🤖 AI

Causal Algorithmic Recourse: Foundations and Methods

यह शोध पत्र एल्गोरिद्मिक रिसोर्स (algorithmic recourse) के लिए एक कारण संबंधी ढांचे (causal framework) को प्रस्तुत करता है जो आंशिक स्थिरता के साथ पूर्व- और पश्चात-हस्तक्षेप परिणामों पर एक प्रक्रिया के रूप में रिसोर्स को मॉडल करता है, जो अवलोकन संबंधी या युग्मित रिसोर्स डेटा से रिसोर्स प्रभावों का अनुमान लगाने के लिए कोपुला-आधारित (copula-based) और वितरण-मुक्त (distribution-free) दोनों विधियों की पेशकश करता है।

मूल लेखक: Drago Plecko, Collin Wang, Elias Bareinboim

प्रकाशित 2026-05-13

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Drago Plecko, Collin Wang, Elias Bareinboim

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 ऋण (loan), नौकरी या विश्वविद्यालय में प्रवेश के लिए आवेदन कर रहे हैं। आपको "ना" मिलती है। आप सिस्टम से पूछते हैं, "अगली बार 'हाँ' पाने के लिए मैं क्या कर सकता हूँ?" इसे एल्गोरिदमिक रिकोर्स (Algorithmic Recourse) कहा जाता है।

अधिकांश वर्तमान AI सिस्टम आपको एक सरल उत्तर देते हैं: "यदि आप अधिक पैसे बचाएंगे, तो आपको मंजूरी मिल जाएगी।" वे इसे एक बार की गणितीय समस्या की तरह मानते हैं, यह मानकर कि यदि आप आज अपनी बचत बदलते हैं, तो आपका भविष्य का स्वरूप बिल्कुल वही व्यक्ति होगा, बस उसके पास अधिक पैसा होगा।

समस्या: आप एक स्थिर रोबोट नहीं हैं
इस शोध पत्र के लेखक तर्क देते हैं कि वास्तविक जीवन ऐसा नहीं है। लोग बदलते हैं। यदि आप अगले महीने ऋण लेने की कोशिश करते हैं, तो आपके तनाव का स्तर, आपकी नींद और आपकी ऊर्जा आज की तुलना में अलग हो सकती है। भले ही आप बिल्कुल वही काम करें (पैसे बचाना), परिणाम अलग हो सकता है क्योंकि आप थोड़े अलग हैं।

इसे एक परीक्षा देने के उदाहरण से समझें।

पुराना तरीका: सिस्टम कहता है, "यदि आप 2 घंटे पढ़ाई करेंगे, तो आप पास हो जाएंगे।" यह मान लेता है कि आपका मस्तिष्क अगले सप्ताह भी ठीक उसी तरह काम करेगा जैसे वह अभी करता है।
नया तरीका (यह शोध पत्र): सिस्टम महसूस करता है, "यदि आप अगले सप्ताह 2 घंटे पढ़ाई करते हैं, तो आप पास हो सकते हैं, लेकिन आप थके हुए या तनावग्रस्त भी हो सकते हैं। हमें उस अनिश्चितता को ध्यान में रखने की आवश्यकता है।"

मुख्य विचार: आपका "स्थिर" बनाम "चंचल" हिस्सा

लेखक इस अवधारणा का उपयोग करके इसे मॉडल करने का एक नया तरीका प्रस्तावित करते हैं जिसे वे पोस्ट-रिकोर्स स्टेबिलिटी (Post-Recourse Stability) कहते हैं। वे आपके व्यक्तिगत गुणों को दो बाल्टियों में विभाजित करते हैं:

स्थिर बाल्टी (आपका मूल): ये वे चीजें हैं जो आसानी से नहीं बदलतीं, जैसे आपकी स्वाभाविक बुद्धिमत्ता, आपके जीन, या आपका मौलिक कार्य नैतिकता। आइए इसे आपका "कोर सेल्फ" (Core Self) कहें।
चंचल बाल्टी (आपकी परिस्थितियाँ): ये वे चीजें हैं जो हर समय बदलती रहती हैं, जैसे कल रात आपकी नींद कितनी थी, आप कितने तनाव में हैं, या मौसम कैसा है। आइए इसे आपका "डेली मूड" (Daily Mood) कहें।

यह शोध पत्र तर्क देता है कि जब आप अपने किसी बुरे निर्णय को सुधारने की कोशिश करते हैं, तो आपका "कोर सेल्फ" वही रहता है, लेकिन आपका "डेली मूड" री-सैंपल (resampled) (पासे की तरह फिर से रोल) किया जाता है।

