📊 statistics

Identifiability of Treatment Effects with Unobserved Spatially Varying Confounders

यह शोध पत्र अप्रत्यक्ष रूप से स्थानिक रूप से परिवर्तनशील भ्रमों (unobserved spatially varying confounders) वाले रैखिक मॉडलों में उपचार प्रभावों की पहचान क्षमता (identifiability) के लिए एक सामान्य ढांचा स्थापित करता है, जो यह प्रदर्शित करता है कि विभिन्न स्थानिक मॉडलों के लिए सौम्य शर्तों के तहत कारण अनुमान (causal inference) व्यवहार्य है और साथ ही उन परिदृश्यों को भी रेखांकित करता है जहाँ पहचान क्षमता विफल हो जाती है।

मूल लेखक: Tommy Tang, Xinran Li, Bo Li

प्रकाशित 2026-02-27

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Tommy Tang, Xinran Li, Bo Li

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: क्या किसी विशिष्ट उपचार (जैसे कि एक नई दवा या नीति) ने वास्तव में स्वास्थ्य परिणामों में बदलाव किया है, या यह सिर्फ एक संयोग था?

डेटा साइंस की दुनिया में, इसे कॉज़ल इन्फरेंस (Causal Inference) कहा जाता है। आमतौर पर, जासूस की सबसे बड़ी समस्या "अनदेखा संदिग्ध" (Unseen Suspect) होती है—एक छिपा हुआ कारक जो उपचार और परिणाम दोनों को प्रभावित करता है। उदाहरण के लिए, शायद धूप वाले पड़ोस में रहने वाले लोग व्यायाम (उपचार) करने की अधिक संभावना रखते हैं और वे स्वस्थ (परिणाम) भी होते हैं। यदि आप धूप को ध्यान में नहीं रखते हैं, तो आप गलत तरीके से व्यायाम को स्वास्थ्य का श्रेय दे सकते हैं।

मानक जासूसी कार्य में, यदि आप संदिग्ध को देख नहीं सकते, तो आप मामला हल नहीं कर सकते। लेकिन यह शोध पत्र तर्क देता है कि स्थानिक डेटा (Spatial Data) (वह डेटा जो मानचित्र पर स्थानों से जुड़ा होता है) में, पड़ोस का "आकार" ही उस अनदेखे संदिग्ध को पकड़ने के लिए एक सुराग के रूप में कार्य कर सकता है।

यहाँ शोध के निष्कर्षों का सरल उपमाओं (analogies) का उपयोग करके विवरण दिया गया है:

1. मुख्य समस्या: मशीन में "भूत" (The "Ghost" in the Machine)

लेखक एक ऐसी स्थिति का अध्ययन कर रहे हैं जहाँ हमारे पास है:

उपचार ( $Z$ ): जिसे हम परीक्षण कर रहे हैं (जैसे, एक नया उर्वरक)।
परिणाम ( $Y$ ): परिणाम (जैसे, फसल की पैदावार)।
अनदेखा कन्फाउंडर ( $U$ ): एक "भूतिया" चर (Ghost variable) जिसे हम माप नहीं सकते (जैसे, मिट्टी की गुणवत्ता) जो उपचार के चुनाव और फसल की पैदावार दोनों को प्रभावित करता है।

यदि "भूत" केवल रैंडम शोर (random noise) है, तो हम फंस जाते हैं। लेकिन यदि "भूत" मानचित्र पर एक पैटर्न में चलता है (जैसे, उत्तर से दक्षिण की ओर मिट्टी की गुणवत्ता धीरे-धीरे बदलती है), तो शोध पत्र पूछता है: क्या हम भूत को उपचार से अलग करने के लिए मानचित्र की ज्यामिति (geometry) का उपयोग कर सकते हैं?

