← नवीनतम पेपर
📊 statistics

Towards a holistic understanding of Selection Bias for Causal Effect Identification

यह शोध पत्र संभाव्यता वर्गों (probability classes) पर कमजोर धारणाओं का लाभ उठाकर प्रोपेंसिटी और चयन संभावनाओं को अभिलक्षणित करते हुए, चयन पूर्वाग्रह (selection bias) के तहत औसत उपचार प्रभाव (Average Treatment Effect - ATE) की पहचान करने के लिए आवश्यक और पर्याप्त स्थितियाँ स्थापित करता है, जिससे मौजूदा ग्राफिकल मानदंडों को कारण प्रभाव की पहचान की अधिक व्यापक समझ के लिए कड़ाई से कमजोर स्थितियों के साथ विस्तारित किया गया है।

मूल लेखक: Yiwen Qiu, Filip Kovacevic, Shimeng Huang, Peter Spirtes, Francesco Locatello

प्रकाशित 2026-05-14
📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें
CC BY 4.0

मूल लेखक: Yiwen Qiu, Filip Kovacevic, Shimeng Huang, Peter Spirtes, Francesco Locatello

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 यह पता लगाने की कोशिश कर रहे हैं कि क्या एक नए प्रकार का उर्वरक (fertilizer) पौधों को लंबा बनाता है। आप एक बगीचे में जाते हैं, बहुत सारे पौधे चुनते हैं, उन्हें मापते हैं, और उनकी औसत वृद्धि की गणना करते हैं।

लेकिन यहाँ एक पेंच है: आपने पौधों को यादृच्छिक रूप से (randomly) नहीं चुना। आपने केवल उन्हीं पौधों को चुना जो पहले से ही बगीचे के सबसे धूप वाले और उपजाऊ हिस्से में बढ़ रहे थे क्योंकि माली ने आपको वहीं चलने दिया। बगीचे के छायादार, पथरीले हिस्से के पौधे आपके डेटा से गायब हैं।

यदि आप केवल धूप वाले पौधों के आधार पर औसत वृद्धि की गणना करते हैं, तो आपको लग सकता है कि उर्वरक चमत्कार कर रहा है। लेकिन यदि आप पूरे बगीचे को देख पाते, तो आपको एहसास होता कि उर्वरक का प्रभाव वास्तव में बहुत कम है। धूप वाले स्थान के पौधे पहले से ही अच्छे प्रदर्शन कर रहे थे; छाया वाले पौधों को मदद की सबसे अधिक आवश्यकता थी, लेकिन आपने उन्हें कभी देखा ही नहीं।

यह चयन पूर्वाग्रह (Selection Bias) है। यह तब होता है जब आपके द्वारा एकत्र किया गया डेटा उस पूरे समूह का निष्पक्ष प्रतिनिधित्व नहीं करता जिसका आप अध्ययन करना चाहते हैं।

समस्या: "स्वस्थ स्वयंसेवक" का जाल

लेख एक वास्तविक दुनिया के उदाहरण के साथ शुरू होता है: बायोबैंक (Biobanks)। ये स्वास्थ्य संबंधी जानकारी के विशाल डेटाबेस हैं जिनका उपयोग बीमारियों के अध्ययन के लिए किया जाता है। लेकिन अक्सर, इन अध्ययनों में शामिल होने के लिए जो लोग साइन अप करते हैं, वे "स्वस्थ स्वयंसेवक" होते हैं। वे आम तौर पर औसत व्यक्ति की तुलना में अधिक धनी, अधिक शिक्षित और सामान्य रूप से अधिक स्वस्थ होते हैं।

यदि शोधकर्ता यह पता लगाने के लिए इस डेटा का उपयोग करते हैं कि एक नई दवा पूरी आबादी पर कैसे प्रभाव डालती है, तो वे गलत हो सकते हैं। वह दवा स्वस्थ, धनी स्वयंसेवकों पर अद्भुत लग सकती है, लेकिन उन लोगों पर बुरी तरह विफल हो सकती है जो अधिक बीमार या गरीब हैं (जो अध्ययन में शामिल नहीं थे)।

पुराना तरीका बनाम नया तरीका

लंबे समय तक, वैज्ञानिकों ने एक मानचित्र (जिसे ग्राफ या DAG कहा जाता है) को देखकर इसे ठीक करने की कोशिश की कि चर (variables) आपस में कैसे जुड़े हुए हैं। वे कहते थे, "आह, मैं देख सकता हूँ कि चयन यहाँ हो रहा है, जो उस चर से जुड़ा है। यदि मैं उस मार्ग को रोक दूँ, तो मैं गणित को ठीक कर सकता हूँ।"

लेख की आलोचना: यह एक लीक होती नाव को केवल उस छेद को देखकर ठीक करने जैसा है जिसे आप देख पा रहे हैं। वास्तविक दुनिया में, आप अक्सर यह नहीं जानते कि चयन पूर्वाग्रह वास्तव में कहाँ हो रहा है, या मानचित्र इतना जटिल है कि उसे पूरी तरह से बनाया नहीं जा सकता।

लेख का नया दृष्टिकोण: मानचित्र को देखने के बजाय, वे डेटा के आकार (shape) को देखते हैं।

