📊 statistics

Interpretable Causal Graphical Models for Equilibrium Systems with Confounding

यह शोध पत्र कन्फाउंडिंग (confounding) से प्रभावित संतुलन प्रणालियों में वैध कारण अनुमान (causal inference) और लचीला सहचर समायोजन (covariate adjustment) सक्षम करने के लिए व्याख्यात्मक अग्रवर्ती ग्राफिकल मॉडल (interpretable anterior graphical models) प्रस्तुत करता है, साथ ही मौजूदा काउंटरफैक्चुअल (counterfactual) और हस्तक्षेप ग्राफ (intervention graph) ढांचों के साथ संबंध स्थापित करता है।

मूल लेखक: Kai Z. Teh, Kayvan Sadeghi, Terry Soo

प्रकाशित 2026-03-27

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC0 1.0

मूल लेखक: Kai Z. Teh, Kayvan Sadeghi, Terry Soo

मूल पेपर CC0 1.0 (http://creativecommons.org/publicdomain/zero/1.0/) के तहत सार्वजनिक डोमेन को समर्पित 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 कॉफी का कप गर्म क्यों है। आप जानते हैं कि कॉफी मेकर ने इसे चालू किया था (कारण), लेकिन आप यह भी जानते हैं कि कमरा ठंडा है (एक कन्फाउंडर/भ्रमित करने वाला कारक जो मशीन की दक्षता और कॉफी के ठंडा होने की गति दोनों को प्रभावित करता है)। वास्तविक दुनिया में, चीजें केवल एक सीधी रेखा में नहीं होतीं; वे अक्सर एक संतुलन या साम्यावस्था (equilibrium) में स्थिर होती हैं (जैसे एक थर्मोस्टेट कमरे के तापमान को स्थिर रखने के लिए काम करता है), और छिपे हुए कारक अक्सर वास्तविक कारण-और-प्रभाव संबंध को देखने की हमारी क्षमता में बाधा डालते हैं।

यह शोध पत्र वैज्ञानिकों के लिए एक नए, सुपर-स्मार्ट नक्शा बनाने वाले किट की तरह है जो उन्हें इन जटिल स्थितियों का चित्रण करने में मदद करता है। यहाँ रोजमर्रा के उदाहरणों का उपयोग करके इसका विवरण दिया गया है:

1. समस्या: "बिखरे हुए कमरे" का नक्शा

पारंपरिक नक्शे (सांख्यिकी में जिन्हें DAGs कहा जाता है) सरल, एकतरफा रास्तों के लिए बेहतरीन होते हैं। यदि A, B का कारण बनता है, और B, C का कारण बनता है, तो आप एक तीर खींचते हैं A → B → C।

समस्या: वास्तविक जीवन अधिक जटिल है। कभी-कभी चर (variables) एक लूप में एक-दूसरे को प्रभावित करते हैं (साम्यावस्था), जैसे एक थर्मोस्टेट और हीटर। कभी-कभी, दो चीजें किसी छिपी हुई तीसरी चीज़ के कारण आपस में जुड़ी होती हैं (कन्फाउंडिंग), जैसे आइसक्रीम की बिक्री और शार्क के हमले दोनों गर्मियों में बढ़ जाते हैं (छिपा हुआ कारण: गर्म मौसम)।
पुराने उपकरण: पिछले नक्शे या तो लूप को संभाल सकते थे या छिपे हुए लिंक को, लेकिन दोनों को एक साथ स्पष्ट रूप से नहीं संभाल सकते थे। वे एक सपाट कागज पर 3D शहर को चित्रित करने की कोशिश करने जैसा था जहाँ आप रास्ता भटक सकते हैं।

2. समाधान: "एंटेरियल" (Anterial) नक्शा

लेखक एक नया प्रकार का नक्शा पेश करते हैं जिसे एंटेरियल ग्राफ कहा जाता है। इसे एक 3D वास्तुशिल्प ब्लूप्रिंट के रूप में सोचें जो इसे संभाल सकता है:

एकतरफा रास्ते (तीर: A, B का कारण बनता है)।
दो-तरफा यातायात (द्विदिश रेखाएं: A और B एक छिपे हुए मित्र द्वारा गुप्त रूप से जुड़े हुए हैं)।
राउंडअबाउट/चक्कर (अनिर्देशित रेखाएं: A और B एक संतुलित प्रणाली का हिस्सा हैं जहाँ वे एक-दूसरे के साथ तालमेल बिठाते हैं)।

