📊 statistics

PAIR-CI: Calibrated Conditional Independence Testing for Causal Discovery with Incomplete Data

यह शोध पत्र PAIR-CI को प्रस्तुत करता है, जो एक गैर-पैरामीट्रिक सशर्त स्वतंत्रता परीक्षण (nonparametric conditional independence test) है जो इम्प्यूटेशन त्रुटि के कारण होने वाली भ्रामक निर्भरताओं को समाप्त करने के लिए एक युग्मित क्रमपरिवर्तन डिज़ाइन (paired permutation design) के माध्यम से मल्टीपल इम्प्यूटेशन को सीधे अनुमान प्रक्रिया में एकीकृत करता है, जिससे सांख्यिकीय अंशांकन (statistical calibration) बहाल होता है और विशेष रूप से गैर-रेखीय और मिसिंग-नॉट-एट-रैंडम (missing-not-at-random) स्थितियों वाले डेटासेट में कारण खोज (causal discovery) की सटीकता में महत्वपूर्ण सुधार होता है।

मूल लेखक: Thomas S. Robinson, Ranjit Lall

प्रकाशित 2026-05-07

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Thomas S. Robinson, Ranjit Lall

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

यहाँ PAIR-CI पेपर का सरल भाषा और रोज़मर्रा के उदाहरणों के साथ विवरण दिया गया है।

बड़ी समस्या: "टूटा हुआ पहेली" (The Broken Puzzle)

कल्पना कीजिए कि आप किसी जटिल मशीन (जैसे कार का इंजन) के पुर्जों को देखकर यह समझने की कोशिश कर रहे हैं कि वह कैसे काम करती है। आप जानना चाहते हैं: क्या स्पार्क प्लग के कारण इंजन चालू हो रहा है, या यह सिर्फ बैटरी का कमाल है?

डेटा साइंस में, इसे कॉज़ल डिस्कवरी (Causal Discovery) कहा जाता है। इसे हल करने के लिए, शोधकर्ता एक ऐसी विधि का उपयोग करते हैं जो यह जाँचती है कि क्या किसी तीसरे हिस्से को ध्यान में रखने के बाद भी दो हिस्से एक-दूसरे से स्वतंत्र (independent) रहते हैं। इसे कंडीशनल इंडिपेंडेंस (CI) टेस्ट कहा जाता है।

चुनौती: वास्तविक दुनिया का डेटा बिखरा हुआ होता है। अक्सर, पहेली के कुछ हिस्से गायब होते हैं (जैसे आपके डायग्राम में एक गायब गियर)।

पुराना तरीका: मानक दृष्टिकोण यह है कि पहले यह "अनुमान" (impute) लगाया जाए कि गायब हिस्से कैसे दिखते हैं, और फिर टेस्ट चलाया जाए।
खामी: पेपर का तर्क है कि यह "अनुमान लगाओ-फिर-टेस्ट करो" वाला तरीका धुंधले चश्मे पहनकर पहेली सुलझाने जैसा है। यदि गायब हिस्से के बारे में आपका अनुमान थोड़ा भी गलत है, तो यह उन हिस्सों के बीच एक नकली संबंध बना देता है जो वास्तव में जुड़े ही नहीं हैं। इससे शोधकर्ता अपने नक्शे पर ऐसी रेखाएं खींच देते हैं जहाँ कोई रेखा होनी ही नहीं चाहिए थी, जिससे मशीन के काम करने का एक गलत नक्शा बन जाता है।

समाधान: PAIR-CI (द "पेयर्ड" अप्रोच)

लेखक, थॉमस रॉबिन्सन और रणजीत लाल, PAIR-CI नामक एक नई विधि पेश करते हैं। गायब हिस्सों का अनुमान लगाने और फिर टेस्ट करने के बजाय, वे खेल को पूरी तरह बदल देते हैं।

इसे खाना बनाने की प्रतियोगिता में एक स्वाद परीक्षण (Taste Test) की तरह समझें:

