📊 statistics

Application of Propensity Score Models and Causal Estimators in Observational Studies under Model Misspecification

यह अध्ययन व्यापक सिमुलेशन और वास्तविक दुनिया के अनुप्रयोगों के माध्यम से यह प्रदर्शित करता है कि ऑगमेंटेड इनवर्स प्रोबेबिलिटी वेटिंग (AIPW), विशेष रूप से जब इसे प्रोपेंसिटी स्कोर अनुमान के लिए लचीले मशीन लर्निंग दृष्टिकोणों के साथ एकीकृत किया जाता है, मॉडल मिसस्पेसिफिकेशन (model misspecification) के तहत अवलोकन संबंधी अध्ययनों में सबसे सुदृढ़ और स्थिर कारण प्रभाव अनुमान प्रदान करता है।

मूल लेखक: Apu Chandra Das, Sakib Salam, Md Robiul Islam Talukder, Ashim Chandra Das, Antar Chandra Das, Rakhi Chowdhury

प्रकाशित 2026-05-21

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Apu Chandra Das, Sakib Salam, Md Robiul Islam Talukder, Ashim Chandra Das, Antar Chandra Das, Rakhi Chowdhury

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 नया उर्वरक (fertilizer) पौधों को लंबा करने में मदद करता है। एक आदर्श दुनिया में, आप हर पौधे के लिए एक सिक्का उछालेंगे: चित (heads) आया, तो उसे उर्वरक मिलेगा; पट (tails) आया, तो नहीं मिलेगा। यह एक रैंडमाइज्ड कंट्रोल्ड ट्रायल (RCT) है। क्योंकि सिक्का उछालना रैंडम होता है, इसलिए उर्वरक पाने वाले पौधे, औसतन, उन पौधों के समान ही होते हैं जिन्हें उर्वरक नहीं मिला, सिवाय उर्वरक के।

लेकिन वास्तविक दुनिया में (अवलोकन संबंधी अध्ययन/observational studies), हम हमेशा सिक्के नहीं उछाल सकते। हो सकता है कि जो पौधे उर्वरक चुनते हैं, वे पहले से ही समृद्ध मिट्टी या अधिक धूप वाले हों। यदि आप केवल ऊंचाई की तुलना करते हैं, तो आपको लग सकता है कि उर्वरक ने काम किया, जबकि वास्तव में यह बेहतर मिट्टी के कारण था। इसे कन्फाउंडिंग (confounding) कहा जाता है।

इसे ठीक करने के लिए, सांख्यिकीविद एक उपकरण का उपयोग करते हैं जिसे प्रोपेंसिटी स्कोर (Propensity Score - PS) कहते हैं। प्रोपेंसिटी स्कोर को एक "मैचमेकर" या "समानता स्कोर" के रूप में सोचें। यह गणना करता है कि मिट्टी, धूप और पानी के आधार पर किसी पौधे के उर्वरक मिलने की कितनी संभावना थी। यदि खराब मिट्टी वाले पौधे को उर्वरक मिला, तो स्कोर हमें यह समझने में मदद करता है कि वह एक "आउटलायर" (outlier) था और तराजू को संतुलित करने के लिए उसे हमारे विश्लेषण में अतिरिक्त महत्व (weight) देता है।

समस्या: मैचमेकर के नियमों का अनुमान लगाना

चुनौती यह है कि हमें मैचमेकर द्वारा उपयोग किए गए वास्तविक नियम नहीं पता हैं। हमें उन नियमों का अनुमान लगाने के लिए एक मॉडल बनाना होगा।

पुराना तरीका: एक सरल, कठोर नियम पुस्तिका का उपयोग करना (जैसे लॉजिस्टिक्स रिग्रेशन)। इसे पढ़ना आसान है, लेकिन यदि वास्तविक दुनिया जटिल और अव्यवस्थित है, तो नियम पुस्तिका गलत हो सकती है (मॉडल मिसस्पेसिफिकेशन)।
नया तरीका: एक सुपर-स्मार्ट, लचीले AI का उपयोग करना (जैसे रैंडम फॉरेस्ट्स या SVM)। यह जटिल पैटर्न सीख सकता है, लेकिन कभी-कभी यह बहुत अधिक उत्साहित हो जाता है और जंगली अंदाज़ में अनुमान लगाता है, जिससे परिणाम अस्थिर हो जाते हैं।

शोधकर्ता पूछते हैं: जब हमारे अनुमान (नियमों के बारे में) गलत हों, तो कौन सी विधि सबसे अच्छा काम करती है?