तीन उपकरण (एल्गोरिदम) जो उन्होंने बनाए

1. "अंतर्ज्ञान" वाला टूल (एल्गोरिदम 1)

परिदृश्य: आपके पास केवल लोगों का डेटा है जो अपनी समस्या को ठीक करने की कोशिश करने से पहले का है (अवलोकन संबंधी डेटा/Observational Data)। आप यह नहीं जानते कि जब उन्होंने फिर से प्रयास किया तो क्या हुआ।
रूपक: कल्पना कीजिए कि आप एक मौसम विज्ञानी हैं जिसके पास केवल पिछले वर्ष का डेटा है। आप भविष्यवाणी करना चाहते हैं कि यदि आप छाता खोलते हैं तो क्या कल बारिश होगी। आप यह नहीं जानते कि "छाता खोलने" और "बारिश" के बीच सटीक संबंध क्या है, लेकिन आप जानते हैं कि वे संबंधित हैं।
यह कैसे काम करता है: लेखक एक सांख्यिकीय उपकरण का उपयोग करते हैं जिसे कॉपुला (Copula) कहा जाता है (इसे एक "गोंद" के रूप में सोचें जो दो वितरणों को आपस में जोड़ता है)। वे यह मान लेते हैं कि आज आपके "कोर सेल्फ" और कल के आपके "कोर सेल्फ" के बीच एक निश्चित स्तर का संबंध है। वे एक संवेदनशीलता विश्लेषण (sensitivity analysis) चलाते हैं: "यदि संबंध मजबूत है, तो यहाँ संभावनाएँ हैं। यदि संबंध कमजोर है, तो यहाँ संभावनाएँ हैं।" यह एक एकल अनुमान के बजाय संभावनाओं की एक सीमा प्रदान करता है।

2. "प्रमाण प्रत्यक्ष है" वाला टूल (एल्गोरिदम 2)

परिदृश्य: आपके पास उन लोगों का डेटा है जिन्होंने वास्तव में अपनी समस्या को ठीक करने का प्रयास किया और उसके बाद क्या हुआ (रिकोर्स डेटा/Recourse Data)।
रूपक: अब आपके पास उन लोगों का रिकॉर्ड है जिन्होंने पढ़ाई की और फिर से परीक्षा दी। आप देख सकते हैं कि उनके स्कोर में वास्तव में कितना बदलाव आया।
यह कैसे काम करता है:

कैलिब्रेशन (Calibration): सिस्टम "पहले" और "बाद" के स्कोर को देखता है ताकि यह पता लगाया जा सके कि आपका "डेली मूड" वास्तव में कितना बदलता है। यह आपके पिछले स्वरूप और भविष्य के स्वरूप के बीच संबंध की ताकत की गणना करता है।
तनाव परीक्षण (Stress Test): यह यह देखने के लिए एक परीक्षण चलाता है कि क्या "गोंद" (कॉपुला मॉडल) वास्तव में डेटा पर फिट बैठता है। यदि डेटा अजीब दिखता है और मॉडल में फिट नहीं होता है, तो सिस्टम कहता है, "हे, हमारा अनुमान गलत था। इस विशिष्ट फॉर्मूले पर भरोसा न करें।"

3. "कोई धारणा नहीं" वाला टूल (एल्गोरिदम 3)

परिदृश्य: आपके पास उन लोगों का डेटा है जिन्होंने फिर से प्रयास किया, लेकिन "गोंद" मॉडल (कॉपुला) पूरी तरह से टूट गया है। आपके अतीत और भविष्य के बीच का संबंध इतने जटिल तरीके से जुड़ा है कि उसे मानक गणित से मॉडल नहीं किया जा सकता।
रूपक: कल्पना कीजिए कि मौसम इतना अराजक है कि "छाता खोलने" का "बारिश" से कोई पूर्वानुमानित संबंध ही नहीं है। मानक सूत्र विफल हो जाते हैं।
यह कैसे काम करता है: अनुमान लगाने के बजाय, सिस्टम एक चतुर दो-चरणीय लर्निंग ट्रिक का उपयोग करता है। यह आपके आधार (baseline) को समझने के लिए "पहले" के डेटा को देखता है, और फिर नए नियमों को सीधे सीखने के लिए "बाद" के डेटा का उपयोग करता है। यह अनिवार्य रूप से कहता है, "हम भविष्य की सटीक भविष्यवाणी नहीं कर सकते, लेकिन आपके पिछले प्रदर्शन के अवशेषों (residuals) को देखकर, हम एक बेहतर अनुमान लगा सकते हैं बजाय इसके कि हम आपके इतिहास को पूरी तरह से अनदेखा कर दें।"

