📊 statistics

Instrumental Variable Analysis Without Structural Equations

यह शोध पत्र इंस्ट्रुमेंटल वेरिएबल समस्याओं पर एक पक्षपात-मुक्त (debiased) अनुमान के लिए एक ऐसी विधि प्रस्तावित करता है जो सांख्यिकीय रूप से वैध बनी रहती है, भले ही अंतर्निहित संरचनात्मक समीकरण सटीक रूप से लागू न होते हों, क्योंकि यह पूर्ण संरचनात्मक समाधानों के अस्तित्व को मानने के बजाय लीस्ट-स्क्वायर्स समाधानों के माध्यम से परिभाषित मात्राओं पर ध्यान केंद्रित करता है।

मूल लेखक: Zikai Shen, Dimitri Meunier, Houssam Zenati, Arthur Gretton, Nathan Kallus, Aurélien Bibaut

प्रकाशित 2026-04-28

📖 4 मिनट में पढ़ें☕ कॉफ़ी ब्रेक में पढ़ें

CC BY 4.0

मूल लेखक: Zikai Shen, Dimitri Meunier, Houssam Zenati, Arthur Gretton, Nathan Kallus, Aurélien Bibaut

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

समस्या: "परफेक्ट रेसिपी" का जाल

कल्पना कीजिए कि आप एक फूड क्रिटिक (खाद्य समीक्षक) हैं और आप यह पता लगाने की कोशिश कर रहे हैं कि एक शेफ के गुप्त सूप रेसिपी में वास्तव में कितना नमक है। आप रेसिपी देख नहीं सकते, और आप नमक को अलग से चख नहीं सकते—आप केवल तैयार सूप का स्वाद ले सकते हैं।

सांख्यिकी (statistics) में, वैज्ञानिक अक्सर एक "स्ट्रक्चरल इक्वेशन" खोजने की कोशिश करते हैं—एक परफेक्ट रेसिपी जो कहती है:
परिणाम = (गुप्त सामग्री $\times$ मात्रा) + रैंडम नॉइज़ (यादृच्छिक शोर)।

समस्या यह है कि वास्तविक दुनिया में, परफेक्ट रेसिपी मौजूद नहीं होतीं।

लापता सामग्री: हो सकता है कि शेफ ने गलती से थोड़ा सा चीनी डाल दी हो, या चूल्हा बहुत गर्म था। "परफेक्ट" समीकरण थोड़ा टूटा हुआ है।
कमजोर उपकरण: हो सकता है कि नमक की मात्रा का अनुमान लगाने का आपका एकमात्र तरीका यह देखना हो कि शेफ के हाथ कितने कांप रहे थे। यदि हाथ ज्यादा नहीं हिले, तो आपका "उपकरण" (इंस्ट्रूमेंट) इतना कमजोर है कि वह नमक के बारे में कुछ भी उपयोगी नहीं बता सकता।

पारंपरिक सांख्यिकीय विधियाँ एक ऐसे क्रिटिक की तरह हैं जो जिद करता है, "यदि मैं सटीक, परफेक्ट रेसिपी नहीं ढूंढ सकता, तो मैं कोई रेटिंग देने से इनकार करता हूँ!" जब रेसिपी थोड़ी भी अपूर्ण होती है, तो ये पारंपरिक विधियाँ "टूट" जाती हैं, जिससे बेहद गलत या बेकार उत्तर मिलते हैं।

समाधान: "बेस्ट फिट" दृष्टिकोण

यह पेपर गणित करने का एक नया तरीका प्रस्तावित करता है जो कहता है: "परफेक्ट रेसिपी की तलाश करना बंद करें। आइए बस सबसे अच्छा संभव सन्निकटन (approximation) खोजें।"

यह मानते हुए कि एक परफेक्ट समीकरण मौजूद है, इसके बजाय लेखक एक ऐसी मात्रा पर ध्यान केंद्रित करते हैं जो हमेशा सुस्पष्ट (well-defined) होती है, भले ही दुनिया कितनी भी अव्यवस्थापूर्ण क्यों न हो।

उपमा: दीवार पर परछाई

कल्पना कीजिए कि आप एक जटिल 3D मूर्ति के सटीक आकार को समझने की कोशिश कर रहे हैं, लेकिन आप केवल दीवार पर उसकी परछाई देख सकते हैं।