2. "पड़ोस" की उपमा (कंडीशनल ऑटोरेग्रेसिव मॉडल्स - CAR)

शोध पत्र पहले उन डेटा को देखता है जहाँ स्थान पड़ोसी होते हैं (जैसे, एक सड़क पर घर या मानचित्र पर जिले)। वे CAR मॉडल का उपयोग करते हैं।

उपमा: घरों की एक पंक्ति की कल्पना करें। यदि आपके पड़ोसी का घर नीला रंग का है, तो इस बात की अच्छी संभावना है कि आपका घर भी नीला होगा (स्थानिक सहसंबंध/spatial correlation)।
खोज: लेखकों ने पाया कि यदि "भूत" (अनदेखा कारक) का एक विशिष्ट स्थानिक पैटर्न है, और "उपचार" (एक्सपोज़र) का एक अलग स्थानिक पैटर्न है, तो हम उन्हें गणितीय रूप से अलग कर सकते हैं।
"रिंग" बनाम "वेब": पिछले शोधों ने कहा था कि आपको एक बहुत ही विशिष्ट, कठोर संरचना (जैसे घरों का एक आदर्श घेरा या रिंग) की आवश्यकता होगी ताकि रहस्य सुलझाया जा सके। यह शोध पत्र कहता है, "बिल्कुल नहीं!" आप लगभग किसी भी पड़ोस के लेआउट के साथ इसे हल कर सकते हैं, जब तक कि वह पूरी तरह से एकसमान (uniform) न हो।
- सावधानी: यदि हर घर दूसरे घर से बिल्कुल एक ही तरह से जुड़ा हुआ है (एक "पूर्ण रूप से जुड़ा हुआ" समूह), तो भूत और उपचार एक जैसे दिखते हैं, और मामला अनसुलझा रहता है। लेकिन यदि वहां "अप्रत्यक्ष पड़ोसी" (indirect neighbors) हैं (ऐसे घर जो सीधे नहीं बल्कि एक मध्यस्थ के माध्यम से जुड़े हुए हैं), तो मानचित्र में सच को प्रकट करने के लिए पर्याप्त "बनावट" (texture) होती है।

3. "स्पेक्ट्रल" की उपमा (लेरॉक्स मॉडल्स - Leroux Models)

इसके बाद, वे एक अधिक जटिल मॉडल (Leroux) को देखते है जो विभिन्न प्रकार के स्थानिक पैटर्न को मिलाता है।

उपमा: मानचित्र को एक संगीत के कॉर्ड (chord) के रूप में सोचें। "भूत" एक कम स्वर (low note) बजाता है, और "उपचार" एक ऊँचा स्वर (high note) बजाता है।
खोज: नोट्स को अलग करने के लिए, मानचित्र में पर्याप्त "फ्रीक्वेंसी" (विशिष्ट दूरियां या कनेक्शन) होनी चाहिए। यदि मानचित्र बहुत सरल है (जैसे, एक एकल स्वर), तो आप नोट्स के बीच अंतर नहीं कर सकते। लेकिन यदि मानचित्र में पर्याप्त विविधता है (जैसे, कम से कम 3 या 4 अलग-अलग नोट्स वाला एक जटिल कॉर्ड), तो गणित "उपचार" के नोट को "भूत" के नोट से अलग कर सकता है।
चेतावनी: यदि भूत और उपचार ठीक वही नोट बजाते हैं (समान स्थानिक पैटर्न), तो आप उन्हें कभी अलग नहीं कर सकते। यह शोध पत्र सटीक रूप से बताता है कि यह कब होता है ताकि शोधकर्ता एक असंभव पहेली को सुलझाने में अपना समय बर्बाद न करें।

4. "लीनियर मिक्स" का जाल (को-रीजनियलाइजेशन - Coregionalization)

शोध पत्र लीनियर मॉडल ऑफ को-रीजनियलाइजेशन नामक एक लोकप्रिय विधि का भी परीक्षण करता है।

