📊 statistics

Causal Inference on Networks under Misspecified Exposure Mappings: A Partial Identification Framework

यह शोधपत्र एक नवीन आंशिक पहचान ढांचे (partial identification framework) का प्रस्ताव करता है जो एक्सपोज़र मैपिंग के गलत विनिर्देशित (misspecified) होने की स्थिति में नेटवर्क में कारण अनुमान (causal inference) की मजबूती का आकलन करने के लिए प्रत्यक्ष और स्पिलओवर प्रभावों पर सटीक सीमाएं (sharp bounds) प्राप्त करता है, जो तीन मानक सेटिंग्स के लिए वैध और कुशल अनुमानक (estimators) प्रदान करता है।

मूल लेखक: Maresa Schröder, Miruna Oprescu, Stefan Feuerriegel, Nathan Kallus

प्रकाशित 2026-02-04

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Maresa Schröder, Miruna Oprescu, Stefan Feuerriegel, Nathan Kallus

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 एक नया टीका (vaccine) काम करता है या नहीं। एक सरल दुनिया में, आप बस कुछ लोगों को टीका देते हैं और देखते हैं कि क्या वे बीमार पड़ते हैं। लेकिन वास्तविक दुनिया में, लोग एक-दूसरे से बात करते हैं। यदि आपके मित्र को टीका लग गया है, तो वह आपको भी सुरक्षित कर सकता है, भले ही आपने टीका न लगवाया हो। इसे नेटवर्क प्रभाव (network effect) या "स्पिलओवर" कहा जाता है।

समस्या यह है कि हमें हमेशा यह सटीक रूप से पता नहीं होता कि वह सुरक्षा कैसे फैलती है। क्या यह आपके सभी परिचितों तक फैलती है? क्या यह केवल आपके सबसे अच्छे दोस्तों तक सीमित है? क्या यह दो डिग्री के अंतर (two degrees of separation) के बाद कम हो जाती है?

इसका अध्ययन करने के लिए, वैज्ञानिक आमतौर पर इस बारे में एक अनुमान लगाते हैं (एक "एक्सपोज़र मैपिंग") कि नेटवर्क कैसे काम करता है। वे कह सकते हैं, "ठीक है, मान लेते हैं कि आपका जोखिम आपके टीकाकृत मित्रों की औसत संख्या पर निर्भर करता है।"

पेपर की बड़ी समस्या:
क्या होगा अगर उनका यह अनुमान गलत हो? क्या होगा अगर सुरक्षा का प्रभाव आपके एक बहुत करीबी टीकाकृत मित्र से आता है, न कि औसत से? यदि वैज्ञानिकों का अनुमान गलत है, तो टीके की प्रभावशीलता के बारे में उनकी गणना पूरी तरह से गलत हो सकती है। वे सोच सकते हैं कि यह बहुत अच्छा काम कर रहा है जबकि वास्तव में ऐसा नहीं है, या इसके विपरीत।

पेपर का समाधान: "पार्शियल आइडेंटिफिकेशन" (Partial Identification)
सटीक सत्य जानने का ढोंग करने के बजाय, लेखक एक नया ढांचा प्रस्तावित करते हैं जो कहता है: "हम सटीक नियम नहीं जानते, लेकिन हम जानते हैं कि हमारा नियम हमारे अनुमान से बहुत ज्यादा दूर नहीं है। इसलिए, आइए सर्वोत्तम और सबसे खराब परिदृश्यों (best-case and worst-case scenarios) की गणना करें।"

इसे मौसम की जाँच करने जैसा समझें।

पुराना तरीका: मौसम विज्ञानी कहता है, "तापमान ठीक 72°F होगा।" यदि वे गलत हुए, तो आप भीग जाएंगे या ठंड से जम जाएंगे।
इस पेपर का तरीका: मौसम विज्ञानी कहता है, "हमें मॉडल के बारे में 100% यकीन नहीं है, लेकिन हम जानते हैं कि यह 65°F और 75°F के बीच होने की संभावना है।" भले ही सटीक तापमान 73°F हो, फिर भी आप जानते हैं कि आपको एक हल्की जैकेट की आवश्यकता है, भारी कोट की नहीं। आपको एक जोखिम भरी भविष्यवाणी के बजाय एक सुरक्षित रेंज (safe range) मिलती है।