सेटअप: आपके पास एक सूप (आपका डेटा) है जिसमें कुछ सामग्रियां गायब हैं। आप सूप के कई संस्करण बनाते हैं जहाँ गायब सामग्रियों को अनुमानों से भरा जाता है (इसे "मल्टीपल इम्प्यूटेशन" कहा जाता है)।
पेयरिंग (जोड़ी बनाना): सूप के हर एक संस्करण के लिए, आप अगल-बगल में दो स्वाद परीक्षण चलाते हैं:
- टेस्ट A: एक शेफ उस सूप को चखता है जिसमें संभावित सामग्री शामिल है (जैसे, "क्या नमक डालने से स्वाद बदल जाता है?")।
- टेस्ट B: एक शेफ उस सूप को चखता है जिसमें वह संभावित सामग्री नहीं है (जैसे, "क्या सूप वैसा ही रहता है यदि हम मान लें कि नमक वहां नहीं था?")।
जादुई ट्रिक: महत्वपूर्ण बात यह है कि दोनों शेफ सूप के ठीक उसी संस्करण को चख रहे हैं जिसमें वही अनुमानित सामग्रियां हैं।
- यदि गायब सामग्री के लिए लगाया गया "अनुमान" खराब था (धुंधला चश्मा), तो यह दोनों शेफों को समान रूप से प्रभावित करता है।
- जब आप दोनों परिणामों की तुलना करते हैं, तो "खराब अनुमान" खुद को रद्द (cancel out) कर देता है। यह वैसा ही है जैसे यदि दोनों शेफों ने एक ही धुंधला चश्मा पहना हो; वे दोनों सोच सकते हैं कि सूप का स्वाद अजीब है, लेकिन जब वे आपस में चर्चा करते हैं, तो उन्हें एहसास होता है, "अरे, अजीब अहसास दोनों के लिए एक जैसा है, इसलिए यह चश्मे की वजह से है, सूप की वजह से नहीं।"

दो मॉडलों की सीधे तुलना करके, PAIR-CI गायब डेटा के कारण होने वाली त्रुटि को हटा देता है, जिससे केवल वास्तविक संकेत (true signal) ही बचता है।

यह क्यों महत्वपूर्ण है: "गलत अलार्म" की समस्या

लेखकों ने यह देखने के लिए हजारों सिमुलेशन चलाए कि यह कितनी अच्छी तरह काम करता है।

पुराना तरीका: जब डेटा जटिल तरीकों से गायब था (केवल रैंडम नहीं, बल्कि व्यवस्थित रूप से), तो पुराने तरीके 28% से 45% बार "गलत अलार्म" (यह सोचकर कि वहां एक कनेक्शन है जबकि वास्तव में नहीं था) बजा देते थे। यह बिल्कुल वैसा ही है जैसे टोस्ट बनाते समय स्मोक डिटेक्टर बजने लगे।
PAIR-CI: इस नई विधि ने गलत अलार्म की दर को 5% से कम रखा, जो वैज्ञानिक परीक्षणों के लिए एक मानक लक्ष्य है। यह डेटा के बिखराव के बावजूद भी शांत और सटीक रहा।

पर्दे के पीछे का "इंजन"

इसे काम करने के योग्य बनाने के लिए, लेखकों को एक ऐसी गणितीय समस्या हल करनी थी जिसे पहले किसी ने हल नहीं किया था।

चुनौती: उनकी विधि में दो प्रकार का "शोर" (noise) शामिल है: गायब डेटा का अनुमान लगाने से उत्पन्न शोर, और डेटा को टुकड़ों में बांटने (cross-validation) से उत्पन्न शोर।
समाधान: उन्होंने एक नया गणितीय "रूलर" (वेरिएंस एस्टीमेटर) बनाया जो एक साथ दोनों प्रकार के शोर को मापता है। यह एक ऐसे तराजू की तरह है जो फल और उस फल को रखने वाली टोकरी दोनों का वजन एक साथ माप सकता है, जिससे आपको केवल फल का वास्तविक वजन मिलता है।

वास्तविक दुनिया के परिणाम

लेखकों ने विभिन्न आकारों के मैप्स पर इसका परीक्षण किया:

छोटे मैप्स (10 वेरिएबल्स): यह अच्छी तरह काम किया, पुराने तरीकों से थोड़ा बेहतर।
मध्यम मैप्स (30 वेरिएबल्स): इसका लाभ बढ़ गया। पुराने तरीके बहुत सी गलतियाँ करने लगे, जबकि PAIR-CI सटीक रहा।
बड़े मैप्स (56 वेरिएबल्स - "HAILFINDER" मौसम नेटवर्क): यहाँ यह नई विधि सबसे अधिक चमकी। पुराने तरीके गायब डेटा से इतने भ्रमित हो गए कि उनके नक्शे लगभग बेकार थे। PAIR-CI ने त्रुटियों को 44% तक कम कर दिया।

निचोड़ (The Bottom Line)