यह क्यों महत्वपूर्ण है

यह शोध पत्र दावा करता है कि यह स्वीकार करके कि लोग बदलते हैं ("चंचल बाल्टी"), हम बहुत अधिक ईमानदार और सटीक सलाह दे सकते हैं।

पुराना परामर्श: "X करें, और आपको निश्चित रूप से 'हाँ' मिलेगी।" (अक्सर गलत होता है क्योंकि यह जीवन की अराजकता को अनदेखा करता है)।
नया परामर्श: "यदि आप X करते हैं, तो 70% संभावना है कि आपको 'हाँ' मिलेगी, यह मानते हुए कि आपका तनाव का स्तर औसत बना रहता है। यदि आप बहुत अधिक तनाव में हैं, तो संभावना घटकर 40% रह जाती है।"

लेखकों ने इन विचारों का परीक्षण वास्तविक क्रेडिट डेटा (HELOC) और नकली डेटा पर किया जिसे उन्होंने वास्तविक जीवन की नकल करने के लिए बनाया था। उन्होंने दिखाया कि उनके तरीके एक स्थिर स्थिति और एक अराजक स्थिति के बीच अंतर बता सकते हैं, और वे केवल स्थिर डेटा के आधार पर अनुमान लगाने के बजाय, वास्तव में अपने परिणामों को बदलने की कोशिश करने वाले लोगों से सीख सकते हैं।

संक्षेप में: यह शोध पत्र इस बात के बीच एक सेतु बनाता है कि "कल आपके साथ क्या हुआ था" और "कल आपके साथ क्या हो सकता है", यह स्वीकार करते हुए कि जबकि आपका मूल स्वरूप (core self) समान रहता है, आपके आसपास की दुनिया हमेशा बदलती रहती है।

तकनीकी सारांश: कॉज़ल एल्गोरिद्मिक रिकोर्स: फाउंडेशन और मेथड्स

समस्या की परिभाषा और प्रेरणा

यह शोध पत्र एल्गोरिद्मिक रिकोर्स (algorithmic recourse) की चुनौती को संबोधित करता है, जिसमें स्वचालित प्रणालियों (जैसे ऋण अस्वीकृति, चिकित्सा उपचार अस्वीकृति) द्वारा लिए गए नकारात्मक निर्णयों को उलटने के लिए व्यक्तियों को कार्रवाई योग्य सिफारिशें प्रदान करना शामिल है। मौजूदा साहित्य काउंटरफैक्चुअल स्पष्टीकरण (counterfactual explanations) तो प्रदान करता है, लेकिन लेखक तर्क देते हैं कि मानक दृष्टिकोण वास्तविक दुनिया के रिकोर्स की अंतर्निहित अनिश्चितता को पकड़ने में विफल रहते हैं।

विशेष रूप से, पारंपरिक तरीके रिकोर्स परिणामों को एक निश्चित इकाई के सटीक काउंटरफैक्टुअल के रूप में मानते हैं, यह मानकर कि हस्तक्षेप (intervention) से पहले और बाद में लेटेंट वेरिएबल्स (जैसे क्षमता, तनाव, नींद) समान रहते हैं। लेखक तर्क देते हैं कि वास्तव में, रिकोर्स एक ही व्यक्ति पर संभावित रूप से भिन्न लेटेंट स्थितियों के तहत बार-बार लिए गए निर्णयों से संबंधित है। उदाहरण के लिए, ऑफिस आवर्स में भाग लेने के बाद परीक्षा फिर से देने वाला छात्र समान अंतर्निहित क्षमता रख सकता है लेकिन तनाव या नींद के स्तर अलग हो सकते हैं। यह एक संरचनात्मक अनिश्चितता पेश करता है जहाँ प्री- और पोस्ट-इंटरवेंशन लेटेंट वेरिएबल्स ( $u_T$ और $u^*_T$ ) संबंधित तो हैं लेकिन समान नहीं हैं।