परीक्षण किए गए तीन मुख्य उपकरण

शोधकर्ताओं ने "उपचार के वास्तविक प्रभाव" को खोजने के लिए इन स्कोर का उपयोग करने के तीन अलग-अलग तरीकों का परीक्षण किया:

RSM (द "आउटकम" डिटेक्टिव): यह विधि मैचमेकर को पूरी तरह से अनदेखा कर देती है। यह केवल उन पौधों को देखती है जिन्हें उर्वरक मिला और मिट्टी के आधार पर उनकी ऊंचाई का अनुमान लगाने की कोशिश करती है।
- कमजोरी: यदि मिट्टी और ऊंचाई के बीच के संबंध का आपका मॉडल गलत है, तो आपका उत्तर भी गलत होगा।
IPW (द "वेट" बैलेंसर): यह विधि मैचमेकर के स्कोर का उपयोग करके एक "नकली जनसंख्या" बनाती है। यह दुर्लभ पौधों (जैसे, खराब मिट्टी वाला पौधा जिसे उर्वरक मिला) को भारी वजन (weight) देती है और सामान्य पौधों को हल्का वजन देती है।
- कमजोरी: यदि मैचमेकर का स्कोर थोड़ा भी गलत है, तो वजन पागलपन भरा हो सकता है (जैसे एक पौधे को 1,000,000 का वजन देना), जिससे पूरी गणना डगमगा सकती है और टूट सकती है।
AIPW (द "डबल-चेक" सेफ्टी नेट): यह एक हाइब्रिड है। यह वजन को संतुलित करने के लिए मैचमेकर (PS) और ऊंचाई का अनुमान लगाने के लिए आउटकम डिटेक्टिव (RSM) दोनों का उपयोग करता है।
- सुपरपावर: इसमें "डबल रोबस्ट" (Double Robust) गुण है। इसका मतलब है कि आपको केवल दो में से एक अनुमान सही होने की आवश्यकता है। यदि मैचमेकर गलत है लेकिन आउटकम डिटेक्टिव सही है, तो भी यह काम करता है। यदि आउटकम डिटेक्टिव गलत है लेकिन मैचमेकर सही है, तो भी यह काम करता है।

सिमुलेशन ने क्या दिखाया

शोधकर्ताओं ने हजारों कंप्यूटर सिमुलेशन चलाए जहाँ उन्हें "वास्तविक" उत्तर पता था लेकिन उन्होंने ऐसा नाटक किया जैसे उन्हें नहीं पता। उन्होंने यह देखने के लिए नियमों को अलग-अलग तरीकों से बिगाड़ा कि कौन सा उपकरण जीवित रहता है।

जब सब कुछ एकदम सही था: सभी उपकरण अच्छी तरह काम कर रहे थे, लेकिन "डबल-चेक" (AIPW) बहुत स्थिर था।
जब मैचमेकर (PS) गलत था:
- वेट बैलेंसर (IPW) विफल हो गया। यह बहुत अस्थिर हो गया, विशेष रूप से फैंसी AI विधियों के साथ, क्योंकि AI ने जंगली अनुमान लगाए जिससे अत्यधिक अस्थिर वजन पैदा हुए।
- आउटकम डिटेक्टिव (RSM) ठीक से काम करता रहा क्योंकि यह मैचमेकर पर निर्भर नहीं था।
- डबल-चेक (AIPW) ठीक से काम करता रहा क्योंकि इसके पास बैकअप के रूप में आउटकम डिटेक्टिव था।
जब आउटकम डिटेक्टिव गलत था:
- आउटकम डिटेक्टिव (RSM) पूरी तरह से विफल हो गया।
- वेट बैलेंसर (IPW) केवल तभी काम कर पाया जब मैचमेकर सरल और सही था। यदि मैचमेकर एक फैंसी AI था, तो IPW फिर से विफल हो गया।
- डबल-चेक (AIPW) काम करता रहा क्योंकि इसके पास बैकअप के रूप में मैचमेकर था।

बड़ी सीख: AIPW (डबल-चेक) विधि सबसे विश्वसनीय थी। यह एकमात्र ऐसा तरीका था जिसे इस बात से फर्क नहीं पड़ा कि मॉडल का कौन सा हिस्सा टूटा हुआ है, जब तक कि एक हिस्सा सही था। फैंसी AI मॉडल (जैसे रैंडम फॉरेस्ट्स) पैटर्न खोजने में बेहतरीन थे, लेकिन वेट बैलेंसर (IPW) के साथ अकेले उपयोग करने के लिए वे खतरनाक थे क्योंकि वे अस्थिर परिणाम दे सकते थे।

