📊 statistics

Proximal Causal Inference for Hidden Outcomes

यह शोध पत्र प्रॉक्सी वेरिएबल्स (proxy variables) का उपयोग करके छिपे हुए परिणामों (hidden outcomes) के कारण प्रभावों (causal effects) के लिए पूर्ण डेटा कानून की पहचान स्थापित करता है और उन पहले इन्फ्लुएंस फंक्शन-आधारित अनुमानकों (influence function-based estimators) का प्रस्ताव करता है जो बिना किसी निष्पक्ष प्रॉक्सी माप या आंशिक अवलोकन की आवश्यकता के बहु-सुदृढ़ता (multiple robustness) और दक्षता प्राप्त करते हैं।

मूल लेखक: Helen Guo, Ilya Shpitser, Elizabeth L. Ogburn

प्रकाशित 2026-05-12

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Helen Guo, Ilya Shpitser, Elizabeth L. Ogburn

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 अपराध को सुलझाने की कोशिश कर रहे हैं एक जासूस के रूप में, लेकिन सबसे महत्वपूर्ण गवाह—पीड़ित की वास्तविक गवाही—गायब हो गई है। आप वास्तव में नहीं सुन सकते कि उन्होंने क्या देखा था। हालाँकि, आपके पास कमरे में तीन अलग-अलग लोग मौजूद हैं जिन्होंने पीड़ित को बोलते हुए सुना है, लेकिन वे सभी थोड़े बहरे हैं और शायद शब्दों को गलत समझ गए हैं। ये तीनों लोग आपके "प्रॉक्सी" (proxies) हैं।

यह शोध पत्र एक नई गणितीय विधि के बारे में है जो आपको पीड़ित की वास्तविक गवाही को पुनर्गठित करने और यह पता लगाने की अनुमति देती है कि वास्तव में क्या हुआ था, भले ही आपने इसे सीधे तौर पर नहीं सुना हो और जो गवाह आपने सुने हैं वे त्रुटिपूर्ण हों।

यहाँ बताया गया है कि कैसे लेखकों, हेलेन गुओ, इल्या शिप्सर और एलिजाबेथ ओगबर्न ने इस पहेली को सुलझाया:

1. समस्या: "घोस्ट" (Ghost) परिणाम

कई वैज्ञानिक अध्ययनों में (जैसे कि एक नई दवा का परीक्षण करना), हम जानना चाहते हैं: "यदि हम किसी रोगी को दवा देते हैं, तो क्या वह ठीक हो जाएगा?" "परिणाम" (ठीक होना) वह सत्य है जिसे हमें जानना है।

लेकिन कभी-कभी, वह परिणाम छिपा हुआ होता है। हो सकता है कि रोगी की वास्तविक स्वास्थ्य स्थिति को सीधे मापना बहुत जटिल हो, या डेटा गायब हो। आमतौर पर, यदि आप परिणाम नहीं देख सकते, तो आप कारण-और-प्रभाव (cause-and-effect) को सिद्ध नहीं कर सकते।

2. पुराना तरीका बनाम नया तरीका

पुराना तरीका: यदि आपके पास छिपा हुआ डेटा है, तो शोधकर्ताओं को अक्सर बहुत सख्त अनुमान लगाने पड़ते थे (जैसे कि यह मानना कि डेटा एक आदर्श बेल कर्व (bell curve) का पालन करता है) या उन्हें कम से कम एक "परफेक्ट" गवाह की आवश्यकता होती थी जिसने पीड़ित को 100% सही सुना हो। यदि आपके पास कोई परफेक्ट गवाह नहीं था, तो गणित आमतौर पर विफल हो जाता था।
नया तरीका (यह शोध पत्र): लेखक कहते हैं, "आपको एक परफेक्ट गवाह की आवश्यकता नहीं है, और न ही आपको डेटा के आकार का सटीक अनुमान लगाने की आवश्यकता है।" आपको बस तीन त्रुटिपूर्ण गवाहों (जिन्हें $W$ , $Z$ , और $V$ कहा जाता है) की आवश्यकता है जो सभी एक ही छिपे हुए सत्य ( $Y$ ) को सुन रहे हैं लेकिन अपनी स्वतंत्र गलतियाँ कर रहे हैं।

3. जादुई ट्रिक: "थ्री-वे पज़ल" (Three-Way Puzzle)