उपमा: कल्पना करें कि भूत और उपचार एक दीवार पर चमकने वाली दो अलग-अलग रंग की रोशनी हैं, लेकिन वे दोनों एक ही तीन "आधार रंगों" (latent processes) के मिश्रण से बनी हैं।
बुरी खबर: लेखक सिद्ध करते हैं कि इस विशिष्ट विधि के साथ, मामला अनसुलझा है। आपके पास कितना भी डेटा क्यों न हो, आप "भूत" को "उपचार" से कभी अलग नहीं कर सकते। यह बैंगनी रंग के मिश्रण में लाल बनाम नीला कितना है, यह जानने की कोशिश करने जैसा है जब आपके पास केवल बैंगनी पेंट ही उपलब्ध है।
सबक: यदि आप इस विशिष्ट मॉडल का उपयोग करते हैं, तो आपके परिणाम "अनिश्चित" (unidentifiable) हो सकते हैं—अर्थात, आपका सांख्यिकीय सॉफ्टवेयर आपको एक उत्तर दे सकता है, लेकिन वह उत्तर पूरी तरह से गलत हो सकता है, और कंप्यूटर आपको यह नहीं बताएगा कि वह केवल अनुमान लगा रहा है।

5. "स्मूथनेस" की उपमा (मैटर्न मॉडल्स - Matérn Models)

अंत में, वे निरंतर डेटा (जैसे पूरे राज्य में तापमान रीडिंग) को देखते हैं जो मैटर्न मॉडल्स का उपयोग करते हैं, जो यह बताते हैं कि डेटा कितना "स्मूथ" (चिकना) या "जैग्ड" (ऊबड़-खाबड़) है।

उपमा: कल्पना करें कि "भूत" एक चिकनी ढलान वाली पहाड़ी है, और "उपचार" एक ऊबड़-खाबड़ पर्वत श्रृंखला है।
खोज: यदि "भूत" की "स्मूथनेस" और "उपचार" की "स्मूथनेस" अलग-अलग है, और आपके पास पर्याप्त दूरी पर डेटा बिंदु हैं (जैसे, विमान से परिदृश्य को देखना), तो आप उन्हें अलग कर सकते हैं।
शर्त: आपको "भूत" और "उपचार" की बनावट (texture) अलग होनी चाहिए। यदि वे दोनों समान रूप से स्मूथ या समान रूप से ऊबड़-खाबड़ हैं, तो आप उन्हें अलग नहीं कर सकते।

मुख्य निष्कर्ष (The Big Takeaway)

यह शोध पत्र जासूसों के लिए एक नियम पुस्तिका है।

अच्छी खबर: आपको एकदम सटीक डेटा या सटीक मानचित्रों की आवश्यकता नहीं है। जब तक आपके मानचित्र में कुछ "बनावट" (अप्रत्यक्ष पड़ोसी, विविध दूरियां) है और छिपा हुआ कारक उपचार से अलग व्यवहार करता है, तब तक आप सच्चाई का पता लगा सकते हैं।
बुरी खबर: यदि छिपा हुआ कारक और उपचार एक साथ चलते हैं (समान स्थानिक पैटर्न), या यदि आप गलत गणितीय मॉडल (जैसे, लीनियर को-रीजनियलाइजेशन) का उपयोग करते हैं, तो आप सच्चाई नहीं जान सकते।
चेतावनी: यदि आप इन "असंभव" परिदृश्यों में कॉज़ल इन्फरेंस करने की कोशिश करते हैं, तो आपके परिणाम अस्थिर होंगे। यह एक टूटे हुए तराजू पर पंख तौलने की कोशिश करने जैसा है; जो संख्या आपको मिलेगी वह इस बात पर निर्भर करती है कि आपने वजन क्या अनुमान लगाया था, न कि वास्तविकता पर।

संक्षेप में: आपके मानचित्र का आकार छिपे हुए कारणों को उजागर करने की कुंजी रखता है, लेकिन केवल तभी जब मानचित्र बहुत सरल न हो और आप गलत चाबी का उपयोग न करें।