यह नया नक्शा विशेष है क्योंकि यह न केवल आपको वर्तमान ट्रैफ़िक दिखाता है; यह आपको यह सिम्युलेट (अनुकरण) करने की अनुमति देता है कि यदि आप नियमों को बदल दें तो क्या होगा।

3. "टाइम ट्रैवल" विशेषता: काउंटरफैक्चुअल्स (Counterfactuals)

विज्ञान में, हम अक्सर पूछते हैं, "क्या होता अगर मैंने एक अलग रास्ता चुना होता?" इसे काउंटरफैक्चुअल कहा जाता है।

उदाहरण: कल्पना कीजिए कि आप एक वीडियो गेम खेल रहे हैं। आप जानना चाहते हैं: "अगर मैंने 'दौड़ने' के बजाय 'कूदने' (Jump) का बटन दबाया होता, तो क्या मैं गड्ढे से बच जाता?"
शोध पत्र की तरकीब: लेखकों ने एक ऐसा तरीका बनाया है जिससे एक ही नक्शा दिखाया जा सके जो दोनों दुनियाओं को—जहाँ आपने 'दौड़ने' का बटन दबाया (अवलोकन) और जहाँ आपने 'कूदने' का बटन दबाया (हस्तक्षेप)—बगल-बगल में दिखा सके।
"एकल-विश्व" दृष्टिकोण: उन्होंने यह भी पता लगाया है कि इसे कैसे सरल बनाया जाए। दो समानांतर ब्रह्मांडों को दिखाने के बजाय, वे दुनिया का केवल एक संस्करण दिखाते हैं जहाँ "कूदने" के बटन को जबरदस्ती दबाया गया है, लेकिन बाकी दुनिया स्वाभाविक रूप से प्रतिक्रिया करती है। यह इस बात से बचाता है कि नक्शा उन "क्या-होता-अगर" (what-ifs) से बहुत अधिक भरा हुआ न हो जाए जो वास्तव में एक ही समय में घटित नहीं हो सकते।

4. "कन्फाउंडर फ़िल्टर": सही सामग्री चुनना

जब वैज्ञानिक यह साबित करना चाहते हैं कि "कॉफी सतर्कता का कारण बनती है," तो उन्हें अन्य कारकों (जैसे "क्या व्यक्ति अच्छी तरह सोया था?") को नियंत्रित करना होता है। उन्हें उन चरों की सही सूची चुनने की आवश्यकता होती है जिन्हें जांचना है, जिसे एडजस्टमेंट सेट कहा जाता है।

प्रतिबंध: कभी-कभी, आपको कुछ चरों को शामिल करना ही होगा (जैसे, एक डॉक्टर को रक्तचाप की जांच जरूर करनी चाहिए) या कुछ को शामिल नहीं करना होगा (जैसे, आप ऐसी चीज़ को नहीं माप सकते जिसकी लागत बहुत अधिक है)।
एल्गोरिदम: यह शोध पत्र एक चरण-दर-चरण रेसिपी (एल्गोरिदम) प्रदान करता है जो आपके नियमों के अनुकूल चरों की सबसे सटीक और छोटी सूची खोजने में मदद करती है।
- कल्पना कीजिए कि आप एक सूटकेस पैक कर रहे हैं। आपके पास एक नियम है: "टूथब्रश शामिल करना ही चाहिए" और "पियानो शामिल नहीं करना चाहिए।" एल्गोरिदम आपको सबसे हल्का संभव सूटकेस पैक करने में मदद करता है जिसमें आपका टूथब्रश भी हो और पियानो भी न हो, यह सुनिश्चित करते हुए कि आप किसी अन्य आवश्यक वस्तु को न भूल जाएं।

5. यह क्यों महत्वपूर्ण है

डॉक्टरों के लिए: यह यह समझने में मदद करता है कि क्या कोई नई दवा काम करती है, भले ही मरीज़ों के शरीर की जटिल और संतुलित प्रणालियाँ और छिपे हुए जीवनशैली कारक हों।
नीति निर्माताओं के लिए: यह एक नए कानून (हस्तक्षेप) के परिणाम की भविष्यवाणी करने में मदद करता है, जबकि आर्थिक संतुलन और छिपे हुए सामाजिक कारकों को ध्यान में रखता है।
AI के लिए: यह मशीनों को केवल पैटर्न नहीं, बल्कि कारण और प्रभाव को समझने में मदद करता है, जिससे वे जटिल वातावरण में निर्णय लेने के लिए अधिक स्मार्ट बनते हैं।

