📊 statistics

Retrospective Counterfactual Prediction by Conditioning on the Factual Outcome: A Cross-World Approach

यह शोध पत्र संभावित परिणामों के बीच क्रॉस-वर्ल्ड सहसंबंध पर प्रशंसनीय सीमाओं का लाभ उठाकर, रेट्रोस्पेक्टिव काउंटरफैक्चुअल परिणामों का अनुमान लगाने और वैध प्रेडिक्शन इंटरवल्स (पूर्वानुमान अंतराल) के निर्माण के लिए एक क्रॉस-वर्ल्ड दृष्टिकोण प्रस्तावित करता है, जिससे तथ्यात्मक परिणामों को अनदेखा करने और उन्हें पूर्ण भविष्यवक्ता मानने के बीच के अंतर को पाटने में मदद मिलती है।

मूल लेखक: Juraj Bodik

प्रकाशित 2026-03-31

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Juraj Bodik

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 एलेक्स नाम के व्यक्ति के बारे में एक रहस्य सुलझाने की कोशिश कर रहे हैं। एलेक्स अस्पताल गया, उसने कोई नई दवा नहीं ली, और वह बहुत अच्छा महसूस करते हुए बाहर आ गया।

अब, एक बड़ा सवाल उठता है: क्या होता अगर एलेक्स ने वह दवा ली होती?

यही "काउंटरफैक्चुअल प्रेडिक्शन" (counterfactual prediction - प्रतितथ्यात्मक भविष्यवाणी) का मूल है। यह पूछ रहा है, "क्या होता अगर?" लेकिन यहाँ एक पेंच है: हम कभी भी इसका उत्तर निश्चित रूप से नहीं जान सकते। हम केवल वही देख सकते हैं जो वास्तव में हुआ (वास्तविक/factual), न कि वह जो होता (प्रतितथ्यात्मक/counterfactual)।

लंबे समय तक, सांख्यिकीविदों (statisticians) ने केवल एलेक्स की पृष्ठभूमि के विवरणों (आयु, वजन, इतिहास) को देखकर इस उत्तर का अनुमान लगाने की कोशिश की। वे कहते, "खैर, एलेक्स जैसे लोग आमतौर पर इस दवा के साथ अच्छा महसूस करते हैं," और औसत के आधार पर परिणाम का अनुमान लगाते।

यह शोध पत्र एक बेहतर तरीका प्रस्तावित करता है।

"जुड़वा" उपमा (The "Twin" Analogy)

एलेक्स के संभावित परिणामों को समानांतर ब्रह्मांडों में रहने वाले उसके दो संस्करणों के रूप में सोचें:

ब्रह्मांड A (वास्तविक/The Factual): एलेक्स कोई दवा नहीं लेता। वह बहुत अच्छा महसूस करता है।
ब्रह्मांड B (प्रतितथ्यात्मक/The Counterfactual): एलेक्स दवा लेता है। हम इस ब्रह्मांड को नहीं देख सकते, लेकिन हम इसकी भविष्यवाणी करना चाहते हैं।

लेखक, जुराज बोडिक (Juraj Bodik), तर्क देते हैं कि ये दोनों ब्रह्मांड पूरी तरह से यादृच्छिक (random) नहीं हैं। वे जुड़वा बच्चों की तरह जुड़े हुए हैं। यदि एक जुड़वा स्वस्थ है, तो दूसरा भी स्वस्थ होने की संभावना है, भले ही वे अलग-अलग कमरों में हों।

यह शोध पत्र एक अवधारणा पेश करता है जिसे क्रॉस-वर्ल्ड कोरिलेशन ( $\rho$ ) कहा जाता है। इसे एक "कनेक्शन डायल" या "समानता नॉब" के रूप में सोचें जो 0 से 1 तक जाता है।