वे इसे कैसे करते हैं (उपमा/एनालॉजी)

लेखकों ने तीन मुख्य भागों के साथ एक गणितीय "सुरक्षा जाल" बनाया है:

"मिसस्पेसिफिकेशन" (Misspecification) सुरक्षा जाल:
वे स्वीकार करते हैं कि नेटवर्क के बारे में उनका अनुमान थोड़ा गलत हो सकता है। वे एक "फजीनेस" पैरामीटर (मान लीजिए "वोबल फैक्टर" या डगमगाहट का कारक) बनाते हैं। वे पूछते हैं: "यदि हमारा अनुमान इस हद तक गलत है, तो टीके की प्रभावशीलता का उच्चतम और निम्नतम स्तर वास्तव में क्या हो सकता है?"

उपमा: कल्पना कीजिए कि आप एक तरबूज का वजन अनुमान लगा रहे हैं। आप अनुमान लगाते हैं 10 पाउंड। लेकिन आप स्वीकार करते हैं कि आप 2 पाउंड तक गलत हो सकते हैं। इसलिए, आप गणना करते हैं कि तरबूज निश्चित रूप से 8 और 12 पाउंड के बीच है। आपको यह जानने के लिए सटीक वजन की आवश्यकता नहीं है कि यह इतना भारी है कि इसे उठाने के लिए दो हाथों की जरूरत होगी।

"ऑर्थोगोनल" एस्टीमेटर (The Smart Calculator):
इन उच्च और निम्न सीमाओं को खोजने के लिए, वे "ऑर्थोगोनल एस्टीमेशन" नामक एक विशेष गणितीय तकनीक का उपयोग करते हैं।

उपमा: कल्पना कीजिए कि आप एक इमारत की ऊंचाई मापने की कोशिश कर रहे हैं, लेकिन आपका इंची टेप थोड़ा डगमगा रहा है और आपकी दृष्टि धुंधली है। एक सामान्य विधि इस डगमगाहट से भ्रमित हो जाएगी और गलत उत्तर देगी। यह नई विधि एक "स्व-सुधार करने वाले" इंची टेप की तरह है। यह "वोबल" (अव्यवस्थित डेटा) को "ऊंचाई" (उत्तर) से अलग करती है ताकि भले ही डगमगाहट के बारे में आपका अनुमान थोड़ा गलत हो, फिर भी आपकी अंतिम ऊंचाई की गणना सटीक बनी रहे।

तीन सामान्य परिदृश्य:
उन्होंने अपने सुरक्षा जाल का परीक्षण तीन सामान्य तरीकों पर किया है जिनसे लोग आमतौर पर नेटवर्क के काम करने का अनुमान लगाते हैं:

औसत (The Average): यह मानते हुए कि आपके दायरे में सभी लोग समान रूप से महत्वपूर्ण हैं।
थ्रेशोल्ड (The Threshold): यह मानते हुए कि आपको प्रभाव तभी मिलता है जब आपके आधे से अधिक मित्र उपचारित हों।
"सेकंड-डिग्री" मित्र (The "Second-Degree" Friend): यह मानते हुए कि प्रभाव आपके सीधे मित्रों तक रुक जाता है, लेकिन शायद यह आपके मित्रों के मित्रों तक पहुँच जाता है।

उन्होंने क्या पाया (परिणाम)

लेखकों ने अपने नए ढांचे का परीक्षण करने के लिए कंप्यूटर सिमुलेशन चलाए:

यह सुरक्षित (Valid) है: जब उन्होंने अपने "वोबल फैक्टर" को इतना बड़ा बनाया कि वह सच्चाई को कवर कर सके, तो उनकी गणना की गई रेंज में वास्तविक उत्तर हमेशा शामिल था। पुराने तरीके (जो यह दावा करते हैं कि वे सटीक नियम जानते हैं) अक्सर सच्चाई को पूरी तरह से चूक जाते थे।
यह शार्प (Sharp) है: उन्होंने जो रेंज दी वह केवल "0 से 100%" नहीं थी (जो कि बेकार है)। यह एक सटीक, उपयोगी रेंज थी (जैसे, "10% और 15% के बीच")।
यह तेज़ और विश्वसनीय है: उनका विशेष "स्व-सुधार करने वाला" कैलकुलेटर मानक विधियों की तुलना में बहुत बेहतर काम करता है, खासकर जब डेटा अव्यवस्थित हो या नेटवर्क बहुत बड़ा हो।

मुख्य निष्कर्ष (The Bottom Line)

यह पेपर आपको यह बिल्कुल सटीक नहीं बताता कि एक टीका एक विशिष्ट नेटवर्क में कैसे काम करता है। इसके बजाय, यह शोधकर्ताओं को एक मजबूत उपकरण (robust tool) देता है ताकि वे कह सकें: "भले ही हम यह पूरी तरह से नहीं समझते कि लोग एक-दूसरे को कैसे प्रभावित करते हैं, फिर भी हम आपको उपचार कितना प्रभावी है, इसकी एक विश्वसनीय और सुरक्षित रेंज दे सकते हैं।"

यह "अनुमान लगाओ और उम्मीद करो" वाली स्थिति को "सबसे खराब और सबसे अच्छे मामले की गणना करो" वाली स्थिति में बदल देता है, जिससे यह सुनिश्चित होता है कि इस डेटा पर आधारित निर्णय किसी कमजोर नींव पर नहीं बने हैं।

तकनीकी सारांश: मिसस्पेसिफाइड एक्सपोज़र मैपिंग के तहत नेटवर्क पर कॉज़ल इन्फरेंस (Causal Inference)

1. समस्या विवरण (Problem Statement)

नेटवर्क सेटिंग्स में ट्रीटमेंट प्रभावों का अनुमान लगाना मौलिक रूप से चुनौतीपूर्ण है क्योंकि एक इकाई (unit) का परिणाम न केवल उसके अपने उपचार पर, बल्कि उससे जुड़े निकायों के उपचारों पर भी निर्भर करता है (इंटरफेरेंस)। यह स्टेबल यूनिट ट्रीटमेंट वेरिएबल धारणा (SUTVA) का उल्लंघन करता है। $N$ आकार के नेटवर्क में सभी संभावित उपचार असाइनमेंटों पर स्थिति (conditioning) की घातांकीय जटिलता को प्रबंधित करने के लिए, मौजूदा तरीके आमतौर पर एक एक्सपोज़र मैपिंग ( $g$ ) का उपयोग करते हैं। यह फलन एक इकाई के पड़ोसियों के उच्च-आयामी उपचार असाइनमेंटों को एक निम्न-आयामी सारांश (जैसे, उपचारित पड़ोसियों का अनुपात) में संकुचित करता है।

हालाँकि, ये विधियाँ इस धारणा पर निर्भर करती हैं कि एक्सपोज़र मैपिंग डोमेन ज्ञान के आधार पर सही ढंग से निर्दिष्ट (correctly specified) है। व्यवहार में, स्पिलओवर प्रसार (spillover propagation) का तंत्र अक्सर केवल आंशिक रूप से समझा जाता है, जिससे $g$ का मिसस्पेसिफिकेशन (misspecification) होता है। जब माना गया मैपिंग $g$ , वास्तविक अंतर्निहित मैपिंग $g^*$ से भिन्न होता है, तो डायरेक्ट और स्पिलओवर प्रभावों के लिए मानक अनुमानकर्ता (estimators) गंभीर रूप से पक्षपाती (biased) हो जाते हैं। वर्तमान साहित्य में एक्सपोज़र मैपिंग के मिसस्पेसिफिकेशन के तहत संभावित परिणामों और उपचार प्रभावों को सीमित (bound) करने के लिए एक सामान्य ढांचे का अभाव है, विशेष रूप से प्रयोगात्मक और अवलोकनात्मक (observational) दोनों डेटा के लिए।