PAIR-CI वैज्ञानिकों के लिए एक नया उपकरण है जो उन संबंधों (cause-and-effect) को समझने में मदद करता है जहाँ डेटा में खाली स्थान (holes) होते हैं।

पुराना टूल: खाली जगहों का अनुमान लगाओ, फिर टेस्ट करो। (नकली कनेक्शन दिखने की संभावना रहती है)।
नया टूल (PAIR-CI): एक ही अनुमानों का उपयोग करके दो परिदृश्यों का आमने-सामने परीक्षण करें। त्रुटियां एक-दूसरे को रद्द कर देती हैं, जिससे वास्तविक सत्य प्रकट होता है।

पेपर का दावा है कि यह विधि अधिक विश्वसनीय है, विशेष रूप से तब जब डेटा जटिल, गैर-रैंडम तरीकों से गायब हो, और यह तब सबसे अच्छा काम करती है जब वेरिएबल्स के बीच के संबंध सरल सीधी रेखाओं के बजाय जटिल (non-linear) होते हैं। यह दावा नहीं करता कि यह सभी गायब डेटा की समस्याओं को ठीक कर देता है, लेकिन यह कॉज़ल डिस्कवरी में "बुरे अनुमानों" के कारण होने वाले "नकली कनेक्शनों" की विशिष्ट समस्या को ठीक करता है।

तकनीकी सारांश: PAIR-CI: अपूर्ण डेटा के साथ कॉज़ल डिस्कवरी के लिए कैलिब्रेटेड कंडीशनल इंडिपेंडेंस टेस्टिंग

1. समस्या विवरण (Problem Statement)

कन्स्ट्रेंट-आधारित विधियों (जैसे, PC एल्गोरिदम) के माध्यम से कॉज़ल डिस्कवरी (causal discovery) मौलिक रूप से कंस्ट्रेंट-आधारित इंडिपेंडेंस (CI) परीक्षणों के एक अनुक्रम पर निर्भर करती है, जो स्केलेटन और ग्राफ के ओरिएंटेशन को निर्धारित करने के लिए उपयोग किए जाते हैं। जब डेटा अपूर्ण होता है, तो एक महत्वपूर्ण बाधा उत्पन्न होती है। मानक दृष्टिकोण आमतौर पर "पहले इम्प्यूट करें, फिर टेस्ट करें" (impute first, test second) प्रतिमान का पालन करते हैं: लुप्त मानों (missing values) को इम्प्यूट किया जाता है, और पूर्ण किए गए डेटा पर मानक CI परीक्षण लागू किए जाते हैं।

लेखक इस प्रतिमान में एक मौलिक दोष की पहचान करते हैं: मिसकैलिब्रेशन (miscalibration)। जब इम्प्यूटेशन मॉडल मिसस्पेसिफाइड होते हैं (उदाहरण के लिए, 'मिसिंग नॉट एट रैंडम' (MNAR) स्थितियों के तहत या जब फंक्शनल फॉर्म गलत होते हैं), तो इम्प्यूटेशन त्रुटि टेस्ट वेरिएबल्स के बीच स्पूरियस (spurious) कंडीशनल डिपेंडेंस पैदा करती है। प्रस्ताव 1 यह औपचारिक रूप जाता है कि इन स्थितियों के तहत, कोई भी कंसिस्टेंट CI टेस्ट एसिम्प्टोटिक रूप से वास्तविक नल हाइपोथेसिस को 1 की संभावना के करीब रिजेक्ट कर देगा। इससे ऐसे कॉज़ल ग्राफ बनते हैं जिनमें स्पूरियस किनारे (edges) आ जाते हैं, जो एज ओरिएंटेशन नियमों (Meek's rules) के माध्यम से त्रुटियों को आगे बढ़ाते हैं, जिससे डाउनस्ट्रीम इन्फरेंस से समझौता होता है। मौजूदा उपचार, जैसे कि टेस्ट-वाइज डिलीशन (डेटा का त्याग करना और सिलेक्शन बायस उत्पन्न करना) या रूबिन्स रूल्स (Rubin's rules) के साथ मानक मल्टीपल इम्प्यूटेशन (जो कंडीशनिंग सेट के माध्यम से आने वाले बायस को ठीक करने में विफल रहता है), इस संरचनात्मक समस्या को हल नहीं करते हैं।