डायल 0 पर (कोई संबंध नहीं): यह मानता है कि दोनों ब्रह्मांड पूरी तरह से असंबंधित हैं। यदि एलेक्स बिना दवा के अच्छा महसूस करता है, तो यह हमें कुछ भी नहीं बताता कि वह दवा के साथ कैसा महसूस करता। यह टोक्यो के मौसम के आधार पर न्यूयॉर्क के मौसम का अनुमान लगाने जैसा है। अधिकांश पुराने तरीकों ने इसी धारणा का उपयोग किया।
डायल 1 पर (पूर्ण संबंध): यह मानता है कि दवा कुछ भी अलग नहीं करती है। यदि एलेक्स बिना दवा के अच्छा महसूस करता है, तो वह इसके साथ भी बिल्कुल वैसा ही महसूस करता। यह कहने जैसा है कि दवा एक प्लेसबो (placebo) है।
डायल बीच में (स्वीट स्पॉट/Sweet Spot): यही इस शोध पत्र की सफलता है। यह मानता है कि कुछ संबंध है। शायद एलेक्स की रोग प्रतिरोधक क्षमता (immune system) मजबूत है (एक छिपा हुआ कारक)। वह शक्ति उसे दोनों ब्रह्मांडों में मदद करती है। इसलिए, यदि उसने बिना दवा के अच्छा किया, तो वह दवा के साथ भी अच्छा ही करता।

यह विधि कैसे काम करती है

शोध पत्र एक नया उपकरण बनाता है जिसे आरसीपी (RCP - Retrospective Counterfactual Prediction) कहा जाता है। यह इस प्रकार काम करता है:

तथ्यों को देखें: हम एलेक्स के कोवेरियेट्स (covariates - जैसे आयु, आदि) और उसके वास्तविक परिणाम (अच्छा महसूस करना) को देखते हैं।
डायल ( $\rho$ ) सेट करें: हम एक विशेषज्ञ से पूछते हैं या डेटा का उपयोग करके यह अनुमान लगाते हैं कि दोनों ब्रह्मांड कितने जुड़े हुए हैं। क्या यह एक कमजोर संबंध (0.2) है? एक मजबूत संबंध (0.8)?
- नोट: शोध पत्र स्वीकार करता है कि हम निश्चित रूप से सटीक संख्या नहीं जान सकते। यह संख्याओं की एक श्रृंखला का परीक्षण करने का सुझाव देता है ताकि यह देखा जा सके कि हमारे निष्कर्ष कायम रहते हैं या नहीं, ठीक वैसे ही जैसे एक वैज्ञानिक विभिन्न परिकल्पनाओं का परीक्षण करता है।
भविषेक (The Prediction): यह उपकरण एलेक्स की पृष्ठभूमि पर आधारित "औसत अनुमान" लेता है और उसे उसके वास्तविक प्रदर्शन के आधार पर समायोजित (adjust) करता है।
- यदि डायल ऊँचा (मजबूत संबंध) सेट है, और एलेक्स बिना दवा के अद्भुत महसूस कर रहा था, तो यह टूल भविष्यवाणी करेगा कि वह दवा के साथ भी अद्भुत महसूस करता।
- यदि डायल कम है, तो यह टूल उसके विशिष्ट परिणाम को अनदेखा कर देता है और केवल औसत अनुमान देता है।

यह क्यों महत्वपूर्ण है

एक अदालत की कल्पना करें। एक वकील को यह साबित करने की आवश्यकता है कि किसी विशिष्ट कार्य ने नुकसान पहुँचाया है।

पुराना तरीका: "इस चोट वाले लोग आमतौर पर 2 सप्ताह में ठीक हो जाते हैं। चूंकि मरीज को 3 सप्ताह लगे, इसलिए प्रतिवादी जिम्मेदार है।" (यह मरीज की विशिष्ट रिकवरी गति को अनदेखा करता है)।
नया तरीका: "इस मरीज की रोग प्रतिरोधक क्षमता बहुत मजबूत थी और वह बिना किसी मदद के 2 सप्ताह में ठीक हो गया। क्योंकि मजबूत प्रतिरक्षा प्रणाली लोगों को तेजी से ठीक होने में मदद करती है, इसलिए यह अत्यधिक संभावना है कि यदि प्रतिवादी ने कार्य नहीं किया होता, तब भी वह 2 सप्ताह में ही ठीक हो जाता। इसलिए, प्रतिवादी जिम्मेदार नहीं हो सकता है।"