यहाँ टॉमी टैंग, सिनरान ली और बो ली के शोध पत्र "Identifiability of Treatment Effects with Unobserved Spatially Varying Confounders" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र उन स्थानिक परिवेशों (spatial settings) में कारण अनुमान (causal inference) की चुनौती को संबोधित करता है जहाँ अपरिवर्तित (unmeasured) कन्फाउंडर्स स्थान के अनुसार भिन्न होते हैं। अवलोकन संबंधी अध्ययनों (observational studies) में, अपरिवर्तित कन्फाउंडिंग ( $U$ ), जो एक्सपोज़र ( $Z$ ) के साथ सह-संबंधित है, उपचार प्रभाव ( $\beta$ ) के अनुमान में पूर्वाग्रह (bias) उत्पन्न करती है।

मुख्य मुद्दा: स्वतंत्र डेटा के विपरीत, स्थानिक डेटा में एक सहसंबंध संरचना (correlation structure) होती है। यदि अपरिवर्तित कन्फाउंडर के स्थानिक निर्भरता को ठीक से मॉडल नहीं किया जाता है या यदि मॉडल 'आइडेंटिफिएबल' (identifiable) नहीं है, तो उपचार प्रभाव को देखे गए डेटा वितरण से विशिष्ट रूप से निर्धारित नहीं किया जा सकता है।
अंतराल (The Gap): जबकि हालिया साहित्य (जैसे, Schnell & Papadogeorgou, Guan et al.) ने दिखाया है कि विशिष्ट स्थानिक धारणाओं के तहत उपचार प्रभाव को पहचाना जा सकता है, विभिन्न स्थानिक मॉडलों और परिमित नमूना आकारों (finite sample sizes) में आइडेंटिफिएबिलिटी (डेटा से मापदंडों को विशिष्ट रूप से पुनः प्राप्त करने की क्षमता) के लिए एक सामान्य ढांचे का अभाव था।
उद्देश्य: यह स्थापित करना कि किन आवश्यक और पर्याप्त शर्तों के तहत अपरिवर्तित कन्फाउंडर्स वाले रैखिक स्थानिक मॉडलों में उपचार प्रभाव $\beta$ आइडेंटिफिएबल है, और उन परिदृश्यों की पहचान करना जहाँ आइडेंटिफिएबिलिटी विफल हो जाती है।

2. कार्यप्रणाली (Methodology)

लेखक $n$ स्थानिक स्थानों $s_{1:n}$ के लिए एक सामान्य रैखिक संरचनात्मक मॉडल प्रस्तावित करते हैं:
$Y = Z\beta + U + \epsilon$
जहाँ $Y$ परिणाम (outcome) है, $Z$ एक्सपोज़र है, $U$ अपरिवर्तित स्थानिक कन्फाउंडर है, और $\epsilon$ शोर (noise) है। $(U, Z)$ के संयुक्त वितरण को एक विशिष्ट सहप्रसरण संरचना (covariance structure) $\Sigma$ के साथ गाऊसी (Gaussian) माना गया है।

शोध पत्र आइडेंटिफिएबिलिटी का विश्लेषण करने के लिए देखे गए डेटा वितरण (Y और Z का संयुक्त वितरण) की जांच करता है जो $\beta$ को विशिष्ट रूप से निर्धारित करता है। लेखक समस्या को दो मुख्य श्रेणियों में विभाजित करते हैं:

A. असतत/क्षेत्रीय डेटा (Discrete/Areal Data - Conditional Autoregressive - CAR Models)

लेखक उन मॉडलों का अध्ययन करते हैं जहाँ स्थानिक निर्भरता एक निकटता मैट्रिक्स $W$ (जैसे, पड़ोसी ग्राफ) के माध्यम से परिभाषित होती है।