2. कार्यप्रणाली (Methodology)

लेखक एक पार्शियल आइडेंटिफिकेशन फ्रेमवर्क (partial identification framework) प्रस्तावित करते हैं जो एक्सपोज़र मैपिंग मिसस्पेसिफिकेशन के तहत कॉज़ल अनुमानों की मजबूती का आकलन करता है। संभावित रूप से गलत मॉडल के तहत उपचार प्रभाव को 'पॉइंट-आइडेंटिफाई' करने के प्रयास के बजाय, यह ढांचा संभावित परिणामों और उपचार प्रभावों पर तीक्ष्ण ऊपरी और निचली सीमाएँ (sharp upper and lower bounds) प्राप्त करता है।

मुख्य घटक:

प्रोपेंसिटी बाउंड्स के माध्यम से संवेदनशीलता मॉडल (Sensitivity Model via Propensity Bounds): यह ढांचा मिसस्पेसिफिकेशन को अनुमानित मैपिंग $g$ और वास्तविक मैपिंग $g^*$ के बीच प्रोपेंसिटी के वितरण बदलाव (distribution shift) के रूप में मॉडल करता है। यह उपयोगकर्ता-निर्दिष्ट बाउंड्स $b^-(z, x)$ और $b^+(z, x)$ पेश करता है ताकि वास्तविक प्रोपेंसिटी और अनुमानित प्रोपेंसिटी का अनुपात सीमित रहे:
$b^-(z, x) \leq \frac{p(g^*(t_N) = z \mid x)}{p(g(t_N) = z \mid x)} \leq b^+(z, x)$
यह दृष्टिकोण तीन कैनोनिकल एक्सपोज़र सेटिंग्स के लिए लागू किया गया है:
1. वेटेड मीन्स (Weighted Means): पड़ोसियों के उपचारों के भार को एक समान माध्य (uniform mean) से $\epsilon$ मार्जिन तक विचलित होने की अनुमति देना।
2. थ्रेशोल्डिंग (Thresholding): एक्सपोज़र को परिभाषित करने के लिए उपयोग किए जाने वाले थ्रेशोल्ड $c$ को $[c \pm \epsilon]$ के भीतर बदलने की अनुमति देना (जैसे, "आधे से अधिक उपचारित")।
3. हायर-ऑर्डर स्पिलओवर्स (Higher-Order Spillovers): तत्काल पड़ोस से परे (अदृश्य कन्फाउंडिंग/unobserved confounding) हस्तक्षेप को ध्यान में रखना।
शार्प बाउंड डेरिवेशन (Sharp Bound Derivation): कॉज़ल सेंसिटिविटी एनालिसिस के विचारों का उपयोग करते हुए, लेखक कंडीशनल एवरेज पोटेंशियल आउटकम (CAPO), $\mu^\pm(t, z, x)$ के लिए शार्प ऊपरी और निचली सीमाओं के क्लोज्ड-फॉर्म एक्सप्रेशन प्राप्त करते हैं। ये बाउंड्स देखे गए डेटा और प्रोपेंसिटी बाउंड्स के अनुरूप वितरणों के सेट पर अपेक्षित परिणाम को अनुकूलित (optimize) करके बनाए जाते हैं। समाधान में एक कटऑफ मान $Q^\pm$ (एक कंडीशनल क्वांटाइल) और कंडीशनल मोमेंट फंक्शन्स शामिल हैं, जो यह सुनिश्चित करते हैं कि बाउंड्स मिसस्पेसिफिकेशन स्तर के दिए गए होने पर वास्तविक परिणाम को समाहित करने वाले सबसे संकीर्ण अंतराल हों।
ऑर्थोगोनल एस्टीमेशन (Orthogonal Estimation): डेटा से इन बाउंड्स का अनुमान लगाने के लिए, लेखक सांख्यिकीय लर्निंग थ्योरी पर आधारित एक ऑर्थोगोनल एस्टीमेटर विकसित करते हैं।
- न्यूसेंस पैरामीटर्स (Nuisance Parameters): अनुमान के लिए न्यूसेंस फंक्शन्स का अनुमान लगाना आवश्यक है: प्रोपेंसिटी स्कोर ( $\pi_t, \pi_g$ ), कटऑफ ( $Q^\pm$ ), और कंडीशनल मोमेंट फंक्शन्स ( $\gamma^\pm_u, \gamma^\pm_l$ )।
- स्यूडो-आउटकम कंस्ट्रक्शन (Pseudo-Outcome Construction): वे एक ऑर्थोगोनल स्यूडो-आउटकम $\phi^\pm_{t,z}$ का निर्माण करते हैं जो न्यूसेंस एस्टीमेटरों की त्रुटियों के प्रति प्रथम-क्रम (first-order) के रूप में असंवेदनशील (insensitive) है। यह उन्हें अंतिम बाउंड अनुमानों में महत्वपूर्ण पूर्वाग्रह (bias) पेश किए बिना न्यूसेंस फंक्शन्स के लिए लचीले मशीन लर्निंग मॉडल का उपयोग करने की अनुमति देता है।
- दो-चरणीय प्रक्रिया (Two-Stage Procedure): यह विधि $K$ -फोल्ड क्रॉस-फिटिंग का उपयोग करती है। पहले, ट्रेनिंग फोल्ड्स पर न्यूसेंस फंक्शन्स को सीखा जाता है। दूसरे, होल्ड-आउट फोल्ड्स पर स्यूडो-आउटकम की गणना की जाती है और अंतिम बाउंड अनुमान प्राप्त करने के लिए कोवेरिएट्स $X$ पर उनका रिग्रेशन किया जाता है।