"कनेक्शन डायल" का उपयोग करके, यह नई विधि भविष्यवाणियों को अधिक सटीक और बेहतर बनाती है क्योंकि यह "क्या होगा" के परिदृश्य के बारे में अनुमान को परिष्कृत करने के लिए व्यक्ति के वास्तविक अनुभव का उपयोग करती है।

मुख्य निष्कर्ष (The Bottom Line)

यह शोध पत्र हमें सिखाता है कि जब हम अनुमान लगाने की कोशिश करते हैं कि "क्या होता," तो हमें "वास्तव में क्या हुआ" को अनदेखा नहीं करना चाहिए। भले ही हम वैकल्पिक वास्तविकता को नहीं देख सकते, लेकिन दोनों वास्तविकताएं जुड़ी हुई हैं। इस जुड़ाव (क्रॉस-वर्ल्ड कोरिलेशन) को स्वीकार करके, हम बेहतर भविष्यवाणियां कर सकते हैं, बेहतर सुरक्षा जाल (प्रेडिक्शन इंटरवल) बना सकते हैं और चिकित्सा, कानून और नीति में अधिक निष्पक्ष निर्णय ले सकते हैं।

संक्षेप में: केवल भीड़ के आधार पर अनुमान न लगाएं; अपने अनुमान को परिष्कृत करने के लिए व्यक्ति की वास्तविक कहानी का उपयोग करें।

यहाँ जुराज बोडिक (Juraj Bodik) के शोध पत्र "Retrospective Counterfactual Prediction by Conditioning on the Factual Outcome: A Cross-World Approach" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र रेट्रोस्पेक्टिव काउंटरफैक्चुअल प्रेडिक्शन (retrospective counterfactual prediction) की चुनौती को संबोधित करता है। कॉज़ल इन्फरेंस (causal inference) में, इसमें एक ऐसे व्यक्ति के लिए संभावित परिणाम $Y(1)$ का अनुमान लगाना शामिल है जिसने वास्तव में उपचार $T=0$ प्राप्त किया है (प्रेक्षित परिणाम $Y(0)$ ), उनके कोवेरिएट्स (covariates) $X=x$ के आधार पर।

लक्ष्य मात्रा (The Target Quantity): लक्ष्य कंडीशनल एक्सपेक्टेशन $\mu(x, y) = E[Y(1) \mid X=x, Y(0)=y]$ का अनुमान लगाना और वैध प्रेडिक्शन इंटरवल $C(x, y)$ का निर्माण करना है ताकि $P(Y(1) \in C(x, y) \mid X=x, Y(0)=y) \geq 1-\alpha$ हो सके।
मुख्य चुनौती (The Core Challenge): CATE (Conditional Average Treatment Effects) के अनुमान के विपरीत, जो केवल कोवेरिएट्स $X$ पर निर्भर करता है, प्रेक्षित परिणाम $Y(0)$ पर आधारित व्यक्तिगत काउंटरफैक्चुअल्स का अनुमान लगाना केवल ऑब्जर्वेशनल डेटा से मौलिक रूप से अन-आइडेंटिफिएबल (unidentifiable) है। एक ही यूनिट के लिए संभावित परिणामों $(Y(0), Y(1))$ का संयुक्त वितरण कभी भी देखा नहीं जा सकता।
मौजूदा विधियों की सीमाएँ (Limitations of Existing Methods):
- डायरेक्ट आउटकम मॉडलिंग (Direct Outcome Modeling): यह $Y(0)$ को अनदेखा करते हुए $E[Y(1) \mid X]$ का अनुमान लगाता है, जिससे व्यक्तिगत-विशिष्ट जानकारी लुप्त हो जाती है।
- CATE-एडजस्टेड इम्प्यूटेशन (CATE-Adjusted Imputation): यह $\hat{Y}(1) = Y(0) + \hat{\tau}(X)$ का उपयोग करता है। यह स्पष्ट रूप से एक विशिष्ट डिपेंडेंस स्ट्रक्चर (अक्सर $\rho=1$ या कांस्टेंट इफेक्ट्स के बराबर) की धारणा बनाता है और ट्रीटमेंट इफेक्ट के अनुमान में अनिश्चितता को अनदेखा करता है।
- मैचिंग (Matching): यह संभावित परिणामों के बीच स्वतंत्रता ( $\rho=0$ ) की धारणा बनाता है।
- बायेसियन/एडवर्सरियल मेथड्स (Bayesian/Adversarial Methods): ये अक्सर बिना किसी स्पष्ट कंट्रोल के मजबूत, अन-टेस्टेबल मॉडलिंग धारणाओं या ब्लैक-बॉक्स आर्किटेक्चर पर निर्भर करते हैं।