सारांश

लेखकों ने जटिल प्रणालियों के लिए एक यूनिवर्सल ट्रांसलेटर बनाया है। उन्होंने साम्यावस्था (चीजों का संतुलित होना) और कन्फाउंडिंग (छिपे हुए लिंक) की अव्यवस्थित वास्तविकता को लिया और एक स्पष्ट, दृश्य भाषा (एंटेरियल ग्राफ) बनाई ताकि:

सिस्टम का चित्रण किया जा सके।
परिवर्तनों (हस्तक्षेपों) का अनुकरण किया जा सके।
यह पता लगाया जा सके कि आपको ठीक से क्या डेटा एकत्र करने की आवश्यकता है ताकि आप कारण-और-प्रभाव के बारे में निश्चित हो सकें, भले ही आपके पास मापने योग्य चीजों पर सख्त नियम हों।

यह एक सपाट, 2D सड़क मानचित्र से एक गतिशील, 3D GPS में अपग्रेड करने जैसा है जो आपको ट्रैफिक जाम, छिपे हुए शॉर्टकट दिखा सकता है और यह भी बता सकता है कि यदि आप यात्रा के बीच में अपना गंतव्य बदलने का निर्णय लेते हैं तो आपको कौन सा रास्ता चुनना चाहिए।

यहाँ केई ज़ेड. तेह, केवन सादेगी और टेरी सू द्वारा लिखित शोध पत्र "Interpretable Causal Graphical Models for Equilibrium Systems with Confounding" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

कारण संबंधी अनुमान (Causal inference) के लिए अक्सर उन प्रणालियों को मॉडल करने की आवश्यकता होती है जो एक संतुलन (equilibrium) तक पहुँचती हैं (जैसे आर्थिक बाजार, जैविक फीडबैक लूप) या जिनमें कन्फाउंडिंग (confounding) (अव्यक्त सामान्य कारण) मौजूद होती है। मानक कारण ग्राफिकल मॉडल, विशेष रूप से स्ट्रक्चरल कॉज़ल मॉडल्स (SCMs) में उपयोग किए जाने वाले निर्देशित अचक्रीय ग्राफ (Directed Acyclic Graphs - DAGs), इन स्थितियों के लिए अपर्याप्त हैं क्योंकि:

DAGs उन सममित संबंधों (symmetric relationships) को प्रदर्शित नहीं कर सकते जो संतुलन गतिशीलता या द्विदिश कन्फाउंडिंग (bidirectional confounding) द्वारा प्रेरित होते हैं।
चेन ग्राफ (Chain Graphs) और एंसेस्ट्रल ग्राफ (Ancestral Graphs) क्रमशः संतुलन और कन्फाउंडिंग को प्रदर्शित कर सकते हैं, लेकिन उनमें एक ऐसा एकीकृत ढांचा (unified framework) नहीं है जो दोनों को एक साथ संभाल सके और साथ ही मार्जलाइजेशन (marginalization) और कंडीशनिंग (conditioning) के तहत बंद (closed) रहे।
एडजस्टमेंट सेट्स (adjustment sets) (कन्फाउंडिंग को नियंत्रित करने के लिए सह-चरों का चयन) चुनने के मौजूदा तरीके अक्सर तब संघर्ष करते हैं जब विशिष्ट समावेशन/बहिष्करण बाधाएं (inclusion/exclusion constraints) आवश्यक हों (जैसे नैतिक लागत या नियामक जनादेश के कारण) और जब अंतर्निहित ग्राफ संरचना जटिल हो।

लेखक कन्फाउंडिंग वाले संतुलन प्रणालियों के लिए एक एकीकृत, व्याख्या योग्य (interpretable) ग्राफिकल ढांचे के निर्माण और विभिन्न बाधाओं के तहत एडजस्टमेंट सेट्स चुनने के लिए एक एल्गोरिदम विकसित करने का लक्ष्य रखते हैं।

2. कार्यप्रणाली (Methodology)

A. मुख्य ढांचे के रूप में एंटेरियल ग्राफ्स (Anterial Graphs)

लेखक एंटेरियल ग्राफ्स (लौरिट्ज़न और साडेगी, 2018) का उपयोग करते हैं, जो DAGs, एंसेस्ट्रल ग्राफ्स और चेन ग्राफ्स का एक सामान्यीकरण है। इन ग्राफ्स में तीन प्रकार के किनारे (edges) होते हैं:

निर्देशित ( $\to$ ): कारण प्रभाव (Causal influence)।
अनिर्देशित ($-$): संतुलन संबंध (एक चेन घटक के भीतर सममित निर्भरताएँ)।
द्विदिश ( $\leftrightarrow$ ): कन्फाउंडिंग (साझा अनऑब्जर्व्ड एरर)।

एंटेरियल ग्राफ्स इसलिए अद्वितीय हैं क्योंकि वे मार्जलाइजेशन और कंडीशनिंग के तहत बंद (closed under marginalization and conditioning) होते हैं, जिसका अर्थ है कि यदि कोई वितरण किसी एंटेरियल ग्राफ के प्रति मार्कोवियन (Markovian) है, तो उसके मार्जिनल्स और कंटिंजेंट भी किसी एंटेरियल ग्राफ के प्रति मार्कोवियन होंगे। यह गुण बिना ग्राफिकल प्रतिनिधित्व खोए, लेटेंट वेरिएबल्स और सिलेक्शन बायस को संभालने के लिए महत्वपूर्ण है।

B. स्ट्रक्चरल इक्विलिब्रियम मॉडल्स (SEMs)

लेखक एक स्ट्रक्चरल इक्विलिब्रियम मॉडल (परिभाषा 7) को SCMs के एक सामान्यीकरण के रूप में परिभाषित करते हैं।

वेरिएबल्स को क्रमबद्ध सेटों (चेन घटकों) $\tau_1, \dots, \tau_n$ में विभाजित किया जाता है।
प्रत्येक घटक $\tau_i$ अपने पेरेंट्स और एक एरर टर्म $\epsilon_{\tau_i}$ के फलन (function) द्वारा निर्धारित होता है।
संतुलन (Equilibrium): एक चेन घटक के भीतर, वेरिएबल्स एक गतिशील प्रक्रिया (जिसे गिब्स सैंपलर के रूप में मॉडल किया गया है) द्वारा निर्धारित होते हैं जो पेरेंट्स के दिए होने पर एक कंडीशनल इक्विलिब्रियम डिस्ट्रीब्यूशन तक पहुँचती है।
कन्फाउंडिंग (Confounding): विभिन्न घटकों के बीच एरर्स आश्रित हो सकते हैं, जिसे द्विदिश किनारों (bidirected edges) द्वारा दर्शाया जाता है।

मुख्य सैद्धांतिक परिणाम (Theorem 1): यदि प्रेरित वितरण एक कंपोजिशनल ग्राफॉइड (compositional graphoid) है, तो संयुक्त वितरण (joint distribution) संगत एंटेरियल ग्राफ के प्रति मार्कोवियन होता है, जिसे एल्गोरिदम 1 के माध्यम से बनाया गया है। यह ग्राफ निर्माण इक्विलिब्रियम डिस्ट्रीबशंस के भीतर कंडीशनल इंडिपेंडेंस टेस्ट पर निर्भर करता है।

C. ग्राफिकल इंटरवेंशन और काउंटरफैक्टुअल्स (Graphical Interventions and Counterfactuals)

यह शोध पत्र इन इक्विलिब्रियम सिस्टम्स पर इंटरवेंशन को विस्तारित करता है:

इंटरवेंशन ग्राफ्स ( $do_C(G)$ ): एल्गोरिदम 2 का उपयोग करते हुए, लेखक यह परिभाषित करते हैं कि जब उपचार सेट $C$ पर इंटरवेंशन किया जाता है, तो ग्राफ को कैसे संशोधित किया जाए। इसमें $C$ के आने वाले किनारों को हटाना, $C$ के भीतर के अनडाइरेक्टेड किनारों को डाइरेक्टेड किनारों में बदलना (यदि लक्ष्य $C$ के बाहर है), और $C$ से जुड़े द्विदिश किनारों को हटाना शामिल है।
काउंटरफैक्टुअल ग्राफ्स ( $\phi(G; C)$ ): एल्गोरिदम 3 का उपयोग करके, वे एक ग्राफ का निर्माण करते हैं जो ऑब्जर्वेशनल वेरिएबल्स ( $X$ ) और इंटरवेंड वेरिएबल्स ( $X^{do(C)}$ ) दोनों को दर्शाता है। यह ग्राफ साझा एरर्स (द्विदिश किनारों) के माध्यम से दोनों के बीच कपलिंग को एनकोड करता है।
सिंगल-वर्ल्ड एंटेरियल इंटरवेंशनल ग्राफ्स (SWAIGs, $\phi'(G; C)$ ): पूर्ण काउंटरफैक्टुअल ग्राफ में फेथफुलनेस (faithfulness) धारणा के उल्लंघन से बचने के लिए, वे "पोस्ट-ट्रीटमेंट" वेरिएबल्स को मार्जलिनाइज करके एक सिंगल-वर्ल्ड प्रतिनिधित्व बनाने का प्रस्ताव देते हैं, जो DAGs में SWIGs के समान है।