Schnell & Papadogeorgou (S&P) CAR मॉडल: एक मानक CAR संरचना जहाँ प्रिसिजन मैट्रिक्स $W$ पर निर्भर करता है।
Leroux CAR मॉडल: एक अधिक लचीला मॉडल जो $U$ और $Z$ के लिए अलग-अलग स्थानिक निर्भरता मापदंडों की अनुमति देता है, जिसमें एक संक्षिप्त संस्करण भी शामिल है जहाँ क्रॉस-कोवेरिएंस को प्रतिबंधित किया गया है।

B. निरंतर/जियोस्टैटिस्टिकल डेटा (Continuous/Geostatistical Data)

लेखक दूरी मैट्रिसेस का उपयोग करके निरंतर डोमेन पर परिभाषित मॉडलों का अध्ययन करते हैं।

Linear Model of Coregionalization (LMC): $U$ और $Z$ को स्वतंत्र लेटेंट गाऊसी प्रक्रियाओं के रैखिक संयोजन के रूप में मॉडल किया जाता है।
Bivariate Spatial Covariance Models: सामान्य मॉडल जहाँ $U$ और $Z$ के विशिष्ट कोवेरिएंस फंक्शन (जैसे, Exponential, Gaussian, Matérn) हैं, जिनके संभावित रूप से अलग-अलग पैरामीटर हैं।
Parsimonious Matérn Models: एक विशिष्ट प्रतिबंधित Matérn कोवेरिएंस फंक्शन का संस्करण जिसका उपयोग अक्सर व्यवहार में किया जाता है।

तकनीकी दृष्टिकोण:

लेखक स्थानिक ऑपरेटरों (जैसे, CAR मॉडलों के लिए $D-W$ ) के स्पेक्ट्रल अपघटन (spectral decompositions) का उपयोग करके समस्या को फ्रीक्वेंसी डोमेन में बदलने के लिए करते हैं।
वे स्थानिक मैट्रिसेस के आइगेनवैल्यू (eigenvalues) और देखे गए दूरियों के संबंध में कोवेरिएंस फंक्शनों की रैखिक स्वतंत्रता (linear independence) पर आधारित शर्तें व्युत्पन्न करते हैं।
वे बीजगणितीय प्रमाणों का उपयोग यह दिखाने के लिए करते हैं कि यदि दो अलग-अलग मापदंडों के सेट एक ही देखे गए डेटा वितरण को उत्पन्न करते हैं, तो उपचार प्रभाव $\beta$ या तो समान होगा (आइडेंटिफिएबल) या भिन्न हो सकता है (नॉन-आइडेंटिफिएबल)।

3. प्रमुख योगदान और परिणाम (Key Contributions and Results)

A. CAR मॉडलों में आइडेंटिफिएबिलिटी का सामान्यीकरण

परिमित नमूना और सामान्य ग्राफ: यह शोध पत्र पिछले परिणामों (जिन्होंने अनंत नमूनों और रिंग ग्राफ की आवश्यकता जताई थी) को परिमित नमूना आकार और सामान्य पड़ोस संरचनाओं तक विस्तारित करता है।
Theorem 1 (S&P Model): आइडेंटिफिएबिलिटी बनी रहती है यदि:
1. अपरिवर्तित कन्फाउंडर में स्थानिक निर्भरता ( $\phi_U \neq 0$ ) है।
2. पड़ोस ग्राफ एक विशिष्ट अर्थ में "पूर्ण रूप से जुड़ा हुआ" (fully connected) नहीं है (अर्थात, प्रॉक्सिमिटी मैट्रिक्स $W$ में कम से कम तीन अलग-अलग आइगेनवैल्यू हैं, या डिग्री मैट्रिक्स $D$ में अलग-अलग विकर्ण तत्व हैं)।
- निहितार्थ: यदि ग्राफ एक पूर्णतः जुड़ा हुआ क्लीक (exchangeable correlation) है, तो $\beta$ आइडेंटिफिएबल नहीं है।
Leroux मॉडल्स (Theorems 2 & 3): नॉन-पार्सीमोनियस और पार्सीमोनियस दोनों मॉडलों के लिए आइडेंटिफिएबिलिटी स्थापित की गई है। मुख्य शर्तों में शामिल हैं:
- $U$ और $Z$ की स्थानिक निर्भरता संरचनाएं अलग होनी चाहिए (जैसे, $\lambda_U \neq \lambda_Z$ )।
- यदि $\rho \neq 0$ (सहसंबंध मौजूद है), तो क्रॉस-कोवेरिएंस संरचना $Z$ की मार्जिनल संरचना से भिन्न होनी चाहिए।
- मैट्रिक्स $D-W$ में पर्याप्त संख्या में अलग-अलग आइगेनवैल्यू (मामले के आधार पर कम से कम 3 या 4) होने चाहिए।