2. कार्यप्रणाली: क्रॉस-वर्ल्ड अप्रोच (Methodology: The Cross-World Approach)

लेखक एक फ्रेमवर्क प्रस्तावित करते हैं जिसे रेट्रोस्पेक्टिव काउंटरफैक्चुअल प्रेडिक्शन (RCP) कहा जाता है, जो क्रॉस-वर्ल्ड कोरिलेशन पैरामीटर $\rho(x)$ का उपयोग करके संभावित परिणामों के बीच निर्भरता को स्पष्ट रूप से मॉडल करता है।

A. क्रॉस-वर्ल्ड धारणा (The Cross-World Assumption)

यह विधि पैरामीटर $\rho(x) = \text{cor}(Y(1), Y(0) \mid X=x)$ पर आधारित है।

आइडेंटिफिएबिलिटी (Identifiability): लेम्मा 2 सिद्ध करता है कि $\rho(x)$ को निर्दिष्ट किए बिना, मात्रा $\mu(x, y)$ आइडेंटिफाइड नहीं है। अलग-अलग डिपेंडेंस स्ट्रक्चर समान देखे गए डेटा से भिन्न काउंटरफैक्चुअल भविष्यवाणियाँ दे सकते हैं।
$\rho(x)$ की भूमिका: यह एक सेंसिटिविटी पैरामीटर के रूप में कार्य करता है। हालांकि यह अकेले डेटा से आइडेंटिफाइड नहीं है, इसे डोमेन नॉलेज, ऑक्सिलरी डेटा (जैसे रोगियों के एक उपसमूह में जेनेटिक मार्कर) या सेंसिटिविटी एनालिसिस द्वारा निर्देशित किया जा सकता है।
गौसियन कोपुला (Gaussian Copula): सुगमता के लिए, पेपर एक गौसियन कोपुला स्ट्रक्चर मानता है जो $Y(0)$ और $Y(1)$ को जोड़ता है, जो पूरी तरह से $\rho(x)$ द्वारा निर्दिष्ट है।

B. एस्टिमेटर का निर्माण (The Estimator Construction)

यह फ्रेमवर्क बेसलाइन एस्टिमेट्स को फॅक्टुअल आउटकम $y$ के साथ जोड़ता है:

बेसलाइन एस्टिमेट्स: $t \in \{0, 1\}$ के लिए पॉइंट एस्टिमेट $\hat{\mu}_t(x)$ और प्रेडिक्शन इंटरवल $\tilde{C}_t(x)$ प्राप्त करें (जैसे रैंडम फॉरेस्ट, क्वांटाइल रिग्रेशन का उपयोग करके)।
पॉइंट एस्टिमेटर ( $\hat{\mu}_\rho$ ):
$\hat{\mu}_\rho(x, y) = \hat{\mu}_1(x) + \rho \cdot \lambda(x) \cdot (y - \hat{\mu}_0(x))$
जहाँ $\lambda(x)$ $λ (x)$ बेसलाइन प्रेडिक्शन इंटरवल्स की सापेक्ष चौड़ाई (वेरिएंस) को एडजस्ट करता है।
- यदि $\rho=0$ , तो एस्टिमेट $y$ को अनदेखा करता है (यह $\hat{\mu}_1(x)$ पर वापस आ जाता है)।
- यदि $\rho=1$ , तो एस्टिमेट $y + \hat{\tau}(x)$ बन जाता है (परफेक्ट कोरिलेशन)।
प्रेडिक्शन इंटरवल्स ( $C_\rho$ ):
इंटरवल की चौड़ाई $Y(0)$ पर कंडीशन करने से प्राप्त जानकारी के आधार पर कम (shrink) हो जाती है। इसकी चौड़ाई $\sqrt{1-\rho^2}$ के अनुपात में स्केल होती है।
$C_\rho(x, y) = \left[ \hat{\mu}_\rho(x, y) - \sqrt{1-\rho^2} \cdot l_{1-T}(x), \quad \hat{\mu}_\rho(x, y) + \sqrt{1-\rho^2} \cdot u_{1-T}(x) \right]$