2. कार्यप्रणाली: PAIR-CI

यह शोध पत्र PAIR-CI प्रस्तुत करता है, जो एक नॉनपैरामेट्रिक CI टेस्ट है जिसे एक पेयर्ड परम्यूटेशन डिज़ाइन (paired permutation design) के माध्यम से सीधे मल्टीपल इम्प्यूटेशन को इन्फेरेंशियल प्रक्रिया में एकीकृत करके कैलिब्रेशन बहाल करने के लिए डिज़ाइन किया गया है।

मुख्य तंत्र (Core Mechanism)

यह टेस्ट एक टारगेट वेरिएबल $Z$ की भविष्यवाणी करने वाले दो क्रॉस-वैलिडेटेड मॉडलों की तुलना करता है, जो एक कंडीशनिंग सेट $X$ के दिए होने पर होता है:

फुल मॉडल (Full Model): $(X, Y)$ का उपयोग करके $Z$ की भविष्यवाणी करता है।
पार्शियल मॉडल (Partial Model): $(\hat{X}, U)$ का उपयोग करके $Z$ की भविष्यवाणी करता है, जहाँ $\hat{X}$ इम्प्यूटेड कंडीशनिंग सेट है और $U$ एक "प्लेसबो" वेरिएबल है।

प्रमुख डिज़ाइन विशेषताएं:

पेयर्ड इम्प्यूटेशन (Paired Imputation): दोनों मॉडल एक ही मल्टीपल इम्प्यूटेशन (MICE) प्रक्रिया से प्राप्त सटीक एक ही इम्प्यूटेड कंडीशनिंग सेट $\hat{X}$ प्राप्त करते हैं। यह सुनिश्चित करता है कि इम्प्यूटेशन एरर द्वारा उत्पन्न कोई भी बायस या विरूपण (distortion) दोनों मॉडलों को समान रूप से प्रभावित करे।
कंडीशनल परम्यूटेशन (Conditional Permutation): प्लेसबो $U$ को $\hat{X}$ -स्पेस में अपने $k$ -निकटतम पड़ोसियों के बीच $Y$ को कंडिशनली परम्यूट करके बनाया जाता है। यह $X$ के दिए होने पर $Y$ और $Z$ के बीच के लिंक को तोड़ देता है, जबकि $X$ पर $Y$ की मार्जिनल डिपेंडेंस को सुरक्षित रखता है।
लॉस डिफरेंस (Loss Difference): टेस्ट स्टैटिस्टिक फुल और पार्शियल मॉडल्स के बीच आउट-ऑफ-सैंपल लॉस (जैसे, बाइनरी क्रॉस-एन्ट्रॉपी या MSE) का अंतर है। चूंकि दोनों मॉडल साझा $\hat{X}$ का उपयोग करते हैं, इसलिए इम्प्यूटेशन-प्रेरित बायस लॉस डिफरेंस में कैंसिल हो जाता है, जिससे इसे टेस्ट स्टैटिस्टिक को दूषित करने से रोका जा सकता है।
एकीकृत वेरिएंस एस्टीमेशन (Unified Variance Estimation): टेस्ट स्टैटिस्टिक $K$ क्रॉस-वैलिडेशन फोल्ड्स और $M$ इम्प्यूटेड डेटासेट्स के बीच लॉस डिफरेंस को एकत्रित करता है। लेखक एक नया वेरिएंस एस्टीमेटर प्रस्तावित करते हैं जो रूबिन्स रूल्स के भीतर 'विदिन-इम्प्यूटेशन क्रॉस-वैलिडेशन वेरिएंस एस्टीमेटर' (Bayle et al., 2020) को नेस्ट करता है। यह फोल्ड ओवरलैप और इम्प्यूटेशन वेरिएशन दोनों से उत्पन्न निर्भरता को एक साथ संभालता है।

सैद्धांतिक गारंटी (Theoretical Guarantees)