B. Linear Model of Coregionalization की नॉन-आइडेंटिफिएबिलिटी (Theorem 4)

महत्वपूर्ण निष्कर्ष: लेखक सिद्ध करते हैं कि मानक Linear Model of Coregionalization के तहत (जहाँ $U$ और $Z$ एक ही लेटेंट प्रक्रियाओं को साझा करते हैं), उपचार प्रभाव $\beta$ आइडेंटिफिएबल नहीं है, भले ही लेटेंट प्रक्रियाओं के वास्तविक मापदंड ज्ञात हों।
कारण: देखा गया डेटा केवल प्रत्येक लेटेंट प्रक्रिया के लिए रैखिक संयोजन $\beta a_t + b_t$ को प्रकट करता है, जिससे कारण प्रभाव $\beta$ को कन्फाउंडिंग गुणांक $b_t$ से अलग करना असंभव हो जाता है।
चेतावनी: इसका तात्पर्य यह है कि LMC का उपयोग करने वाला सांख्यिकीय अनुमान (विशेष रूप से बेयसियन) अत्यधिक संवेदनशील और संभावित रूप से अस्थिर है।

C. जियोस्टैटिस्टिकल मॉडलों में आइडेंटिफिएबिलिटी (Theorems 5 & 6)

Bivariate Models: आइडेंटिफिएबिलिटी तब प्राप्त होती है जब $U$ $U$ , $Z$ $Z$ , और उनके क्रॉस-कोवेरिएंस के कोवेरिएंस फंक्शन देखी गई दूरियों के संबंध में K-रैखिक स्वतंत्र (K-linearly independent) होते हैं।
- सामान्य परिवारों (Exponential, Gaussian, Powered Exponential) के लिए, यह तब सत्य होता है जब दूरी मैट्रिक्स में कम से कम 3 अलग-अलग धनात्मक मान हों।
- शर्त के लिए $\rho \neq 0$ और अलग-अलग स्थानिक रेंज पैरामीटर ( $\psi_{UZ} \neq \psi_Z$ ) की आवश्यकता होती है।
Parsimonious Matérn Models:
- Theorem 6: एक एसिम्प्टोटिक सेटिंग (जैसे-जैसे $n \to \infty$ के साथ दूरियां बढ़ती हैं) में, आइडेंटिफिएबिलिटी बनी रहती है यदि स्मूथनेस पैरामीटर अलग हों ( $\nu_U \neq \nu_Z$ ) और $\rho \neq 0$ हो।
- लेखक परिमित-नमूना आइडेंटिफिएबिलिटी का अनुमान लगाते हैं, लेकिन नोट करते हैं कि बेसेल फंक्शन्स (Bessel functions) की जटिलता के कारण बड़ी दूरियों के बिना एक सामान्य प्रमाण कठिन है।

4. महत्व और निहितार्थ (Significance and Implications)