C. फाइनाइट-सैंपल बायस करेक्शन ( $C^{+CI}_\rho$ )

चूंकि $\hat{\mu}_\rho$ एक एस्टिमेटर है, यह एस्टिमेशन एरर पेश करता है। उच्च $\rho$ के लिए, यह एरर अंडर-कवरेज का कारण बन सकता है। पेपर एक बायस-करेक्टेड इंटरवल पेश करता है जो पॉइंट एस्टिमेट के चारों ओर एक स्केल्ड कॉन्फिडेंस इंटरवल (बूटस्ट्रैपिंग के माध्यम से प्राप्त) जोड़ता है:
$C^{+CI}_\rho(x, y) = \hat{\mu}_\rho(x, y) \pm \left( c \cdot r(x,y) + \sqrt{1-\rho^2} \cdot \text{width} \right)$
स्केलिंग फैक्टर $c = \rho^2$ यह सुनिश्चित करता है कि कोई सुधार न होने ( $\rho=0$ ) और पूर्ण सुधार ( $\rho=1$ ) के बीच एक स्मूथ इंटरपोलेशन हो।

3. मुख्य योगदान (Key Contributions)

क्रॉस-वर्ल्ड डिपेंडेंस का औपचारिकीकरण: यह पेपर $\rho(x)$ के माध्यम से संभावित परिणामों के बीच निर्भरता को स्पष्ट रूप से पैरामीटराइज़ करके रेट्रोस्पेक्टिव काउंटरफैक्चुअल प्रेडिक्शन का पहला व्यवस्थित उपचार प्रदान करता है।
सैद्धांतिक गारंटी: सही ढंग से निर्दिष्ट गौसियन क्रॉस-वर्ल्ड डिपेंडेंस की धारणा के तहत, प्रस्तावित एस्टिमेटर्स:
- कंसिस्टेंट (Consistent) हैं: वास्तविक कंडीशनल मीन की ओर अभिसरित होते हैं।
- एसिम्प्टोटिकली ऑप्टिमल (Asymptotically Optimal) हैं: प्रेडिक्शन इंटरवल्स दिए गए कवरेज लेवल के लिए न्यूनतम संभव चौड़ाई प्राप्त करते हैं।
- वैध (Valid) हैं: एसिम्प्टोटिक रूप से कवरेज प्रोबेबिलिटी $1-\alpha$ को संतुष्ट करते हैं।
चरम सीमाओं को जोड़ना (Bridging Extremes): यह विधि मौजूदा दृष्टिकोणों को विशेष मामलों के रूप में एकीकृत करती है:
- $\rho=0$ : डायरेक्ट आउटकम मॉडलिंग के समान।
- $\rho=1$ : कांस्टेंट ट्रीटमेंट इफेक्ट्स मानने के समान (CATE-एडजस्टेड इम्प्यूटेशन)।
- $0 < \rho < 1$ : इन दोनों के बीच इंटरपोलेट करता है, जो वेरिएंस को कम करने के लिए फॅक्टुअल आउटकम का लाभ उठाता है।
अनुभवजन्य सत्यापन (Empirical Validation): सिंथेटिक, सेमी-सिंथेटिक (IHDP), और रियल-वर्ल्ड (Twins) डेटासेट्स पर व्यापक प्रयोगों से पता चलता है कि $0 < \rho < 1$ होने पर $Y(0)$ पर कंडीशन करने से सटीकता (कम MSE) और इंटरवल एफिशिएंसी (बेहतर इंटरवल स्कोर) में काफी सुधार होता है।

4. प्रयोगात्मक परिणाम (Experimental Results)