D. कंस्ट्रेंड कन्फाउंडर सिलेक्शन (Constrained Confounder Selection)

लेखक एक न्यूनतम एडजस्टमेंट सेट $S$ खोजने की समस्या का समाधान करते हैं जहाँ $L \subseteq S \subseteq U$ हो, जहाँ $L$ वे सह-चर हैं जिन्हें शामिल किया जाना चाहिए और $U$ वे सह-चर हैं जिन्हें शामिल किया जा सकता है।

एल्गोरिदम 4: एक एलिमेंट-वाइज प्रक्रिया जो $U$ से नोड्स को पुनरावृत्ति (iteratively) से हटाती है और यह जाँचती है कि क्या मैक्सिमाइज्ड ग्राफ में सेपरेशन कंडीशन ( $X_O^{do(C)} \perp X_C | S$ ) बनी रहती है।
सभी सेट्स को सूचीबद्ध करने और फिर फ़िल्टर करने के बजाय, यह एल्गोरिदम खोज प्रक्रिया के भीतर सीधे बाधाओं को शामिल करता है, जिससे फेथफुलनेस धारणाओं के तहत दक्षता और शुद्धता सुनिश्चित होती है।

3. प्रमुख योगदान (Key Contributions)

एकीकृत ग्राफिकल मॉडल: इक्विलिब्रियम डायनेमिक्स और कन्फाउंडिंग दोनों वाले सिस्टम को मॉडल करने के लिए एंटेरियल ग्राफ्स का परिचय, जो पिछले ढांचों (चेन ग्राफ्स, एंसेस्ट्रल ग्राफ्स, DAGs) को एकीकृत करता है।
स्ट्रक्चरल इक्विलिब्रियम मॉडल्स: उन इक्विलिब्रियम सिस्टम्स के लिए SCMs का औपचारिक रूप देना जहाँ वेरिएबल्स एक घटक के भीतर गिब्स-सैंपलर-जैसे संतुलन तक पहुँचते हैं।
ग्राफिकल इंटरवेंशन कैलकुलस: एंटेरियल ग्राफ्स पर इंटरवेंशन करने के लिए एल्गोरिदम 2 की परिभाषा और काउंटरफैक्टुअल ग्राफ बनाने के लिए एल्गोरिदम 3 का निर्माण, जो यह सिद्ध करता है कि ये ऑपरेशन मार्कोव प्रॉपर्टी को बनाए रखते हैं (Theorem 2 और 3)।
कंस्ट्रेंड एडजस्टमेंट एल्गोरिदम: हार्ड इनक्लूजन/एक्सक्लूजन बाधाओं के साथ न्यूनतम एडजस्टमेंट सेट्स चुनने के लिए एक प्रमाणित सही विधि, एल्गोरिदम 4 का विकास, जो क्लिनिकल ट्रायल्स और एल्गोरिथमिक फेयरनेस के लिए विशेष रूप से प्रासंगिक है।
व्याख्यात्मकता (Interpretability): यह प्रदर्शित करना कि कारण संबंधी अवधारणाओं (interventions, counterfactuals) को एरर टर्म्स की विशिष्ट कपलिंग को जाने बिना, केवल स्थानीय ग्राफ हेरफेर के माध्यम से व्यक्त किया जा सकता है, बशर्ते कि ग्राफ एंटेरियल हो।

4. परिणाम और सत्यापन (Results and Validation)