लेखक इन तीन गवाहों के ओवरलैप (overlap) पर आधारित एक चतुर गणितीय ट्रिक का उपयोग करते हैं।

इसे एक त्रिकोणीयकरण खेल (triangulation game) की तरह सोचें:

गवाह A कहता है, "मैंने एक तेज़ आवाज़ सुनी।"
गघवाह B कहता है, "मैंने एक धमाका सुना।"
गवाह C कहता है, "मैंने एक धमक सुनी।"

भले ही आप नहीं जानते कि मूल ध्वनि क्या थी, यदि आप जानते हैं कि ये तीन गवाह स्वतंत्र हैं (वे आपस में बात नहीं कर रहे हैं) और वे सभी एक ही छिपी हुई घटना पर प्रतिक्रिया दे रहे हैं, तो आप गणितीय रूप से इस बात का रिवर्स-इंजीनियरिंग कर सकते हैं कि वह घटना क्या रही होगी।

यह शोध पत्र आइजनवैल्यू-आइजनवेक्टर संरचना (eigenvalue-eigenvector structure) नामक एक अवधारणा का उपयोग करता है। सरल शब्दों में, यह एक जटिल 3D पहेली को देखने जैसा है। यदि आपके पास पर्याप्त टुकड़े (तीन प्रॉक्सी) हैं और वे एक विशिष्ट तरीके से फिट होते हैं, तो उस पहेली को जोड़ने का केवल एक ही तरीका है। यह शोधकर्ताओं को शोर वाले प्रॉक्सी ( $W, Z, V$ ) से छिपे हुए परिणाम ( $Y$ ) को "पुनर्गठित" करने की अनुमति देता है।

4. "मल्टीपल रोबस्टनेस" (Multiple Robustness) सुरक्षा जाल

एक बार जब उन्होंने छिपे हुए सत्य को पुनर्गठित करने का तरीका ढूंढ लिया, तो उन्हें उपचार (दवा) के प्रभाव का अनुमान लगाने के लिए एक तरीका चाहिए था। उन्होंने एक विशेष कैलकुलेटर बनाया जिसे इन्फ्लुएंस फंक्शन (influence function) कहा जाता है।

इस कैलकुलेटर की सबसे अच्छी बात इसकी सुरक्षा जाल है, जिसे वे "मल्टीपल रोबस्टनेस" कहते हैं।

कल्पना कीजिए कि आप तीन स्तंभों (pillars) के साथ एक पुल बना रहे हैं।
आमतौर पर, यदि एक स्तंभ कमजोर है, तो पुल गिर जाता है।
इस नए तरीके के साथ, पुल तब तक खड़ा रहता है जब तक कि कम से कम एक स्तंभ मजबूत हो।
"स्तंभ" गणित मॉडल के विभिन्न भाग हैं (जैसे कि उपचार कैसे दिया गया, या गवाह कैसे सुनते हैं)। भले ही आप उनमें से दो को गलत कर दें, जब तक कि आप एक को सही कर लें, आपका अंतिम उत्तर अभी भी सही होगा।

5. परिणाम: यह काम करता है, लेकिन यह महंगा है

लेखकों ने कंप्यूटर सिमुलेशन (नकली डेटा बनाना जहाँ वे उत्तर जानते थे) के साथ इसका परीक्षण किया।

"नैइव" (Naïve) दृष्टिकोण: केवल एक गवाह को चुनना और उस पर भरोसा करना। यह बुरी तरह विफल रहा; परिणाम गलत थे।
"ओरेकल" (Oracle) दृष्टिकोण: छिपे हुए सत्य को पूरी तरह से जानना। यह सबसे सटीक था लेकिन वास्तविक जीवन में असंभव है।
"प्रस्तावित" (Proposed) दृष्टिकोण: सत्य को पुनर्गठित करने के लिए उनके नए गणित का उपयोग करना।
- परिणाम: यह अनबायस्ड (unbiased) था (यह औसतन सही उत्तर प्राप्त करता था)।
- लागत: यह "ओरेकल" की तुलना में थोड़ा अधिक "नॉइजी" (उच्च विचलन/variance वाला) था। यह समझ में आता है: तीन त्रुटिपूर्ण गवाहों से छिपे हुए सत्य को पुनर्गठित करना, सत्य को सीधे पढ़ने की तुलना में कठिन है। यह एक गाना सुनने जैसा है जहाँ तीन लोग उसे बेसुरा गुनगुना रहे हैं; आप धुन तो पकड़ सकते हैं, लेकिन यह थोड़ा डगमगा सकता है।