डेटासेट्स: सिंथेटिक डेटा (विभिन्न आयाम और $\rho$ ), IHDP (सेमी-सिंथेटिक), और Twins (रियल-वर्ल्ड)।
बेसलाइन्स: DO (Direct Outcome), CATE-एडजस्टेड इम्प्यूटेशन (T-learner), मैचिंग, और GANITE के विरुद्ध तुलना की गई।
प्रदर्शन:
- पॉइंट एस्टिमेशन: जब $0 < \rho < 1$ हो, तो RCP( $\rho$ ) MSE में बेसलाइन्स से लगातार बेहतर प्रदर्शन करता है। सुधार $\rho$ के साथ बढ़ता है, जो $(1-\rho^2)$ के वेरिएंस रिडक्शन फैक्टर का पालन करता है।
- प्रेडिक्शन इंटरवल्स: प्रस्तावित इंटरवल्स बेसलाइन्स की तुलना में बेहतर इंटरवल स्कोर (चौड़ाई और कवरेज का संतुलन) प्राप्त करते हैं।
- रोबस्टनेस: विधि तब भी प्रभावी रहती है जब $\rho$ मिस-स्पेसिफाइड हो (उदाहरण के लिए, $\rho_{est} \approx \rho_{true}$ का उपयोग करना), बशर्ते मिस-स्पेसिफिकेशन अत्यधिक न हो।
- नॉन-गौसियनिटी (Non-Gaussianity): विधि नॉन-गौसियन मार्जिनल डिस्ट्रीब्यूशन के प्रति रोबस्ट है, हालांकि हेवी टेल्स वाले फाइनाइट सैंपल्स में कन्वर्जेंस थोड़ा धीमा होता है।
सिफारिश: जब $\rho \leq 0.5$ हो तो अन-करेक्टेड इंटरवल्स $C_\rho$ का उपयोग करें और जब $\rho > 0.5$ हो तो बायस-करेक्टेड इंटरवल्स $C^{+CI}_\rho$ का उपयोग करें।

5. महत्व और निहितार्थ (Significance and Implications)

व्यावहारिक उपयोगिता: चिकित्सा जैसे उच्च-दांव वाले डोमेन में (जैसे, "क्या इस रोगी के जीवित रहने की संभावना होती यदि उपचार दिया जाता?"), देखे गए परिणाम $Y(0)$ को अनदेखा करना महत्वपूर्ण व्यक्तिगत-स्तर की जानकारी को त्याग देता है। यह विधि उस जानकारी को शामिल करने का एक सिद्धांतवादी तरीका प्रदान करती है।
पारदर्शिता: $\rho$ के माध्यम से क्रॉस-वर्ल्ड डिपेंडेंस की धारणा को स्पष्ट करके, यह विधि चिकित्सकों को व्यक्तिगत-स्तर के इन्फरेंस के लिए आवश्यक अन-टेस्टेबल धारणाओं का सामना करने के लिए मजबूर करती है। यह बोझ को "ब्लैक-बॉक्स" मॉडलिंग से बदलकर $\rho$ के संबंध में "सेंसिटिविटी एनालिसिस" की ओर स्थानांतरित करती है।
भविष्य की दिशाएं: यह पेपर इस फ्रेमवर्क को निरंतर उपचार (continuous treatments), डायनेमिक सेटिंग्स (टाइम सीरीज़), और ऑक्सिलरी डेटा का उपयोग करके $\rho$ का बेहतर अनुमान लगाने या बाउंड करने के उपकरण विकसित करने के लिए विस्तारित करने का सुझाव देता है।

संक्षेप में, यह पेपर औसत प्रभावों से आगे बढ़कर सटीक व्यक्तिगत काउंटरफैक्टुअल्स की ओर जाकर कॉज़ल इन्फरेंस को उन्नत करता है, यह प्रदर्शित करते हुए कि फॅक्टुअल आउटकम पर कंडीशन करना न केवल संभव है बल्कि अत्यधिक फायदेमंद भी है, बशर्ते आप स्पष्ट रूप से क्रॉस-वर्ल्ड कोरिलेशन को मॉडल करें।