पुराना तरीका: वैज्ञानिक 3D मूर्ति को पूरी तरह से पुनर्गठित करने की कोशिश करेंगे। यदि मूर्ति थोड़ी पिघली हुई या असममित है, तो उनकी गणित विफल हो जाएगी क्योंकि वे एक ऐसी चीज़ पर "परफेक्ट" आकार थोपने की कोशिश कर रहे हैं जो परफेक्ट नहीं है।
नया तरीका (यह पेपर): लेखक कहते हैं, "आइए 3D मूर्ति के प्रति जुनून छोड़ दें। आइए बस परछाई के गुणों पर ध्यान केंद्रित करें।" भले ही मूर्ति अव्यवस्थित हो, परछाई फिर भी वहां मौजूद है। आप परछाई की ऊंचाई, चौड़ाई और अंधेरे को सटीक रूप से माप सकते हैं।

इस पेपर में, "परछाई" लीस्ट-स्क्वायर्स सॉल्यूशन (Least-Squares solution) है। भले ही कोई सटीक "कॉज़ल इफेक्ट" (मूर्ति) मौजूद न हो, फिर भी एक "बेस्ट फिट" (परछाई) होता है जिसे हम सटीक रूप से माप सकते हैं।

वे इसे कैसे करते हैं: "सेफ्टी नेट" (डिबायसिंग)

जब आप "परफेक्ट समीकरणों" से "बेस्ट-फिट सन्निकटन" की ओर बढ़ते हैं, तो आप एक नई समस्या पैदा करते हैं: बायस (पक्षपात/त्रुटि)। यह परछाई को मापने की कोशिश करने जैसा है, लेकिन यह महसूस करना कि प्रकाश का स्रोत हिल रहा है, जिससे परछाई उतनी बड़ी या छोटी दिख रही है जितनी उसे होनी चाहिए।

इसे ठीक करने के लिए, लेखक "डिबायस्ड इन्फरेंस" (Debiased Inference) नामक तकनीक का उपयोग करते हैं।

इसे एक कैमरे के हाई-टेक स्टेबलाइजर की तरह समझें।
यदि आप एक चलती हुई कार (अव्यवस्थित डेटा) की फिल्म बना रहे हैं, तो कैमरा स्वाभाविक रूप से हिलता है (बायस)। लेखकों ने एक गणितीय "स्टेबलाइजर" (स्कोर फंक्शन $\chi$ ) डिजाइन किया है जो उस कंपन को रद्द कर देता है।

वे कई "न्यूसेंस लर्नर्स" (nuisance learners)—जो मूल रूप से विशेष मिनी-कंप्यूटर हैं—का उपयोग करते हैं:

सामग्रियों के लिए "बेस्ट फिट" का अनुमान लगाने के लिए।
उपयोग किए गए उपकरणों के लिए "बेस्ट फिट" का अनुमान लगाने के लिए।
महत्वपूर्ण रूप से: उन अनुमानों का उपयोग त्रुटि को घटाने के लिए करना, जिससे आपको वास्तविक प्रभाव का एक साफ और स्थिर माप प्राप्त हो सके।

यह क्यों मायने रखता है

यह चिकित्सा या अर्थशास्त्र जैसे क्षेत्रों के लिए एक बड़ी बात है।

यदि कोई वैज्ञानिक यह अध्ययन कर रहा है कि एक नई दवा रक्तचाप को कैसे प्रभावित करती है, तो वे मानव शरीर के हर एक चर (variable) को नियंत्रित नहीं कर सकते (क्योंकि "रेसिपी" कभी परफेक्ट नहीं होती)। यदि वे पुरानी विधियों का उपयोग करते हैं, तो उनकी धारणाओं में एक छोटी सी त्रुटि यह निष्कर्ष निकालने में गलत हो सकती है कि दवा काम करती है या नहीं।

यह पेपर एक गणितीय "सेफ्टी नेट" प्रदान करता है। यह वैज्ञानिकों को यह कहने की अनुमति देता है: "भले ही मानव शरीर का हमारा मॉडल थोड़ा अपूर्ण हो, हमारा दवा के प्रभाव का अनुमान अभी भी गणितीय रूप से सुसंगत और विश्वसनीय है।"

तकनीकी सारांश: संरचनात्मक समीकरणों के बिना इंस्ट्रुमेंटल वेरिएबल विश्लेषण

शीर्षक: संरचनात्मक समीकरणों के बिना इंस्ट्रुमेंटल वेरिएबल विश्लेषण
लेखक: ज़िकाई शेन, दिमित्री मेनियर, हौसम जेनाटी, आर्थर ग्रेटन, नाथन कैलस, और ऑरेलियन बिबॉट (अप्रैल 2026)