सारांश

यह शोध पत्र यह सिद्ध करता है कि आप बिना परफेक्ट डेटा या परफेक्ट गवाहों के "मिसिंग आउटकम" (missing outcome) की समस्या को हल कर सकते हैं। तीन त्रुटिपूर्ण प्रॉक्सी और एक विशिष्ट गणितीय संरचना का उपयोग करके, आप छिपे हुए सत्य को पुनर्गठित कर सकते हैं। इसके बाद, उन्होंने एक रोबस्ट एस्टीमेटर बनाया जो आपके मॉडल के कुछ हिस्सों के थोड़े गलत होने पर भी नहीं टूटेगा, बशर्ते कि एक हिस्सा सही हो।

संक्षेप में: आप सत्य को पा सकते हैं भले ही सत्य छिपा हुआ हो, जब तक कि आपके पास तीन स्वतंत्र, त्रुटिपूर्ण श्रोता हों और उनके ओवरलैपिंग विवरणों को डिकोड करने के लिए सही गणितीय उपकरण हों।

तकनीकी सारांश: छिपे हुए परिणामों के लिए प्रॉक्सिमल कॉज़ल इन्फरेंस (Proximal Causal Inference)

समस्या विवरण
छिपे हुए चर (Hidden variables) कॉज़ल इन्फरेंस में एक केंद्रीय चुनौती बने हुए हैं, जो अक्सर कारण संबंधी लक्ष्यों (causal targets) की पहचान और अनुमान लगाने में बाधा उत्पन्न करते हैं। जबकि प्रॉक्सी-आधारित दृष्टिकोणों ने मजबूत पैरामीट्रिक धारणाओं पर निर्भर किए बिना छिपी हुई संरचनाओं से बचने के लिए उभरते हुए समाधान दिए हैं, मौजूदा साहित्य आमतौर पर कम से कम एक निष्पक्ष प्रॉक्सी माप या वास्तविक परिणाम के आंशिक अवलोकन की आवश्यकता रखता है। यह शोध पत्र उस विशिष्ट स्थिति को संबोधित करता है जहाँ परिणाम चर $Y$ अदृश्य (hidden) है, लेकिन देखे जा सकने वाले कन्फाउंडर्स $C$ और ट्रीटमेंट $A$ के साथ कई संभावित रूप से पक्षपाती प्रॉक्सी ( $W, Z, V$ ) उपलब्ध हैं। लक्ष्य पूर्ण-डेटा कानून (full-data law) की पहचान करना और कारण प्रभावों (विशेष रूप से औसत उपचार प्रभाव - average treatment effect) का अनुमान लगाना है, बिना यह माने कि प्रॉक्सी निष्पक्ष हैं या वास्तविक परिणाम आंशिक रूप से देखा गया है।

कार्यप्रणाली (Methodology)
लेखक देखे गए डेटा से लेटेंट डिस्ट्रीब्यूशन (latent distributions) के पुनर्निर्माण पर आधारित एक ढांचे का उपयोग करते हैं, जो मल्टी-वे एरे (टेंसर) में अंतर्निहित आइजनवैल्यू-आइजनवेक्टर संरचना का लाभ उठाता है।