3. मुख्य योगदान (Key Contributions)

पार्शियल आइडेंटिफिकेशन फ्रेमवर्क: यह पेपर नेटवर्क पर कॉज़ल इन्फरेंस के लिए एक नया ढांचा पेश करता है जो एक्सपोज़र मैपिंग मिसस्पेसिफिकेशन के तहत उपचार प्रभावों पर शार्प और वैध बाउंड प्रदान करता है, जहाँ पहले कोई सामान्य ढांचा मौजूद नहीं था।
सैद्धांतिक गारंटी (Theoretical Guarantees): प्राप्त बाउंड्स को निर्दिष्ट संवेदनशीलता मान्यताओं के तहत शार्प (सबसे संकीर्ण अंतराल) और वैध (वास्तविक प्रभाव को समाहित करने वाला) सिद्ध किया गया है।
ऑर्थोगोनल एस्टीमेटर: लेखक एक मॉडल-एग्नोस्टिक ऑर्थोगोनल एस्टीमेटर प्रस्तावित करते हैं जो क्वासी-ओरेकल कन्वर्जेंस रेट्स (quasi-oracle convergence rates) प्राप्त करता है। इसका अर्थ है कि एस्टीमेटर की त्रुटि केवल न्यूसेंस एस्टीमेशन त्रुटियों के गुणनफल (द्वितीय-क्रम) पर निर्भर करती है, जिससे यह तब भी मजबूत बना रहता है जब न्यूसेंस मॉडल मिसस्पेसिफाइड हों या धीरे अभिसरित (converge) हों।
कैनोनिकल सेटिंग्स के लिए इंस्टेंशिएशन: यह ढांचा तीन व्यापक रूप से उपयोग किए जाने वाले एक्सपोज़र मैपिंग के लिए स्पष्ट रूप से तैयार किया गया है: वेटेड नेबरहुड मीन्स, थ्रेशोल्ड-आधारित मैपिंग, और हायर-ऑर्डर स्पिलओवर्स वाले परिदृश्य।