वे नियमों का एक नया सेट (गणितीय स्थितियाँ) प्रस्तावित करते हैं जो कहते हैं: "भले ही हमें ठीक-ठीक यह न पता हो कि डेटा कैसे चुना गया था, यदि डेटा कुछ विशिष्ट, अनुमानित पैटर्न (जैसे बेल कर्व या एक विशिष्ट प्रकार का प्रसार) का पालन करता है, तो हम गणितीय रूप से उस डेटा को 'खींच' (stretch) सकते हैं जो हमारे पास है ताकि हम अनुमान लगा सकें कि गायब डेटा कैसा दिखता होगा।"

जादू का खेल: एक्सट्रपलेशन (Extrapolation)

इसे इस तरह सोचें: कल्पना कीजिए कि आपके पास एक पहेली (puzzle) है, लेकिन किसी ने उसके कोने का एक बड़ा हिस्सा काट दिया है।

  • पुराना तरीका: "मैं इसे हल नहीं कर सकता क्योंकि मुझे नहीं पता कि गायब कोने में क्या है।"
  • इस लेख का तरीका: "यदि मुझे पता है कि पहेली के टुकड़े एक विशिष्ट प्रकार के चिकने प्लास्टिक से बने हैं जो एक निश्चित वक्र (curve) का पालन करते हैं, तो मैं गायब टुकड़े के किनारे का उपयोग करके गणितीय रूप से भविष्यवाणी कर सकता हूँ कि बाकी का कोना कैसा होना चाहिए, भले ही मैंने उसे देखा न हो।"

लेखक इसे एक्सट्रपलेशन (Extrapolation) कहते हैं। वे "ट्रंकेटेड सांख्यिकी" (विशेष रूप से "truncated statistics") का उपयोग करते हैं ताकि कटे हुए या सीमित डेटा को लेकर पूर्ण चित्र का पुनर्निर्माण किया जा सके।

उन्होंने क्या पाया

लेख दो मुख्य बातें सिद्ध करता है:

  1. यह कब काम करता है: उन्होंने डेटा वितरण (distributions) के विशिष्ट प्रकारों की पहचान की (जैसे Gaussian, Laplace, या Pareto वितरण—मूल रूप से सामान्य आकार जिन्हें डेटा अक्सर अपनाता है) जहाँ यह "खींचने" वाला जादू गणितीय रूप से काम करने की गारंटी देता है। यदि आपका डेटा इन आकारों में फिट बैठता है, तो आप वास्तविक औसत प्रभाव को पुनः प्राप्त कर सकते हैं, भले ही आपका डेटा अत्यधिक पूर्वाग्रही हो।
  2. यह कब विफल होता है: उन्होंने यह भी सिद्ध किया कि यदि डेटा बहुत अधिक अराजक है या इन चिकने पैटर्न का पालन नहीं करता है, तो आप सत्य को पुनः प्राप्त नहीं कर सकते। कोई भी गणित इसे ठीक नहीं कर सकता।

क्रिया में समाधान

लेख केवल सिद्धांत की बात नहीं करता; उन्होंने इसे करने के लिए एक उपकरण (एक एल्गोरिदम) बनाया है।

  1. चरण 1: आपके पास मौजूद डेटा को देखें।
  2. चरण 2: डेटा का "आकार" पहचानें (क्या यह बेल कर्व है? क्या यह विषम/skewed है?)।
  3. चरण 3: खाली स्थानों को भरने के लिए एक गणितीय मॉडल का उपयोग करें।
  4. चरण 4: वास्तविक औसत प्रभाव की गणना करें।

उन्होंने इसे नकली डेटा और वास्तविक दुनिया के स्वास्थ्य डेटा ( "All of Us" अनुसंधान कार्यक्रम से) पर परखा। लगभग हर मामले में, उनकी विधि आज उपयोग की जाने वाली मानक विधियों की तुलना में बहुत अधिक सटीक थी, जो अक्सर पूर्वाग्रह को अनदेखा करती हैं या सरल नियमों के आधार पर उसका अनुमान लगाने की कोशिश करती हैं।

निचोड़

यह लेख वैज्ञानिकों को एक नया चश्मा देने जैसा है। पहले, यदि डेटा पूर्वाग्रही था, तो वे अक्सर हाथ खड़े कर देते थे और कहते थे, "हम इन परिणामों पर भरोसा नहीं कर सकते।" अब, उनके पास यह कहने का एक कठोर तरीका है कि, "भले ही हमारा डेटा पूर्वाग्रही है, जब तक कि यह इन विशिष्ट पैटर्न का पालन करता है, हम गणितीय रूप से सत्य का पुनर्निर्माण कर सकते हैं और आपको एक विश्वसनीय उत्तर दे सकते हैं।"

यह क्षेत्र को "हमें ठीक-ठीक पता होना चाहिए कि पूर्वाग्रह कैसे हुआ" से "हमें बस डेटा का सामान्य आकार जानने की आवश्यकता है, और हम इसे ठीक कर सकते हैं" की ओर ले जाता है।

अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?

आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।

Digest आज़माएँ →

इसी तरह के और पेपर

इस विषय के सभी पेपर देखें 📊 stat →