पहचान रणनीति (Identification Strategy):
- लेखक एक कॉज़ल निर्देशित अचक्रीय ग्राफ (DAG) को परिभाषित करते हैं जहाँ $A$ , $Y$ को प्रभावित करता है, और $C$ , इस संबंध को कन्फाउंड (confound) करता है। छिपा हुआ परिणाम $Y$ तीन देखे गए प्रॉक्सी $W, Z, V$ उत्पन्न करता है।
- मान्यताएँ (Assumptions): पहचान हु और शेनाच [11], डीनर [5], और झो और टेटजेन टेटजेन [28] से अनुकूलित मान्यताओं (4–8) पर निर्भर करती है। प्रमुख शर्तों में शामिल हैं:
  - लेटेंट परिणाम, ट्रीटमेंट और कन्फाउंडर्स की उपस्थिति में प्रॉक्सी की पारस्परिक सशर्त स्वतंत्रता ( $W, Z, V \perp \perp \mid Y, A, C$ )।
  - प्रॉक्सी के सशर्त वितरणों पर पूर्णता की शर्तें (completeness conditions), जो लेटेंट डिस्ट्रीब्यूशन को पुनः प्राप्त करने के लिए पर्याप्त परिवर्तनशीलता सुनिश्चित करती हैं।
  - एक लेबलिंग धारणा (मान्यता 8) ताकि लेटेंट परिणाम के विशिष्ट मानों को पुनः प्राप्त किया जा सके, चाहे वह सशर्त वितरण के ज्ञात फलन (functional) के माध्यम से हो या यह मानते हुए कि परिणाम एक ज्ञात सपोर्ट के साथ ऑर्डिनल (ordinal) है।
- इन शर्तों के तहत, शोध पत्र यह स्थापित करता है कि पूर्ण-डेटा कानून $p(A, Y, C, W, Z, V)$ की पहचान की जा सकती है, जिससे संभावित परिणाम वितरण $p(Y(a))$ और कारण प्रभाव $E[Y(1)] - E[Y(0)]$ की पहचान होती है।
अनुमान ढांचा (Estimation Framework):
- लेखक पहचाने गए कारण प्रभावों के लिए इन्फ्लुएंस फंक्शन-आधारित एस्टिमेटर्स विकसित करते हैं।
- प्रेक्षित-डेटा इन्फ्लुएंस फंक्शन (Observed-Data Influence Function): चूंकि वास्तविक परिणाम $Y$ अदृश्य है, इसलिए पूर्ण-डेटा इन्फ्लुएंस फंक्शन को सीधे नहीं निकाला जा सकता है। लेखक एक प्रेक्षित-डेटा इन्फ्लुएंस फंक्शन $\phi_{obs}$ का निर्माण करते हैं, जिसमें $Y$ को $y$ के संभावित मानों के भारित औसत (weighted average) द्वारा प्रतिस्थापित किया जाता है।
- भार निर्माण (Weight Construction): भार $\omega_y(O; \eta)$ का निर्माण देखे गए प्रॉक्सी और न्युसेंस फंक्शन्स (प्रॉक्सी के $Y, A, C$ के सापेक्ष सशर्त प्रत्याशा) का उपयोग करके किया जाता है। ये भार इस तरह से डिज़ाइन किए गए हैं कि वास्तविक परिणाम $Y=y$ के सापेक्ष उनका सशर्त प्रत्याशा 1 होता है, और अन्यथा 0 होता है।
- बहु-मजबूती (Multiple Robustness): परिणामी एस्टिमेटर एक मीन-जीरो एस्टिमेटिंग इक्वेशन को हल करता है। यह बहु-मजबूती प्रदर्शित करता है: निरंतरता (consistency) बनी रहती है यदि कई विशिष्ट न्युसेंस फंक्शन्स (जिसमें ट्रीटमेंट प्रोपेंसिटी स्कोर, आउटकम रिग्रेशन, या प्रॉक्सी रिग्रेशन शामिल हैं) में से किसी एक सेट का सही विनिर्देश (specification) किया गया हो।
- एसिम्प्टोटिक गुण (Asymptotic Properties): मानक नियमितता शर्तों के तहत, एस्टिमेटर $\sqrt{n}$ -सुसंगत (consistent) और एसिम्प्टोटिक रूप से सामान्य (normal) है। विशेष रूप से, न केवल व्यक्तिगत रूप से न $\sqrt{n}$ दर पर अनुमानित होने की आवश्यकता है, बल्कि एस्टिमेटर वांछित दर प्राप्त करता है बशर्ते कि अनुमान त्रुटियों का गुणनफल पर्याप्त दर से अभिसरित (converge) हो।

प्रमुख योगदान (Key Contributions)