4. प्रयोगात्मक परिणाम (Experimental Results)

लेखक विभिन्न नेटवर्क आकारों ( $N=1000$ और $N=6000$ ) और कोवेरिएट आयामों के साथ सिंथेटिक डेटासेट पर ढांचे का मूल्यांकन करते हैं।

वैधता (Validity): विज़ुअलाइज़ेशन पुष्टि करते हैं कि जब संवेदनशीलता कारक (मिसस्पेसिफिकेशन का स्तर) पर्याप्त रूप से उच्च (कारक $\geq 1$ ) सेट किया जाता है, तो अनुमानित बाउंड्स वास्तविक संभावित परिणामों और उपचार प्रभावों को सफलतापूर्वक समाहित करते हैं। अपर्याप्त संवेदनशीलता मान्यताओं के तहत, बाउंड्स सत्य को कवर करने में विफल रहते हैं, जैसा कि अपेक्षित है।
अभिसरण (Convergence): प्रस्तावित ऑर्थोगोनल एस्टीमेटर और एक मानक "प्लग-इन" एस्टीमेटर के बीच तुलना दिखाती है कि ऑर्थोगोनल एस्टीमेटर तेजी से अभिसरित होता है और छोटे सैंपल साइज में भी वैध कवरेज बनाए रखता है। प्लग-इन एस्टीमेटर न्यूसेंस एस्टीमेशन त्रुटियों के कारण पर्याप्त मात्रा में 'फाइनाइट-सैंपल बायस' से ग्रस्त होता है।
सूचनात्मकता (Informativeness): बाउंड्स सूचनात्मक (informative) दिखाए गए हैं। सही ढंग से निर्दिष्ट संवेदनशीलता कारकों के लिए, एवरेज डायरेक्ट इफेक्ट (ADE) अंतराल की औसत चौड़ाई कुल परिणाम रेंज का लगभग 8.71% है। इसके अलावा, बाउंड्स उपचार प्रभाव की दिशा को सही ढंग से पहचानते हैं (सख्ती से सकारात्मक या नकारात्मक), जिससे शून्य को पार करने वाले निरर्थक मामले से बचा जा जा सकता है।

5. महत्व और दावे (Significance and Claims)

यह पेपर दावा करता है कि यह उन मानक तरीकों के लिए एक मजबूत विकल्प प्रदान करके नेटवर्क पर कॉज़ल इन्फरेंस के क्षेत्र को आगे बढ़ाता है जो संभावित रूप से गलत एक्सपोज़र मैपिंग पर निर्भर करते हैं। पॉइंट आइडेंटिफिकेशन से पार्शियल आइडेंटिफिकेशन की ओर स्थानांतरित होकर, यह ढांचा शोधकर्ताओं को मॉडल मिसस्पेसिफिकेशन के प्रति अपने निष्कर्षों की संवेदनशीलता का आकलन करने की अनुमति देता है।

लेखक इस बात पर जोर देते हैं कि उनका ढांचा मॉडल-एग्नोस्टिक और न्यूसेंस एस्टीमेशन त्रुटियों के प्रति मजबूत है, जो इसे तब भी लागू करने योग्य बनाता है जब अंतर्निहित नेटवर्क प्रोपेंसिटी और परिणामों का अनुमान लगाने के लिए जटिल, नॉन-पैरामीट्रिक मॉडल का उपयोग किया जाता है। यह कार्य डोमेन ज्ञान की आवश्यकता को समाप्त करने का दावा नहीं करता है, बल्कि यह मापने के लिए एक कठोर गणितीय उपकरण प्रदान करता है कि जब वह ज्ञान अपूर्ण हो तो अनिश्चितता कितनी होती है। प्रयोगों से पता चलता है कि परिणामी बाउंड्स विश्वसनीय निर्णय लेने के लिए पर्याप्त सटीक (tight) रहते हैं, भले ही एक्सपोज़र मैपिंग मिसस्पेसिफिकेशन की स्थिति हो।