1. समस्या: संरचनात्मक धारणाओं की भंगुरता

पारंपरिक इंस्ट्रुमेंटल वेरिएबल (IV) विश्लेषण इस धारणा पर निर्भर करता है कि एक संरचनात्मक समीकरण मौजूद है: $Y = h_{\text{structural}}(X) + \epsilon$ , जहाँ $X$ एंडोजेनस (endogenous) है। सांख्यिकीय अनुमान आमतौर पर रैखिक समीकरण $T_P h = r_P$ के समाधान $h$ को खोजने द्वारा किया जाता है, जहाँ $T_P$ एक इंस्ट्रूमेंट $Z$ से संबंधित ऑपरेटर है।

लेखक इस दृष्टिकोण में दो मौलिक कमजोरियों की पहचान करते हैं:

समाधानों का अस्तित्व न होना: वास्तविक दुनिया के डेटा में, एक्सक्लूजन रिस्ट्रिक्शन (exclusion restriction) या एडिटिविटी (additivity) पूरी तरह से लागू नहीं हो सकती है। यदि सांख्यिकीय मॉडल यह मानता है कि एक सटीक समाधान मौजूद है (जैसा कि कई नॉनपैरामीट्रिक IV विधियों में होता है), तो जब कोई सटीक समाधान मौजूद नहीं होता, तो एस्टिमेटर (estimator) "अनानुपातिक रूप से खराब" (deteriorate ungracefully) हो सकता है।
पहचान/विशिष्टता संबंधी मुद्दे: भले ही समाधान मौजूद हों, वे अद्वितीय नहीं हो सकते (इंस्ट्रूमेंट की कमजोरी)। यदि इंस्ट्रूमेंट $Z$ , $h_{\text{structural}}$ के उन पहलुओं को पर्याप्त रूप से चित्रित नहीं करता है जो प्रासंगिक हैं, तो विभिन्न समाधान अलग-अलग कॉज़ल एस्टिमेंड (causal estimand) के मान दे सकते हैं।

2. कार्यप्रणाली: एक सुदृढ़ एस्टिमेंड को लक्षित करना

इन समस्याओं से निपटने के लिए, लेखक लक्ष्य बदलने का प्रस्ताव करते हैं। एक ऐसे समीकरण के समाधान को लक्षित करने के बजाय जिसका अस्तित्व ही न हो, वे एक सुपरिभाषित सांख्यिकीय मात्रा $\Psi(P)$ को लक्षित करते हैं जो समाधान होने पर कॉज़ल प्रभाव के साथ मेल खाती है, लेकिन समाधान न होने पर भी वैध रहती है।

प्रस्तावित एस्टिमेंड:
$\Psi(P) = \mathbb{E}_P [g(Z)h(X)]$
जहाँ $h$ और $g$ , प्राथमिक और द्वैत (dual) समीकरणों के लीस्ट-स्क्वायर्स मिनिमाइज़र (least-squares minimizers) हैं:

$h \in \text{arg min}_{h \in H} \|T_P h - r_P\|^2$
$g \in \text{arg min}_{g \in G} \|T^*_P g - a_P\|^2$

प्रमुख कार्यप्रणाली नवाचार:

पैरामीट्रिज़ेशन इनवेरिएंस (Parametrization Invariance): वे सिद्ध करते हैं (लेम्मा 1) कि हालांकि $h$ और $g$ अद्वितीय नहीं हो सकते हैं, आंतरिक गुणनफल (inner product) $\mathbb{E}_P[g(Z)h(X)]$ मिनिमाइज़र के चयन के प्रति अपरिवर्तनीय है।
वीक रीज़ रिप्रेजेंटर्स (Weak Riesz Representers): वे सटीक समाधानों की कमी को संभालने के लिए "वीक-नॉर्म रीज़ रिप्रेजेंटर्स" ( $\alpha_h, \alpha_g$ ) पेश करते हैं। यह उन्हें प्राथमिक या द्वैत समीकरणों के समाधान की आवश्यकता के बिना कार्यात्मक पूर्वाग्रह (functional bias) का विस्तार करने की अनुमति देता है।
डीबायस्ड स्कोर फंक्शन (Debiased Score Function): वे एक जटिल स्कोर फंक्शन $\chi(W; \eta)$ का निर्माण करते हैं जिसमें कई न्यूसेंस फंक्शन्स (प्राथमिक/द्वितीयक न्यूसेंस और उनके प्रोजेक्शन) शामिल हैं, ताकि यह सुनिश्चित किया जा सके कि एस्टिमेटर "डबली रोबस्ट" (doubly robust) है—जो लीस्ट-स्क्वायर्स सन्निकटन (approximations) के बजाय सटीक समाधानों के उपयोग से उत्पन्न त्रुटियों के विरुद्ध प्रभावी है।