इसके अलावा, पेपर यह रेखांकित करता है कि मानक कॉज़ल रिकोर्स फॉर्मूलेशन अक्सर इंडिपेंडेंटली मैनिपुलेबल फीचर्स (IMF) धारणा पर निर्भर करते हैं, जो कोवेरियेट्स के बीच कॉज़ल डिपेंडेंसी को अनदेखा करते हैं। लेखक उदाहरणों के माध्यम से प्रदर्शित करते हैं कि इन डिपेंडेंसीज (जैसे आय का व्यय को प्रभावित करना) को अनदेखा करने से उप-इष्टतम या अव्यवहार्य सिफारिशें मिल सकती हैं। अंत में, वे नोट करते हैं कि रिकोर्स प्रभावों का अनुमान लगाने के लिए आमतौर पर जॉइंट काउंटरफैक्चुअल डिस्ट्रीब्यूशन के बारे में तर्क देने की आवश्यकता होती है, जो केवल ऑब्जर्वेशनल डेटा से बिना मजबूत धारणाओं के सामान्यतः नॉन-आइडेंटिफिएबल होता है।

कार्यप्रणाली और ढांचा (Methodology and Framework)

लेखक एक स्ट्रक्चरल कॉज़ल मॉडल (SCM) पर आधारित कॉज़ल फ्रेमवर्क प्रस्तावित करते हैं जो रिकोर्स प्रक्रिया के दौरान लेटेंट वेरिएबल्स के री-सैंपलिंग को स्पष्ट रूप से मॉडल करता है।

1. रिकोर्स SCM और पोस्ट-रिकोर्स स्टेबिलिटी (PRS)

इस कार्यप्रणाली का मुख्य आधार रिकोर्स SCM है, जिसे टुपल $\langle F, P(u), R=r, P(u^*|u) \rangle$ के रूप में परिभाषित किया गया है, जहाँ $P(u^*|u)$ एक रिकोर्स एक्शन $do(R=r)$ के बाद लेटेंट वेरिएबल्स के वितरण का प्रतिनिधित्व करता है।

लेटेंट डिकम्पोजिशन (Latent Decomposition): इकाइयों को फिक्स्ड ( $u^{(f)}$ ) और वेरिएबल ( $u^{(v)}$ ) घटकों में विभाजित किया गया है। फिक्स्ड घटक (जैसे अंतर्निहित क्षमता) अपरिवर्तित रहता है, जबकि वेरिएबल घटक (जैसे तनाव) को री-सेंपल किया जा सकता है।
पोस्ट-रिकोर्स स्टेबिलिटी (PRS): लेखक PRS को एक ऐसी स्थिति के रूप में परिभाषित करते हैं जहाँ रिकोर्स एक्शन के नॉन-डिसेंडेंट्स के लिए लेटेंट वेरिएबल्स का वितरण अपरिवर्तित रहता है, और डिसेंडेंट्स के लिए, फिक्स्ड हिस्सा अपरिवर्तित रहता है जबकि वेरिएबल हिस्सा फिक्स्ड हिस्से के दिए गए वितरण से ही री-सेंपल किया जाता है।
निहितार्थ (Implication): PRS के तहत, अपने पेरेंट्स के दिए गए पोस्ट-रिकोर्स वेरिएबल्स का मार्जिनल डिस्ट्रीब्यूशन, ऑब्जर्वेशनल डिस्ट्रीब्यूशन के समान होता है (मार्जिन स्टेबिलिटी)। यह केवल ऑब्जवेशनल डेटा से अनुमान लगाने की अनुमति देता है।

2. इन्फरेंस रणनीतियाँ (Inference Strategies)

पेपर डेटा की उपलब्धता और PRS की वैधता के आधार पर तीन अलग-अलग एल्गोरिदम विकसित करता है:

एल्गोरिदम 1 (ऑब्जर्वेशनल डेटा + PRS):
- यह मानता है कि PRS लागू है और केवल ऑब्जर्वेशनल डेटा उपलब्ध है।
- प्री-रिकोर्स क्वांटाइल्स ( $q_i$ ) और पोस्ट-रिकोर्स क्वांटाइल्स ( $q^*_i$ ) के बीच कपलिंग को मॉडल करने के लिए फ्रैंक के कोपिला (Frank's copula) का उपयोग करता है।
- चूंकि कोपिला पैरामीटर $\tau$ (केंडल का $\tau$ ) अकेले ऑब्जर्वेशनल डेटा से आइडेंटिफाई नहीं किया जा सकता, इसलिए एल्गोरिदम संभावित रिकोर्स परिणामों की एक रेंज उत्पन्न करने के लिए $\tau$ को बदलकर एक सेंसिटिविटी एनालिसिस करता है।
एल्गोरिदम 2 (ऑब्जर्वेशनल + रिकोर्स डेटा + PRS):
- यह मानता है कि PRS लागू है और पेअर्ड डेटा (एक ही व्यक्तियों के लिए प्री- और पोस्ट-रिकोर्स) उपलब्ध है।
- कोपिला पैरामीटर $\tau$ को मैक्सिमम लाइकलीहुड एस्टीमेशन के माध्यम से इन्फर करने के लिए पेअर्ड डेटा का उपयोग करता है।
- इसमें यह सत्यापित करने के लिए एक गुडनेस-ऑफ-फिट टेस्ट (बूटस्ट्रैप प्रक्रिया और क्रेमर-वॉन मिसेस स्टैटिस्टिक का उपयोग करके) शामिल है कि क्या फ्रैंक का कोपिला एक उपयुक्त मॉडल है। यह रिकोर्स डेटा में निहित सिलेक्शन बायस को संबोधित करता है (जो केवल उन व्यक्तियों के लिए उपलब्ध है जो शुरू में विफल रहे थे)।
एल्गोरिदम 3 (ऑब्जर्वेशनल + रिकोर्स डेटा + No PRS):
- उस स्थिति को संबोधित करता है जहाँ PRS लागू नहीं होता है (मार्जिन स्टेबिलिटी का उल्लंघन होता है)।
- एक विशिष्ट कोपिला पर निर्भर रहने के बजाय, यह संयुक्त ऑब्जर्वेशनल और रिकोर्स डेटा से सीधे एक नॉन-पैरामीट्रिक क्वांटाइल फंक्शन $Q(v^*_i | v_i, pa_i, pa^*_i)$ सीखता है।
- यह दृष्टिकोण प्री-रिकोर्स रेसिड्यूल्स और पोस्ट-रिकोर्स नॉइज़ के बीच सहसंबंध का लाभ उठाता है ताकि प्रेडिक्शन सटीकता में सुधार किया जा सके, जो सैद्धांतिक रूप से केवल रिकोर्स पेरेंट्स पर मानक रिग्रेशन की तुलना में अपेक्षित मीन स्क्वेर्ड प्रेडिक्शन एरर (EMSPE) को कम करता है।

मुख्य योगदान

रिकोर्स का कॉज़ल फॉर्मूलेशन: पेपर रिकोर्स का एक ऐसा फॉर्मूलेशन पेश करता है जो लेटेंट वेरिएबल्स के री-सेंपलिंग को ध्यान में रखता है, जो फिक्स्ड यूनिट्स की धारणा से आगे बढ़ता है। यह पोस्ट-रिकोर्स स्टेबिलिटी (PRS) को एक महत्वपूर्ण स्थिति के रूप में परिभाषित करता है।
सैद्धांतिक गारंटी:
- थ्योरम 1: सिद्ध करता है कि PRS, मार्जिन स्टेबिलिटी को दर्शाता है, जिससे ऑब्जर्वेशनल डेटा से रिकोर्स प्रभावों की पहचान संभव होती है।
- थ्योरम 2: लीनियर गौसियन सेटिंग्स में "अगमेंटेड" रिग्रेशन दृष्टिकोण के लिए सैद्धांतिक गारंटी प्रदान करता है, यह दिखाते हुए कि यह मानक दृष्टिकोणों की तुलना में प्रेडिक्शन रिस्क को कम करता है जब प्री- और पोस्ट-रिकोर्स नॉइज़ टर्म्स सहसंबंधित होते हैं।
एल्गोरिद्मिक सुइट:
- ऑब्जर्वेशनल डेटा का उपयोग करके सेंसिटिविटी एनालिसिस के लिए एल्ग. 1 का विकास।
- कोपिला पैरामीटर्स को सीखने और रिकोर्स डेटा का उपयोग करके मॉडल फिट का परीक्षण करने के लिए एल्ग. 2 का विकास।
- जब स्टेबिलिटी धारणाएं विफल हो जाती हैं, तो डिस्ट्रीब्यूशन-फ्री इन्फरेंस के लिए एल्ग. 3 का विकास।
रिकोर्स डेटा अवधारणा: लेखक औपचारिक रूप से रिकोर्स डेटा (एक ही व्यक्ति के लिए पेअर्ड प्री- और पोस्ट-इंटरवेंशन सैंपल) और उससे जुड़े लर्निंग प्रॉब्लम को परिभाषित करते हैं, जो इसे मानक ऑब्जर्वेशनल या एक्सपेरिमेंटल डेटा संयोजनों से अलग करता है।