वास्तविक दुनिया के परीक्षण

लेखकों ने इन उपकरणों का परीक्षण दो वास्तविक डेटासेट्स पर किया:

ACTG175 (द "फेयर" टेस्ट): यह एक वास्तविक मेडिकल ट्रायल था जहाँ मरीजों को रैंडमली उपचार दिया गया था। चूंकि असाइनमेंट रैंडम था, इसलिए सुधारने के लिए कोई पूर्वाग्रह (bias) नहीं था।
- परिणाम: सभी उपकरणों के परिणाम एक समान थे। इसने साबित किया कि जब स्थितियाँ निष्पक्ष होती हैं, तो ये उपकरण सही ढंग से काम करते हैं।
ADNI (द "अनफेयर" टेस्ट): यह अल्जाइमर रोग पर एक अध्ययन था जहाँ लोग रैंडम नहीं थे; वे पहले से ही बीमार या स्वस्थ थे। यह एक अव्यवस्थित, वास्तविक दुनिया का परिदृश्य है जिसमें बहुत अधिक कन्फाउंडिंग है।
- परिणाम: उपकरण असहमत थे!
  - वेट बैलेंसर (IPW) ने कहा कि एक्सपोजर (अल्जाइमर होना) का संज्ञानात्मक क्षमता (cognition) पर बहुत गहरा नकारात्मक प्रभाव पड़ा।
  - डबल-चेक (AIPW) ने कहा कि प्रभाव बहुत छोटा और कम निश्चित था।
  - आउटकम डिटेक्टिव (RSM) ने कहा कि लगभग कोई प्रभाव नहीं था।
- क्यों? क्योंकि डेटा अव्यवस्थित था, सरल वेट बैलेंसर अत्यधिक वजन (extreme weights) के कारण भ्रमित हो गया। डबल-चेक विधि ने अपने "सेफ्टी नेट" का उपयोग करके चीजों को सुधारा और एक अधिक रूढ़िवादी और स्थिर उत्तर दिया।

निष्कर्ष (The Bottom Line)

यदि आप अव्यवस्थित वास्तविक दुनिया के डेटा में कारण-और-प्रभाव (cause-and-effect) को समझने की कोशिश कर रहे हैं:

केवल एक विधि पर भरोसा न करें।
फैंसी AI मॉडल शक्तिशाली हैं लेकिन यदि अकेले वेटिंग (weighting) के लिए उपयोग किए जाएं तो वे अस्थिर हो सकते हैं।
डबल-चेक (AIPW) विधि सबसे सुरक्षित दांव है। यह दोनों दुनियाओं का सर्वश्रेष्ठ संयोजन है, यह सुनिश्चित करता है कि भले ही "किसे उपचार मिलेगा" का आपका मॉडल गलत हो, या "आगे क्या होगा" का आपका मॉडल गलत हो, फिर भी आपके पास सही उत्तर पाने की अच्छी संभावना है।

यह एक बैकअप पैराशूट रखने जैसा है: यदि आपका मुख्य पैराशूट विफल हो जाता है, तो दूसरा आपको बचा लेता है। सांख्यिकी में, यह बैकअप ही "डबल रोबस्ट" (Double Robust) गुण है।

तकनीकी सारांश: मॉडल मिसस्पेसिफिकेशन (Model Misspecification) के तहत अवलोकन संबंधी अध्ययनों में प्रोपेंसिटी स्कोर मॉडल और कॉज़ल एस्टिमेटर्स का अनुप्रयोग