3. प्रमुख योगदान और परिणाम

यह शोध पत्र मशीन लर्निंग का उपयोग करके $\Psi(P)$ के अनुमान और निष्कर्ष (inference) के लिए एक पूर्ण ढांचा प्रदान करता है।

बायस कैरेक्टराइजेशन (Bias Characterization - प्रमेय 1): वे पूर्वाग्रह (bias) के विस्तृत विस्तार को प्रस्तुत करते हैं। पिछले कार्यों के विपरीत जहाँ पूर्वाग्रह केवल लक्षित कार्यों (target functions) से संबंधित था, उनका विस्तार उन पदों को भी शामिल करता है जो "प्रोजेक्शन एरर" (लीस्ट-स्क्वायर्स समाधान और वास्तविक रीज़ रिप्रेजेंटर के बीच की दूरी) को दर्शाते हैं।
न्यूसनस लर्नर फ्रेमवर्क (Nuisance Learner Framework): वे विभिन्न घटकों के लिए विशिष्ट मिनिमैक्स लर्नर्स विकसित करते हैं:
- न्यूनतम-नॉर्म समाधान $h^\dagger$ और $g^\dagger$ के लिए टिचोनोव-रेगुलराइज्ड लर्नर्स (Tikhonov-regularized learners)।
- रिप्रेजेंटर्स $r_P$ और $a_P$ के लिए रीज़ रिग्रेशन लर्नर्स (Riesz regression learners)।
- सहायक न्यूसनस फंक्शन्स $\xi$ के लिए प्रोजेक्शन लर्नर्स (Projection learners)।
एसिम्प्टोटिक लिनियैरिटी (Asymptotic Linearity - प्रमेय 6): केंद्रीय परिणाम यह सिद्ध करता है कि प्रस्तावित एस्टिमेटर $\hat{\Psi}$ , $\sqrt{n}$ -एसिम्प्टोटिकली लीनियर है:
$\sqrt{n}(\hat{\Psi} - \Psi(P)) \rightsquigarrow N(0, \sigma^2_P)$
इसका अर्थ है कि जटिल, नॉन-पैरामीट्रिक मशीन लर्निंग मॉडल के साथ भी, आप वैध फ्रीक्वेंटिस्ट इन्फरेंस (कॉन्फिडेंस इंटरवल बनाना) कर सकते हैं, जब तक कि न्यूसनस लर्नर्स पर्याप्त दर पर अभिसरण (converge) करते हैं।
पर्याप्त अभिसरण दरें (Sufficient Convergence Rates): वे फंक्शन क्लासेस के लिए "रेट रिक्वायरमेंट्स" निर्दिष्ट करते हैं। संतुलित मामले के लिए, वे दिखाते हैं कि यदि फंक्शन क्लास की क्रिटिकल रेडियस $\delta_n$ संतुष्ट करती है $\sqrt{n} \delta_n^{3/2} \ell_n \to 0$ , तो निष्कर्ष वैध रहता है।

4. महत्व

यह शोध पत्र रोबस्ट कॉज़ल इन्फरेंस (Robust Causal Inference) में एक महत्वपूर्ण प्रगति का प्रतिनिधित्व करता है।

सैद्धांतिक सुदृढ़ता: यह क्षेत्र को "अस्तित्व-आधारित" (existence-based) पहचान से हटाकर "लीस्ट-स्क्वायर्स-आधारित" पहचान की ओर ले जाता है। यह सिद्धांत को वास्तविक दुनिया के डेटा के लिए बहुत अधिक लागू करने योग्य बनाता है जहाँ संरचनात्मक धारणाएं लगभग हमेशा थोड़ी उल्लंघनित होती हैं।
व्यापकता: यह ढांचा केवल IV तक सीमित नहीं है; यह प्रॉक्सिमल कॉज़ल इन्फरेंस (proximal causal inference) और मिसिंग-नॉट-एट-रैंडम (MNAR) डेटा जैसी संबंधित समस्याओं तक विस्तृत है।
ML के लिए व्यावहारिकता: एक डीबायस्ड स्कोर और स्पष्ट अभिसरण दरों को प्रदान करके, यह शोध पत्र चिकित्सकों को वैध सांख्यिकीय अनिश्चितता मात्रा निर्धारण (uncertainity quantification) बनाए रखते हुए कॉज़ल इन्फरेंस करने के लिए उच्च-आयामी, नॉन-पैरामीट्रिक मशीन लर्निंग मॉडल (जैसे न्यूरल नेटवर्क या रैंडम फॉरेस्ट) का उपयोग करने के लिए एक "रेसिपी" प्रदान करता है।