प्रायोगिक परिणाम

लेखक अपने तरीकों को HELOC (होम इक्विटी लाइन ऑफ क्रेडिट) डेटासेट और एक सेमी-सिंथेटिक वेरिएंट का उपयोग करके मान्य करते हैं:

सेंसिटिविटी एनालिसिस (एल्ग. 1): वास्तविक HELOC डेटा पर लागू किए जाने पर, एल्गोरिदम ने दिखाया कि कैसे कोपिला पैरामीटर $\tau$ में बदलाव रिकोर्स परिणामों के प्रेडिक्टेड स्प्रेड को प्रभावित करता है, जो रिकोर्स डेटा की अनुपस्थिति में अंतर्निहित अनिश्चितता को दर्शाता है।
गुडनेस-ऑफ-फिट (एल्ग. 2): सेमी-सिंथेटिक डेटा का उपयोग करते हुए, लेखकों ने दिखाया कि प्रस्तावित बूटस्ट्रैप टेस्ट सही ढंग से पहचानता है कि कब फ्रैंक का कोपिला वैध है (यूनिफॉर्म p-वैल्यू डिस्ट्रीब्यूशन) और कब इसका उल्लंघन होता है (0 की ओर झुकी हुई p-वैल्यू)।
कोपिला-फ्री लर्निंग (एल्ग. 3): उन परिदृश्यों में जहाँ PRS का उल्लंघन हुआ था (SeS-HELOC B), एल्ग. 3 ने दोनों मानक रिग्रेशन दृष्टिकोण और कोपिला-आधारित दृष्टिकोण को पीछे छोड़ दिया। कोलमोगोरोव-स्मिरनोव स्टैटिस्टिक्स ने दिखाया कि एल्ग. 3 के प्रेडिक्शन वास्तविक अंडरलाइंग डिस्ट्रीब्यूशन के अधिक करीब थे, जो अनुभवजन्य रूप से यह सत्यापित करता है कि मार्जिन स्टेबिलिटी न होने पर भी प्री-रिकोर्स जानकारी का लाभ उठाने का सैद्धांतिक लाभ मिलता है।

महत्व और दावे

पेपर दावा करता है कि यह एल्गोरिद्मिक रिकोर्स के संदर्भ में एक ही व्यक्ति से संबंधित ऑब्जर्वेशनल और एक्सपेरिमेंटल डेटा को संयोजित करने वाली इनफरेंस समस्या को औपचारिक रूप देने वाला पहला पेपर है। फिक्स्ड काउंटरफैक्चुअल यूनिट्स की धारणा से हटकर, यह फ्रेमवर्क इस बात का अधिक यथार्थवादी मॉडल प्रदान करता है कि व्यक्ति समय के साथ हस्तक्षेपों के प्रति कैसे प्रतिक्रिया देते हैं।

लेखक जोर देते हैं कि उनका कार्य सैद्धांतिक कॉज़ल इन्फरेंस और व्यावहारिक रिकोर्स अनुप्रयोगों के बीच के अंतर को पाटता है। वे तर्क देते हैं कि जबकि मानक कॉज़ल रिकोर्स विधियों को अक्सर पूर्ण स्ट्रक्चरल ज्ञान या कठोर धारणाओं (जैसे IMF) की आवश्यकता होती है, उनका फ्रेमवर्क एक लचीला पदानुक्रम (hierarchy) प्रदान करता है:

जब केवल ऑब्जर्वेशनल डेटा उपलब्ध हो तो सेंसिटिविटी एनालिसिस।
जब रिकोर्स डेटा उपलब्ध हो तो पैरामीटर इन्फरेंस और मॉडल टेस्टिंग।
जब स्टेबिलिटी धारणाएं विफल हो जाती हैं, तो डिस्ट्रीब्यूशन-फ्री लर्निंग।

महत्वता इस बात में निहित है कि यह रिकोर्स परिणामों की परिवर्तनशीलता को समझने के लिए एक कठोर, कॉज़ल फाउंडेशन प्रदान करता है और व्यावहारिक एल्गोरिदम पेश करता है जो किसी दिए गए अनुप्रयोग की डेटा उपलब्धता और स्थिरता स्थितियों के अनुकूल होते हैं।