🤖 machine learning

ConfoundingSHAP: Quantifying confounding strength in causal inference

यह शोध पत्र ConfoundingSHAP को प्रस्तुत करता है, जो एक स्केलेबल Shapley-आधारित विधि है जो अवलोकनात्मक अध्ययनों (observational studies) में व्यक्तिगत सहचरों (covariates) के कन्फाउंडिंग प्रभाव को मापने और उसे आरोपित करने के लिए TabPFN का लाभ उठाती है, जिससे शोधकर्ताओं को व्यापक मॉडल रिफिटिंग के बिना यह पहचानने में मदद मिलती है कि कौन से चर कन्फाउंडर के रूप में कार्य करते हैं।

मूल लेखक: Marie Brockschmidt, Santo M. A. R. Thies, Maresa Schröder, Dennis Frauen, Valentyn Melnychuk, Maximilian Muschalik, Eyke Hüllermeier, Stefan Feuerriegel

प्रकाशित 2026-05-12

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Marie Brockschmidt, Santo M. A. R. Thies, Maresa Schröder, Dennis Frauen, Valentyn Melnychuk, Maximilian Muschalik, Eyke Hüllermeier, Stefan Feuerriegel

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 सरल भाषा और रचनात्मक उपमाओं का उपयोग करके पेपर "ConfoundingSHAP" की व्याख्या दी गई है।

बड़ी समस्या: "छिपा हुआ प्रभावक" (The Hidden Influencer)

कल्पना कीजिए कि आप एक डॉक्टर हैं जो यह पता लगाने की कोशिश कर रहे हैं कि क्या एक नई दवा वास्तव में काम करती है। आप अपने मरीजों के रिकॉर्ड देखते हैं। आप देखते हैं कि जिन मरीजों ने दवा ली, वे उन लोगों की तुलना में अधिक समय तक जीवित रहे जिन्होंने दवा नहीं ली।

लेकिन रुकिए! यहाँ एक पेंच है। डॉक्टर ने यह तय करने के लिए सिक्का नहीं उछाला था कि किसे दवा दी जाए। इसके बजाय, डॉक्टर ने सबसे बीमार मरीजों को दवा दी क्योंकि उन्हें इसकी सबसे अधिक आवश्यकता थी।

अब, यदि आप केवल दोनों समूहों की तुलना करते हैं, तो ऐसा लग सकता है कि दवा ने लोगों को मारा (क्योंकि बीमार लोग वैसे भी मर गए) या यह एक चमत्कार लग सकता है (यदि डॉक्टर ने केवल सबसे मजबूत मरीजों को दवा दी)। समस्या यह है कि बीमारी का स्तर एक "कन्फाउंडर" (confounder) है। इसने दवा देने के निर्णय और अंतिम परिणाम (मृत्यु या उत्तरजीविता) दोनों को प्रभावित किया।

वास्तविक दुनिया के डेटा में, हमारे पास "कन्फाउंडर्स" की कोई सूची नहीं होती है। हमारे पास केवल वेरिएबल्स (चरों) की एक लंबी सूची होती है (आयु, वजन, रक्तचाप, आय, आदि)। हमें नहीं पता कि कौन से वेरिएबल्स हमारे परिणामों को बिगाड़ रहे हैं।

समाधान: ConfoundingSHAP

लेखकों ने ConfoundingSHAP नामक एक टूल बनाया है। इसे एक "बायस डिटेक्टिव" (Bias Detective) या "कन्फाउंडिंग स्ट्रेंथ मीटर" के रूप में सोचें।

इसका काम एक वेरिएबल्स की लंबी सूची को देखना और एक विशिष्ट प्रश्न का उत्तर देना है: "इनमें से कौन सा वेरिएबल वास्तव में हमारे परिणामों में भ्रम (bias) पैदा कर रहा है?"