सैद्धांतिक प्रमाण (Theoretical Proofs): शोध पत्र स्ट्रक्चरल इक्विलिब्रियम मॉडल्स (Theorem 1), इंटरवेंड मॉडल्स (Theorem 2), और काउंटरफैक्टुअल व्याख्याओं (Theorem 3) के मार्कोव गुणों के लिए कठोर प्रमाण प्रदान करता है।
सिमुलेशन (Simulations): लेखकों ने तीन अलग-अलग एंटेरियल ग्राफ्स (Figures 4, 5, 6) के अनुरूप स्ट्रक्चरल इक्विलिब्रियम मॉडल्स से डेटा का सिमुलेशन किया।
- उन्होंने प्रत्यक्ष इक्विलिब्रियम डिस्ट्रीब्यूशन और गिब्स सैंपलर दोनों का उपयोग करके डेटा सैंपल किया।
- Fisher-Z परीक्षणों ने पुष्टि की कि एंटेरियल ग्राफ्स की मार्कोव प्रॉपर्टी द्वारा निहित युग्म (pairwise) कंडीशनल इंडिपेंडेंसी, सिमुलेटेड डेटा में सही थी (p-values सैद्धांतिक सेपरेशन मानदंडों के अनुरूप थे)।
एल्गोरिदम प्रदर्शन: कंस्ट्रेंड सिलेक्शन एल्गोरिदम को एक काउंटरफैक्टुअल ग्राफ (Figure 10) पर प्रदर्शित किया गया, जो दिखाता है कि कैसे यह नोड्स को पुनरावृत्ति से मार्जलिनाइज करके $L \subseteq S \subseteq U$ को संतुष्ट करने वाला एक न्यूनतम सेट सफलतापूर्वक पहचानता है।

5. महत्व और भविष्य का कार्य (Significance and Future Work)

महत्व:

यह कार्य इक्विलिब्रियम डायनेमिक्स वाले सिस्टम्स के लिए उपकरण प्रदान करके कारण अनुमान (causal inference) के एक महत्वपूर्ण अंतर को पाटता है, जो वास्तविक दुनिया के अनुप्रयोगों में आम हैं लेकिन पहले एक एकीकृत कारण ग्राफिकल ढांचे की कमी थी।
यह कंस्ट्रेंड कॉज़ल इन्फरेंस के लिए एक व्यावहारिक समाधान प्रदान करता है, जो इस वास्तविकता को संबोधित करता है कि शोधकर्ता लागत, नैतिकता या विनियमन के कारण कुछ वेरिएबल्स को एकत्र नहीं कर सकते या उन्हें बाहर रखना आवश्यक होता है।
यह ढांचा व्याख्यात्मकता बनाए रखता है, जिससे वितरण के जटिल बीजगणितीय हेरफेर के बजाय ग्राफ ऑपरेशन्स के माध्यम से कारण प्रभावों को प्राप्त किया जा सकता है।

भविष्य का कार्य:

धारणाओं को शिथिल करना (Relaxing Assumptions): यह जांचना कि क्या "कंपोजिशनल ग्राफॉइड" धारणा को एंटेरियल ग्राफ्स के लिए विशिष्ट लोकल मार्कोव प्रॉपर्टी को परिभाषित करके शिथिल किया जा सकता है।
एल्गोरिदम अनुकूलन (Algorithm Optimization): न्यूनतमता बनाए रखते हुए अभिसरण (convergence) को संभावित रूप से तेज करने के लिए चयन एल्गोरिदम में कंडीशनिंग ऑपरेशंस ( $\alpha_c$ ) का उपयोग करना।
सामान्य काउंटरफैक्टुअल्स (General Counterfactuals): रिचर्डसन और रॉबिंस (2013) के समान "टेम्प्लेट्स" का उपयोग करके कई इंटरवेंशन वैल्यूज (न कि केवल निश्चित $a_C$ ) को संभालने के लिए ढांचे का विस्तार करना।
मल्टीवेरिएट एक्सटेंशन (Multivariate Extensions): एकल सिंगलेटन के बजाय नोड्स के उपसमुच्चय (subsets) के रूप में ट्रीटमेंट और आउटकम सेट को संभालने के लिए एल्गोरिदम 4 को अनुकूलित करना।

संक्षेप में, तेह और अन्य, कन्फाउंडिंग वाले जटिल, इक्विलिब्रियम-संचालित सिस्टम्स में कारण अनुमान के लिए एक मजबूत सैद्धांतिक और एल्गोरिदम आधार प्रदान करते हैं, जो एक नया ग्राफिकल भाषा और कंस्ट्रेंड वेरिएबल सिलेक्शन के लिए व्यावहारिक उपकरण प्रदान करता है।