कैलिब्रेशन (Calibration): चार हल्के रेगुलरिटी असांप्शन के तहत (इम्प्यूटेशन कंसिस्टेंसी, बाउंडेड लॉस, प्रॉपर इम्प्यूटेशन, और लर्नर स्टेबिलिटी), PAIR-CI इंटरनल नल ( $Z \perp\!\!\perp Y \mid \hat{X}$ ) के लिए सटीक एसिम्प्टोटिक साइज प्राप्त करता है।
MNAR के प्रति मजबूती: पेयर्ड डिज़ाइन वैज्ञानिक नल ( $Z \perp\!\!\perp Y \mid X$ ) तक कैलिब्रेशन को MNAR के तहत भी विस्तारित करता है, बशर्ते कि इम्प्यूटेशन एरर अवलोकनों (observations) में व्यवस्थित होने के बजाय रैंडमली बदलता हो।
कंसिस्टेंसी (Consistency): यह वैकल्पिक हाइपोथेसिस ( $H_1$ ) के तहत कंसिस्टेंट है, जिसकी पावर सैंपल साइज बढ़ने के साथ 1 की ओर अभिसरित (converge) होती है।
PC कंसिस्टेंसी: जब PC एल्गोरिदम के भीतर एक ऑरेकल के रूप में उपयोग किया जाता है, तो PAIR-CI मानक फेथफुलनेस (faithfulness) मान्यताओं के तहत वास्तविक कंप्लीटेड पार्शियली डायरेक्टेड एसाइक्लिक ग्राफ (CPDAG) की रिकवरी की गारंटी देता है।

3. प्रमुख योगदान (Key Contributions)

यह शोध पत्र तीन मुख्य योगदानों को रेखांकित करता है:

एक कैलिब्रेटेड नॉनपैरामेट्रिक CI टेस्ट: PAIR-CI मिसस्पेसिफिकेशन के तहत कैलिब्रेशन बनाए रखने के लिए मल्टीपल इम्प्यूटेशन, क्रॉस-वैलिडेशन और कंडीशनल परम्यूटेशन को एक एकल ढांचे में एकीकृत करने वाला पहला तरीका है। यह विविध डेटा-जेनरेटिंग प्रोसेस (DGPs) और मिसिंग मैकेनिज्म के तहत औसत फाल्स पॉजिटिव रेट $\le 4\%$ प्राप्त करता है, जबकि मौजूदा विधियां MNAR के तहत 28-45% की दर दिखाती हैं।
एकीकृत वेरिएंस एस्टीमेशन: लेखक क्रॉस-वैलिडेशन और मल्टीपल इम्प्यूटेशन वेरिएंस एस्टीमेशन का पहला औपचारिक एकीकरण प्रदान करते हैं। Bayle et al. (2020) एस्टीमेटर को रूबिन्स रूल्स के भीतर एम्बेड करके, वे एक एसिम्प्टोटिक रूप से सटीक एस्टीमेटर प्राप्त करते हैं जो इंटरमीडिएट इफेक्ट साइजेस पर स्टैटिस्टिकल पावर में 9-10 प्रतिशत अंक सुधारता है और बिना कैलिब्रेशन खोए $K=10$ फोल्ड्स की अनुमति देता है।
मजबूत कॉज़ल डिस्कवरी: अनुभवजन्य परिणाम दर्शाते हैं कि PAIR-CI ग्राफ रिकवरी में बेसलाइन की तुलना में काफी बेहतर प्रदर्शन करता है, विशेष रूप से नॉनलीनियर सेटिंग्स और बढ़ते ग्राफ आकार में।

4. प्रयोगात्मक परिणाम (Experimental Results)

लेखक तीन चरणों के प्रयोगों के माध्यम से PAIR-CI को मान्य करते हैं:

A. स्टैंडअलोन परफॉरमेंस

लीनियर गौसियन, पोस्ट-नॉनलीनियर, और लेटेंट कॉन्फ़ाउंडर DGPs में $n \in \{500, 5000\}$ सैंपल साइज के साथ सिमुलेशन में:

फाल्स पॉजिटिव रेट्स (FPR): PAIR-CI सभी मिसिंगनेस स्थितियों (Complete, MAR, MNAR) में औसत FPR $\le 4\%$ बनाए रखता है। इसके विपरीत, FZ-Rubin, GCM, और KCI जैसे बेसलाइन MNAR के तहत 28-45% FPR दिखाते हैं।
पावर (Power): PAIR-CI सिग्नल स्ट्रेंथ $\ge 0.6$ और $n \ge 2000$ पर $>80\%$ पावर प्राप्त करता है। हालांकि यह उन मामलों में पैरामीट्रिक टेस्ट (जैसे, फिशर्स Z) की तुलना में कम शक्तिशाली हो सकता है जहाँ धारणाएं पूरी तरह से सही हों, यह मिसकैलिब्रेटेड टेस्ट के अनइन्फॉर्मेटिव रिजेक्शन से बचता है।

B. सिंथेटिक ग्राफ रिकवरी

Erdős–Rényi DAGs ( $p=10, 20, 30$ ) पर PC एल्गोरिदम का उपयोग करते हुए:

नॉनलीनियर किनारे (Nonlinear Edges): PAIR-CI बेसलाइन्स की तुलना में स्ट्रक्चरल हैमिंग डिस्टेंस (SHD) को काफी कम कर देता है। SHD गैप ग्राफ के आकार के साथ बढ़ता है: $p=10$ पर 8% की कमी, $p=30$ पर 15%, और 56-वेरिएबल HAILFINDER नेटवर्क पर 44% तक।
लीनियर किनारे (Linear Edges): PAयर्स-CI बेसलाइन्स के बराबर या उनसे बेहतर प्रदर्शन करता है जैसे-जैसे कंडीशनिंग सेट्स बढ़ते हैं, जहाँ पार्शियल कोरिलेशन कम विश्वसनीय हो जाते हैं।
प्रिसिजन-रिकॉल (Precision-Recall): PAIR-CI अक्सर 1.0 की उच्च प्रिसिजन के साथ थोड़ा कम रिकॉल प्रदर्शित करता है, जो स्पूरियस किनारों के प्रसार को रोकता है जो अन्य विधियों को प्रभावित करता है।

C. वास्तविक दुनिया के बेंचमार्क

ALARM नेटवर्क ( $p=37$ ): PAIR-CI SHD 22.5–24 (लीनियर) और 31–33.5 (नॉनलीनियर) प्राप्त करता है, जो सभी कंस्ट्रेंट-बेस्ड बेसलाइन्स (SHD 30–62) से बेहतर है।
HAILFINDER नेटवर्क ( $p=56$ ): PAIR-CI SHD 62.5–65.5 प्राप्त करता है, जबकि बेसलाइन्स के लिए यह 103.5–128 है। उल्लेखनीय रूप से, कम्पलीट-केस एनालिसिस समान SHD (66) प्राप्त करता है, लेकिन 0.0 के F1 स्कोर के साथ, जो आक्रामक डेटा डिलीशन के "हार मानकर जीतने" (winning by giving up) वाले आर्टिफैक्ट को दर्शाता है।

5. महत्व और दावे (Significance and Claims)

यह पेपर दावा करता है कि PAIR-CI अपूर्ण डेटा के साथ कॉज़ल डिस्कवरी के लिए एक कैलिब्रेटेड दृष्टिकोण प्रदान करके स्वचालित वैज्ञानिक निष्कर्ष में एक महत्वपूर्ण अंतर को संबोधित करता है।

प्रेरणा (Motivation): लेखक तर्क देते हैं कि "इम्प्यूट फिर टेस्ट करें" प्रतिमान वास्तविक दुनिया की सामान्य स्थितियों (MNAR, फंक्शनल मिसस्पेसिफिकेशन) के तहत संरचनात्मक रूप से त्रुटिपूर्ण है, जिससे अविश्वसनीय कॉज़ल ग्राफ बनते हैं।
दायरा (Scope): विधि कॉज़ल सफिशिएंसी (कोई अनऑब्जर्व्ड कॉन्फ़ाउंडर नहीं) मानती है, लेकिन यह विशिष्ट डिस्कवरी एल्गोरिदम के प्रति उदासीन (agnostic) है, जो PC या FCI के लिए एक ड्रॉप-इन ऑरेकल के रूप में कार्य करती है।
सीमाएं (Limitations): लेखक स्वीकार करते हैं कि PAIR-CI कैलिब्रेशन के लिए कुछ पावर का त्याग करता है, विशेष रूप से छोटे सैंपल में कमजोर सिग्नल के साथ या जब संबंध पूरी तरह से लीनियर हों और मिसिंगनेस MCAR/MAR हो (जहाँ पैरामीट्रिक टेस्ट बेहतर होते हैं)। वे यह भी नोट करते हैं कि विधि इस धारणा पर निर्भर करती है कि इम्प्यूटेशन एरर रैंडमली बदलता है; व्यवस्थित त्रुटियां (जैसे, मीन इम्प्यूटेशन से) अभी भी मिसकैलिब्रेशन का कारण बन सकती हैं।
निष्कर्ष: PAIR-CI एक सिद्धांतपूर्ण, नॉनपैरामेट्रिक समाधान प्रदान करता है जो मिसिंग डेटा की उपस्थिति में कॉज़ल डिस्कवरी की विश्वसनीयता को बहाल करता है, जिसका प्रदर्शन लाभ ग्राफ की जटिलता और नॉनलिनैरिटी के साथ बढ़ता है।