यह कैसे काम करता है: "टीम गेम" की उपमा

यह समझने के लिए कि यह टूल कैसे काम करता है, टीम बिल्डिंग के एक खेल की कल्पना करें जहाँ लक्ष्य एक पहेली को हल करना है (उपचार के वास्तविक प्रभाव को खोजना)।

खिलाड़ी: आपके डेटासेट का हर वेरिएबल (आयु, आय, रक्तचाप) टीम का एक खिलाड़ी है।
लक्ष्य: टीम जानना चाहती है कि यदि वे कुछ खिलाड़ियों को बाहर छोड़ देते हैं, तो डेटा में कितना "शोर" या "भ्रम" शेष रहता है।
खेल: टूल खिलाड़ियों के हर संभावित संयोजन (टीमें) का परीक्षण करता है।
- टीम A: इसमें सभी शामिल हैं। ("परफेक्ट" टीम)।
- टीम B: "रक्तचाप" को बाहर छोड़ देती है।
- टीम C: "आयु" और "आय" को बाहर छोड़ देती है।
स्कोर: प्रत्येक टीम के लिए, टूल गणना करता है कि "परफेक्ट" टीम की तुलना में परिणाम कितना बदल जाता है।
- यदि "रक्तचाप" को बाहर निकालने से परिणाम गड़बड़ा जाता है, तो "रक्तचाप" एक बड़ा खिलाड़ी (heavy hitter) है। यह एक मजबूत कन्फाउंडर है।
- यदि "जूते का आकार" (Shoe Size) छोड़ने से कोई बदलाव नहीं होता है, तो "जूते का आकार" अप्रासंगिक है।

यह टूल शैपली वैल्यूज (Shapley Values) नामक एक गणितीय अवधारणा का उपयोग करता है (जिसका नाम एक नोबेल पुरस्कार विजेता गेम थ्योरीस्ट के नाम पर रखा गया है) ताकि सभी खिलाड़ियों के बीच भ्रम के "दोष" को निष्पक्ष रूप से विभाजित किया जा सके। यह आपको बताता है कि प्रत्येक वेरिएबल ने उस गड़बड़ी में कितना योगदान दिया।

यह अलग क्यों है (The "CATE" Trap)

पेपर एक सामान्य गलती की ओर इशारा करता है जो लोग करते हैं। आमतौर पर, डेटा वैज्ञानिक ट्रीटमेंट इफेक्ट हेटेरोजेनिटी (CATE) को समझाने के लिए टूल्स का उपयोग करते हैं।

CATE Explainer: "कौन सा वेरिएबल अलग-अलग लोगों के लिए दवा को अलग तरह से प्रभावी बनाता है?" (जैसे, "यह महिलाओं की तुलना में पुरुषों के लिए बेहतर काम करता है")।
ConfoundingSHAP: "कौन सा वेरिएबल हमारे औसत परिणाम को बिगाड़ रहा है क्योंकि उन्होंने यह प्रभावित किया कि किसे दवा मिली?"

उपमा:
एक दौड़ की कल्पना करें।

CATE पूछता है: "कौन घास बनाम कीचड़ पर तेज़ दौड़ता है?" (यह देखता है कि सतह धावक की गति को कैसे बदलती है)।
ConfoundingSHAP पूछता है: "किसने शुरुआती रेखा (starting line) को हेरफेर किया?" (यह देखता है कि किसने यह तय किया कि किस धावक को आगे से शुरू करना है और किसे पीछे से, जिससे अंतिम परिणाम बिगड़ गया)।

पेपर दिखाता है कि मानक टूल्स अक्सर "हेरफेर करने वालों" (कन्फाउंडर्स) को मिस कर देते हैं क्योंकि वे बहुत अधिक "सतह की स्थितियों" (इफेक्ट मॉडिफायर) पर केंद्रित होते हैं। ConfoundingSHAP विशेष रूप से इन "हेरफेर करने वालों" को खोजने के लिए बनाया गया है।

"मैजिक इंजन" (TabPFN)

हर संभावित टीम संयोजन के लिए इसकी गणना करना अविश्वसनीय रूप से धीमा है। यदि आपके पास 20 वेरिएबल्स हैं, तो दस लाख से अधिक संयोजन हैं। पुराने तरीके से करने में अनंत काल लग जाएगा।

लेखकों ने TabPFN नामक एक "मैजिक इंजन" का उपयोग किया है।

पुराना तरीका: एक नई टीम का परीक्षण करने के लिए, आपको पूरे इंजन को फिर से बनाना पड़ता है।
TabPFN का तरीका: एक बहुत ही स्मार्ट रोबोट की कल्पना करें जिसने पहले ही लाखों खेल देख लिए हैं। आप बस वर्तमान टीम के नियम उसे बता देते हैं, और वह बिना कुछ नया सीखे तुरंत परिणाम की भविष्यवाणी कर देता है। यह प्रक्रिया को वास्तविक कंप्यूटरों पर उपयोगी बनाने के लिए पर्याप्त तेज़ बनाता है।