सैद्धांतिक आधार: यह शोध पत्र यह निर्धारित करने के लिए पहला कठोर, सामान्य ढांचा प्रदान करता है कि स्थानिक कन्फाउंडिंग की उपस्थिति में कारण प्रभाव कब आइडेंटिफिएबल होते हैं। यह केवल "मान लेने" के बजाय डेटा की ज्यामिति (पड़ोस संरचना या दूरी मैट्रिक्स) के आधार पर सत्यापन योग्य शर्तें प्रदान करता है।
शोधकर्ताओं के लिए व्यावहारिक दिशा-निर्देश:
- ग्राफ की जाँच करें: क्षेत्रीय डेटा के लिए, शोधकर्ताओं को यह सत्यापित करना चाहिए कि उनका स्थानिक ग्राफ पूरी तरह से जुड़ा हुआ (जैसे, एक रिंग या छेद वाला ग्रिड, एक पूर्ण क्लीक की तुलना में बेहतर है) नहीं है।
- मॉडल चयन: यह शोध पत्र स्पष्ट रूप से कारण अनुमान के लिए Linear Model of Coregionalization के उपयोग के विरुद्ध चेतावनी देता है, क्योंकि यह नॉन-आइडेंटिफिएबिलिटी की ओर ले जाता है। इसके बजाय, अलग-अलग स्थानिक निर्भरता संरचनाओं वाले मॉडलों (जैसे, Leroux मॉडल या विशिष्ट द्विचरणीय कोवेरिएंस मॉडल) की सिफारिश की जाती है।
- डेटा आवश्यकताएँ: आइडेंटिफिएबिलिटी अक्सर स्थानिक पैमानों की विविधता (अलग-अलग आइगेनवैल्यू या दूरियाँ) पर निर्भर करती है। विरल (sparse) या अत्यधिक नियमित डेटा पहचान का समर्थन करने में विफल हो सकता है।
नैदानिक उपकरण (Diagnostic Tools): लेखक अवलोकन योग्य मात्राएँ प्रदान करते हैं (जैसे, यह जाँच करना कि क्या $E(YZ^T)E(ZZ^T)^{-1}$ पहचान मैट्रिक्स के समानुपाती है) जिनका उपयोग शोधकर्ता यह आकलन करने के लिए कर सकते हैं कि क्या पहचान की शर्तें (जैसे, $\rho \neq 0$ ) पूरी होने की संभावना है।
सावधानी नोट: शोध पत्र इस बात पर प्रकाश डालता है कि नॉन-आइडेंटिफिएबल परिदृश्यों में, बेयसियन अनुमान कोई "समाधान" नहीं है, बल्कि यह भार को 'प्रायर' (prior) पर स्थानांतरित कर देता है, जिससे गलत निष्कर्ष निकल सकते हैं यदि प्रायर को सावधानीपूर्वक उचित नहीं किया गया है।

निष्कर्ष

यह शोध पत्र स्थानिक कारण अनुमान (spatial causal inference) को मौलिक रूप से उन्नत करता है, जो आइडेंटिफिएबल और नॉन-आइडेंटिफिएबल परिदृश्यों के बीच की सीमा को रेखांकित करता है। यह प्रदर्शित करता है कि जबकि स्थानिक संरचना अपरिवर्तित कन्फाउंडिंग को नियंत्रित करने के लिए एक तंत्र प्रदान करती है, यह तंत्र तभी काम करता है जब कन्फाउंडर और एक्सपोज़र की स्थानिक निर्भरता पर्याप्त रूप से भिन्न हो और डेटा की ज्यामिति इन प्रभावों को अलग करने में सक्षम हो। इसके परिणाम पर्यावरणीय विज्ञान, महामारी विज्ञान और अन्य क्षेत्रों में अध्ययन डिजाइन और मॉडल चयन के लिए एक महत्वपूर्ण मार्गदर्शक के रूप में कार्य करते हैं जो स्थानिक डेटा का उपयोग करते हैं।