निष्पक्ष प्रॉक्सी के बिना छिपे हुए परिणामों के लिए प्रथम अर्ध-पैरामीट्रिक अनुमान: लेखकों के सर्वोत्तम ज्ञान के अनुसार, यह पहला कार्य है जो निष्पक्ष प्रॉक्सी माप या वास्तविक परिणाम के आंशिक अवलोकन पर निर्भर किए बिना छिपे हुए परिणामों के लिए अर्ध-पैरामीट्रिक अनुमान परिणाम स्थापित करता है।
इन्फ्लुएंस फंक्शन-आधारित एस्टिमेटर्स: यह शोध पत्र इस विशिष्ट सेटिंग में पहले इन्फ्लुएंस फंक्शन-आधारित एस्टिमेटर्स विकसित करता है, जो बहु-मजबूती और वांछित दक्षता गुणों को प्राप्त करने का मार्ग प्रदान करता है।
सैद्धांतिक गारंटी: कार्य पूर्ण-डेटा कानून की पहचान और प्रस्तावित एस्टिमेटर्स के एसिम्प्टोटिक गुणों (निरंतरता और सामान्यता) के लिए औपचारिक प्रमाण प्रदान करता है।

परिणाम (Results)
प्रस्तावित एस्टिमेटर्स के प्रदर्शन का मूल्यांकन डिस्क्रीट (बाइनरी) और मिक्स्ड (सतत कन्फाउंडर्स और प्रॉक्सी) डेटा-जनरेटिंग प्रक्रियाओं पर सिमुलेशन अध्ययनों के माध्यम से किया गया।

पूर्वाग्रह न्यूनीकरण (Bias Reduction): दोनों परिदृश्यों में, एक "नाइव" (naïve) एस्टिमेटर, जो अदृश्य परिणाम को एक प्रॉक्सी से प्रतिस्थापित करता है, ने लक्षित पैरामीटर को काफी कम (पक्षपाती) पाया। प्रस्तावित एस्टिमेटर ने इस पूर्वाग्रह को सफलतापूर्वक समाप्त कर दिया।
दक्षता ट्रेड-ऑफ (Efficiency Trade-off): जबकि प्रस्तावित एस्टिमेटर ने निष्पक्षता (unbiasedness) प्राप्त की, इसने एक "ओरेकल" (oracle) एस्टिमेटर की तुलना में उच्च विचरण (variance) का सामना किया जिसके पास वास्तविक परिणाम $Y$ तक सीधी पहुँच थी। बाइनरी मामले में, स्केल्ड वेरिएंस ओरेकल के 0.6 के मुकाबले लगभग 1.7 था। मिक्स्ड केस में, छोटे सैंपल साइज के लिए विचरण काफी अधिक था लेकिन सैंपल साइज बढ़ने के साथ कम होता गया।
मजबूती (Robustness): सिमुलेशन ने सैद्धांतिक गुणों की पुष्टि की, यह प्रदर्शित करते हुए कि एस्टिमेटर तब भी अच्छा प्रदर्शन करता है जब लेटेंट आउटकम को देखे गए प्रॉक्सी से पुनर्गठित किया जाना आवश्यक हो।

महत्व और दावे (Significance and Claims)
लेखक इस कार्य को प्रॉक्सिमल कॉज़ल इन्फरेंस में एक महत्वपूर्ण कदम के रूप में प्रस्तुत करते हैं। निष्पक्ष प्रॉक्सी की आवश्यकता को कम करके—एक मजबूत धारणा जिसे व्यवहार में सत्यापित करना कठिन होता है—यह ढांचा छिपे हुए परिणामों से जुड़े समस्याओं के एक व्यापक वर्ग के लिए प्रॉक्सी-आधारित विधियों की प्रयोज्यता को बढ़ाता है। इन्फ्लुएंस फंक्शन-आधारित एस्टिमेटर्स का विकास उन सेटिंग्स में आधुनिक अर्ध-पैरामीट्रिक तकनीकों (जैसे डबल रोबस्टनेस और सैंपल स्प्लिटिंग) के अनुप्रयोग की अनुमति देता है जो पहले पहचान बाधाओं या पैरामीट्रिक धारणाओं पर निर्भर थे। शोध पत्र निष्कर्ष निकालता है कि हालांकि उच्च-आयामी सेटिंग्स में इष्टतम प्रॉक्सी संयोजन और व्यावहारिक न्युसेंस फंक्शन अनुमान के संबंध में चुनौतियाँ बनी हुई हैं, प्रस्तावित ढांचा केवल पक्षपाती प्रॉक्सी का उपयोग करके छिपे हुए परिणामों के लिए कॉज़ल इन्फरेंस के लिए एक व्यवहार्य सैद्धांतिक और व्यावहारिक आधार स्थापित करता है।