेसिड्यू—को स्पष्ट रूप से मॉडल करके कॉज़ल स्ट्रक्चर को उजागर करने के लिए एक गणितीय रूप से सुदृढ़ और अनुभवजन्य रूप से सत्यापित दृष्टिकोण प्रदान करता है।