उन्होंने क्या पाया (परिणाम)

लेखकों ने अपने टूल का तीन प्रकार के परिदृश्यों पर परीक्षण किया:

नकली डेटा (Synthetic): उन्होंने एक नकली दुनिया बनाई जहाँ वे जानते थे कि "बुरे तत्व" (कन्फाउंडर्स) कौन से थे।
- परिणाम: ConfoundingSHAP ने सही ढंग से बुरे तत्वों की ओर इशारा किया और निर्दोष राहगीरों (जैसे इंस्ट्रूमेंट्स या शोर) को अनदेखा कर दिया।
रैंडमाइज्ड ट्रायल्स (RCT): उन्होंने एक वास्तविक चिकित्सा परीक्षण को देखा जहाँ उपचार को रैंडम तरीके से (जैसे सिक्का उछालकर) सौंपा गया था।
- परिणाम: चूंकि निष्पक्ष सिक्के के उछाल में कोई "हेरफेर" नहीं था, इसलिए ConfoundingSHAP ने सही ढंग से कहा, "यहाँ शून्य भ्रम है!" बायस स्कोर गिरकर लगभग शून्य हो गया।
वास्तविक मेडिकल डेटा (SUPPORT Study): उन्होंने हार्ट कैथेटरिज़ेशन के बारे में एक वास्तविक अध्ययन को देखा।
- परिणाम: टूल ने उन वेरिएबल्स की पहचान की जिन्हें डॉक्टर वास्तव में महत्वपूर्ण मानते हैं (जैसे मरीज के आने पर उसकी बीमारी का स्तर) जो भ्रम के मुख्य स्रोत थे। इसने सही ढंग से रोगी आईडी नंबर जैसी अप्रासंगिक चीजों को भी अनदेखा किया।

निचोड़ (The Bottom Line)

ConfoundingSHAP एक नया टूल है जो शोधकर्ताओं को यह समझने में मदद करता है कि उनके डेटा में कौन से वेरिएबल्स चुपके से उनके कारण संबंधी निष्कर्षों (causal conclusions) को बिगाड़ रहे हैं। यह भ्रम के लिए दोष मढ़ने के लिए एक निष्पक्ष "टीम गेम" गणित प्रणाली का उपयोग करता है, और गणित को तेज़ी से करने के लिए एक स्मार्ट AI इंजन का उपयोग करता है।

यह यह नहीं बताता कि दवा काम करती है या नहीं (यह शोधकर्ता पर निर्भर है); यह आपको बताता है कि किन वेरिएबल्स पर आपको ध्यान देने की आवश्यकता है ताकि आप भ्रम को रोक सकें और एक स्पष्ट तस्वीर प्राप्त कर सकें।

तकनीकी सारांश: ConfoundingSHAP

समस्या विवरण

अवलोकनात्मक कारण अनुमान (observational causal inference) में, उपचार का निर्धारण अक्सर यादृच्छिक (non-random) नहीं होता है, जिससे उपचारित और अनुपचारित समूहों के बीच व्यवस्थित अंतर पैदा होता है। वे चर जो उपचार निर्धारण और परिणामों दोनों को प्रभावित करते हैं, कन्फाउंडर्स (confounders) के रूप में जाने जाते हैं। जबकि रैंडमाइज्ड क्लिनिकल ट्रायल्स इस समस्या को समाप्त कर देते हैं, अवलोकनात्मक अध्ययनों के लिए शोधकर्ताओं को सटीक रूप से कारण प्रभावों (जैसे, कंडीशनल एवरेज ट्रीटमेंट इफेक्ट, CATE) का अनुमान लगाने के लिए कन्फाउंडर्स की पहचान करने और उन्हें समायोजित करने की आवश्यकता होती है।

एक महत्वपूर्ण चुनौती अभी भी बनी हुई है: कौन से देखे गए कोवेरियेट्स (covariates) वास्तव में कन्फाउंडिंग की शक्ति को संचालित करते हैं?
कारण मशीन लर्निंग (causal machine learning) के लिए मौजूदा स्पष्टीकरण विधियाँ आमतौर पर अलग-अलग लक्ष्यों को लक्षित करती हैं:

प्रोपेंसिटी स्कोर (Propensity scores): उपचार निर्धारण तंत्र की व्याख्या करना।
आउटकम मॉडल (Outcome models): प्रोग्नोस्टिक जोखिम (prognostic risk) की व्याख्या करना।
CATE एस्टिमेटर्स (CATE estimators): उपचार प्रभाव विषमता (treatment effect heterogeneity/effect modifiers) की व्याख्या करना।

लेखकों का तर्क है कि CATE एस्टिमेटर्स पर मानक SHAP (Shapley Additive Explanations) लागू करना कन्फाउंडर्स की पहचान करने के लिए उपयुक्त नहीं है। CATE स्पष्टीकरण उपचार प्रभावों में भिन्नता पर ध्यान केंद्रित करते हैं; यदि कोई कन्फाउंडर उपचारित और नियंत्रण दोनों समूहों के लिए संभावित परिणामों को समान रूप से प्रभावित करता है, तो उसका योगदान CATE ( $\tau(x) = \mu_1(x) - \mu_0(x)$ ) में रद्द हो जाता है, जिससे वह मानक फीचर महत्व विधियों के लिए अदृश्य हो जाता है। फलस्वरूप, व्यक्तिगत कोवेरियेट्स को देखे गए कन्फाउंडिंग स्ट्रेंथ (observed confounding strength) के लिए विशेष रूप से मात्रात्मक रूप से निर्धारित करने के लिए विधियों का अभाव है।

कार्यप्रणाली: ConfoundingSHAP

यह शोध पत्र ConfoundingSHAP प्रस्तुत करता है, जो एक शेपली-आधारित विधि है जिसे व्यक्तिगत कोवेरियेट्स को कन्फाउंडिंग स्ट्रेंथ प्रदान करने के लिए डिज़ाइन किया गया है। यह विधि एक प्रेडिक्टिव मॉडल के बजाय सीधे एक कन्फाउंडिंग बायस फंक्शनल (confounding bias functional) पर सहकारी खेल (cooperative game) को परिभाषित करके कार्य करती है।

1. कन्फाउंडिंग बायस फंक्शनल को परिभाषित करना

विधि का मूल एक उपसमूह (subset) $S$ के रूप में कोवेरियेट्स के समायोजन सेट को प्रतिबंधित करने पर अवशिष्ट कन्फाउंडिंग बायस (residual confounding bias) ( $b_S$ ) को मात्रात्मक रूप से मापना है।

अवलोकनात्मक कंट्रास्ट ( $\delta_S$ ): $X_S$ के आधार पर उपचारित और नियंत्रण इकाइयों के बीच देखे गए परिणामों का अंतर।
कारण कंट्रास्ट ( $\tau_S$ ): पूर्ण-समायोजन CATE का $X_S$ पर प्रोजेक्शन (अर्थात, $E[\tau(X) | X_S]$ )।
अवशिष्ट बायस (Residual Bias): $b_S(x_S) = \delta_S(x_S) - \tau_S(x_S)$ ।

यदि $S$ में सभी कन्फाउंडर्स शामिल हैं, तो $b_S = 0$ होगा। यदि $S$ अपर्याप्त है, तो $b_S \neq 0$ होगा (जब तक कि बायस पूरी तरह से रद्द न हो जाए)।

2. सहकारी खेल (The Cooperative Game)

लेखक एक सहकारी खेल को परिभाषित करते हैं जहाँ:

खिलाड़ी (Players): व्यक्तिगत कोवेरियेट्स।
गठबंधन (Coalitions): समायोजन सेट में शामिल कोवेरियेट्स के उपसमुच्चय।
वैल्यू फंक्शन ( $\nu$ ): इसे नकारात्मक अपेक्षित अवशिष्ट बायस के रूप में परिभाषित किया गया है, $\nu(S) = -E[b_S(X_S)]$ $ν (S) = - E [b_{S} (X_{S})]$ ।
- नकारात्मक चिह्न यह सुनिश्चित करता है कि एक सकारात्मक शेपली मान बायस को कम करने (अर्थात, कन्फाउंडर के रूप में इसके महत्व) में कोवेरियेट का योगदान दर्शाता है।
शेपली वैल्यूज़ (Shapley Values): शेपली वैल्यू $\phi_j$ को कुल बायस रिडक्शन (बिना समायोजन से पूर्ण समायोजन तक) को व्यक्तिगत योगदानों में विभाजित करती है।

3. TabPFN के माध्यम से स्केलेबल अनुमान

प्रत्येक गठबंधन (coalition) के लिए वैल्यू फंक्शन का मूल्यांकन करने के लिए प्रत्येक उपसमुच्चय $S$ के लिए मॉडल फिट करना आवश्यक है, जो गणना की दृष्टि से अत्यधिक कठिन ( $O(2^p)$ ) है। इसे हल करने के लिए, लेखक एक टैबुलर फाउंडेशन मॉडल TabPFN का उपयोग करके एक स्केलेबल अनुमान रणनीति प्रस्तावित करते हैं:

प्रीकंप्यूटेशन (Precomputation): सभी कोवेरियेट्स पर एक पूर्ण आउटकम मॉडल फिट करें ताकि छद्म-परिणाम (pseudo-outcomes/पूर्ण-समायोजन CATE अनुमान) उत्पन्न किए जा सकें।
इन-कॉन्टेक्स्ट लर्निंग (In-Context Learning): प्रत्येक क्वेरी किए गए गठबंधन $S$ के लिए, मॉडल पैरामीटर्स को पुन: प्रशिक्षित किए बिना, अवलोकनात्मक कंट्रास्ट और अनुमानित कारण कंट्रास्ट का अनुमान लगाने के लिए TabPFN का उपयोग करें। TabPFN संदर्भ में दिए गए प्रशिक्षण डेटा पर आधारित होता है, जो $S$ को इनपुट फीचर्स के रूप में मानता है।
शेपली सन्निकटन (Shapley Approximation): गठबंधन मूल्यांकन के बजट के आधार पर मूल्यों को अनुमानित करने के लिए कुशल शेपली एस्टिमेटर्स (जैसे, RegressionMSR) का उपयोग करें, जिससे पूर्ण गणना से बचा जा सके।

मुख्य योगदान

नवीन विधि: ConfoundingSHAP का परिचय, जो विशेष रूप से कोवेरियेट स्तर पर देखी गई कन्फाउंडिंग स्ट्रेंथ को मापने और उसे आवंटित करने के लिए डिज़ाइन की गई पहली शेपली-आधारित विधि है।
सैद्धांतिक अंतर: कन्फाउंडिंग स्ट्रेंथ और ट्रीटमेंट इफेक्ट हेटेरोजेनिटी के बीच एक औपचारिक अंतर का प्रदर्शन। शोध पत्र सिद्ध करता है कि मानक CATE स्पष्टीकरण कन्फाउंडर्स को पूरी तरह से मिस कर सकते हैं यदि उनका आउटकम पर प्रभाव दोनों उपचार भुजाओं (treatment arms) में सममित (symmetric) हो।
स्केलेबल एल्गोरिदम: TabPFN का उपयोग करके एक व्यावहारिक कार्यान्वयन जो सटीक बायस फंक्शनल मूल्यांकन के लिए आवश्यक थकाऊ पुन: प्रशिक्षण (refitting) से बचता है, जिससे मध्यम और उच्च-आयामी डेटासेट पर अनुप्रयोग संभव होता है।
अनुभवजन्य सत्यापन (Empirical Validation): सिंथेटिक डेटा में ग्राउंड-ट्रुथ कन्फाउंडर्स को रिकवर करने, रैंडमाइज्ड ट्रायल्स (RCTs) में कन्फाउंडिंग के गायब होने का पता लगाने और वास्तविक दुनिया के अवलोकनात्मक अध्ययनों में चिकित्सकीय रूप से प्रशंसनीय कन्फाउंडर्स की पहचान करने की क्षमता दिखाने वाले व्यापक प्रयोग।

प्रयोगात्मक परिणाम

लेखक तीन मुख्य सेटिंग्स में ConfoundingSHAP का मूल्यांकन करते हैं:

ज्ञात ग्राउंड ट्रुथ के साथ सिंथेटिक डेटा:
- लो-डायमेंशनल (4 कोवेरियेट्स) और मीडियम-डायमेंशनल (17 कोवेरियेट्स) सेटिंग्स में, ConfoundingSHAP सही ढंग से वास्तविक कन्फाउंडर्स को उच्च शेपली मान और इंस्ट्रूमेंट्स, इफेक्ट मॉडिफायर और केवल आउटकम-ओनली प्रेडिक्टर्स को शून्य के करीब मान प्रदान करता है।
- इसके विपरीत, CATE एस्टिमेटर पर लागू मानक SHAP उन विशिष्ट परिदृश्यों में कन्फाउंडर की पहचान करने में विफल रहा जहाँ कन्फाउंडर का प्रभाव उपचार प्रभाव की गणना में रद्द हो गया था।
- विधि ने कई रैंडम सीड्स के माध्यम से उच्च रैंक स्थिरता प्रदर्शित की।
रैंडमाइज्ड कंट्रोल्ड ट्रायल (ACTG डेटासेट):
- जब इसे एक वास्तविक दुनिया के RCT डेटासेट (ACTG 175) पर लागू किया गया जहाँ उपचार यादृच्छिक रूप से निर्धारित किया गया था, तो ConfoundingSHAP ने सही ढंग से पहचाना कि कन्फाउंडिंग स्ट्रेंथ गायब हो गई थी (शून्य के करीब मान), जबकि एक सेमी-सिंथेटिक वेरिएंट में कन्फाउंडिंग पेश करने के लिए उपचार निर्धारण को कृत्रिम रूप से संशोधित किया गया था, तो विधि ने पेश किए गए कन्फाउंडर्स को सफलतापूर्वक रिकवर किया।
वास्तविक दुनिया का अवलोकनात्मक अध्ययन (SUPPORT/RHC):
- SUPPORT राइट-हार्ट कैथेटर अध्ययन पर लागू होने पर, विधि ने पहचाना कि 'एक्यूट फिजियोलॉजी स्कोर' (APS1) जैसे चरों में उच्च कन्फाउंडिंग स्ट्रेंथ है, जो इस नैदानिक ज्ञान के अनुरूप है कि बीमारी की गंभीरता उपचार के निर्णयों और मृत्यु दर दोनों को संचालित करती है।
- अप्रासंगिक चरों (जैसे, पेशेंट आईडी) को सही ढंग से शून्य के करीब कन्फाउंडिंग स्ट्रेंथ दिया गया।

महत्व और दावे

शोध पत्र का दावा है कि ConfoundingSHAP कारण मशीन लर्निंग व्याख्यात्मकता (explainability) में एक महत्वपूर्ण अंतर को भरता है। "क्या उपचार प्रभाव विषमता को संचालित करता है" से हटकर "क्या कन्फाउंडिंग बायस को संचालित करता है" पर ध्यान केंद्रित करके, यह विधि निम्नलिखित के लिए कार्रवाई योग्य अंतर्दृष्टि प्रदान करती है:

चर चयन (Variable Selection): शोधकर्ताओं को अवलोकनात्मक अध्ययनों में न्यूनतम पर्याप्त समायोजन सेट चुनने में मदद करना।
अध्ययन डिजाइन: उन कोवेरियेट्स को उजागर करके भविष्योन्मुखी अवलोकनात्मक अध्ययन (जैसे, एम्युलेटेड टारगेट ट्रायल्स) के डिजाइन को सूचित करना जो तुलनीयता के लिए महत्वपूर्ण हैं।
पारदर्शिता: यह समझने के लिए एक नैदानिक उपकरण प्रदान करना कि कौन से मापे गए कोवेरियेट्स उपचार समूहों के बीच अतुलनीयता (incomparability) पैदा करते हैं।

लेखक इस बात पर जोर देते हैं कि ConfoundingSHAP 'कारण निष्पक्षता' (unbiasedness) को प्रमाणित नहीं करता है (जो अनमैसर्ड कन्फाउंडिंग पर निर्भर करता है), बल्कि यह देखे गए कोवेरियेट्स के प्रतिबंधित समायोजन से उत्पन्न होने वाले बायस को मात्रात्मक रूप से मापता है। यह डोमेन ज्ञान, कॉज़ल डायग्राम और संवेदनशीलता विश्लेषण (sensitivity analysis) के पूरक उपकरण के रूप में कार्य करता है।