समस्या विवरण
प्रोपेंसिटी स्कोर (PS) विधियाँ अवलोकन संबंधी अध्ययनों में कन्फाउंडिंग (confounding) को कम करने और कॉज़ल ट्रीटमेंट इफेक्ट्स का अनुमान लगाने के लिए मानक उपकरण हैं। हालाँकि, PS-आधारित एस्टिमेटर्स की वैधता अंतर्निहित मॉडलों के सही स्पेसिफिकेशन पर अत्यधिक निर्भर करती है। व्यवहार में, उपचार असाइनमेंट (PS) और आउटकम (outcome) दोनों के वास्तविक फंक्शनल फॉर्म आमतौर पर अज्ञात होते हैं। मिसस्पेसिफिकेशन—जो गलत फंक्शनल फॉर्म, छूटे हुए वेरिएबल्स या अनअकाउंटेड इंटरैक्शन से उत्पन्न होती है—कॉज़ल एस्टिमेट्स में पर्याप्त पूर्वाग्रह (bias), अस्थिरता और बढ़ी हुई परिवर्तनशीलता (variability) का कारण बन सकती है। जबकि मशीन लर्निंग (ML) विधियाँ (जैसे, रैंडम फॉरेस्ट, सपोर्ट वेक्टर मशीन) PS अनुमान के लिए पारंपरिक पैरामीट्रिक मॉडलों (जैसे, लॉजिस्टिक रिग्रेशन) के लचीले विकल्पों के रूप में कार्य करती हैं, विभिन्न स्तरों के मॉडल मिसस्पेसिफिकेशन के तहत शास्त्रीय कॉज़ल एस्टिमेटर्स के प्रदर्शन पर उनके प्रभाव को अभी तक पर्याप्त रूप से समझा नहीं गया है। विशेष रूप से, यह मूल्यांकन करने की आवश्यकता है कि लचीली ML-आधारित PS अनुमान प्रक्रिया, रिस्पॉन्स सरफेस मॉडलिंग (RSM), इनवर्स प्रोबेबिलिटी वेटिंग (IPW), और ऑगमेंटेड इनवर्स प्रोबेबिलिटी वेटिंग (AIPW) के साथ मिसस्पेसिफाइड स्थितियों में कैसे परस्पर क्रिया करती है।

कार्यप्रणाली
यह अध्ययन एस्टिमेटर के प्रदर्शन का मूल्यांकन करने के लिए एक व्यापक सिमुलेशन फ्रेमवर्क और दो वास्तविक दुनिया के केस स्टडीज का उपयोग करता है।

सिमुलेशन डिज़ाइन:
- डेटा जनरेशन: लेखकों ने स्वतंत्र अवलोकनों को उत्पन्न किया जिसमें एक बाइनरी ट्रीटमेंट इंडिकेटर ( $A$ ), एक निरंतर आउटकम ( $Y$ ), और $p=9$ आयामों वाला बेसलाइन कोवेरिएट्स का एक वेक्टर शामिल था। कोवेरिएट्स विभिन्न सहसंबंध संरचनाओं ( $\rho \in \{0.2, 0.7\}$ ) के साथ मल्टीवेरिएट नॉर्मल डिस्ट्रीब्यूशन का पालन करते थे।
- मिसस्पेसिफिकेशन परिदृश्य: PS और आउटकम दोनों मॉडलों के लिए सही और गलत स्पेसिफिकेशन को जोड़कर चार अलग-अलग व्यवस्थाएं बनाई गईं:
  1. दोनों मॉडल सही ढंग से निर्दिष्ट (correctly specified)।
  2. PS मिसस्पेसिफाइड (छूटे हुए कन्फाउंडर्स और अतिरिक्त इंटरैक्शन टर्म्स), आउटकम सही ढंग से निर्दिष्ट।
  3. PS सही ढंग से निर्दिष्ट, आउटकम मिसस्पेसिफाइड (छूटे हुए कोवेरिएट्स)।
  4. दोनों मॉडल मिसस्पेसिफाइड।
- एस्टिमेटर्स और PS मॉडल: अध्ययन ने तीन कॉज़ल एस्टिमेटर्स की तुलना की:
  - RSM: केवल आउटकम रिग्रेशन।
  - IPW: PS के आधार पर वेटिंग।
  - AIPW: आउटकम रिग्रेशन और वेटिंग को संयोजित करने वाला डबली रोबस्ट एस्टिमेटर।
  - PS अनुमान विधियाँ: लॉजिस्टिक रिग्रेशन (LR), रैंडम फॉरेस्ट (RF), लीनियर डिस्क्रीमिनेन्ट एनालिसिस (LDA), और सपोर्ट वेक्टर मशीन (SVM)।
- मूल्यांकन मेट्रिक्स: प्रदर्शन का मूल्यांकन 1,000 मोंटे कार्लो रिप्लिकेट्स के माध्यम से बायस (bias), एब्सोल्यूट बायस, रूट मीन स्क्वेर्ड एरर (RMSE), एम्पिरिकल स्टैंडर्ड एरर (SE), और 95% कॉन्फिडेंस इंटरवल विड्थ के आधार पर किया गया। सैंपल साइज $n=200$ और $n=1000$ का परीक्षण किया गया।
वास्तविक दुनिया के अनुप्रयोग:
- ACTG175: एक रैंडमाइज्ड क्लिनिकल ट्रायल (HIV-1) जिसे बेंचमार्क के रूप में उपयोग किया गया है, जहाँ सभी एस्टिमेटर्स को सैद्धांतिक रूप से अभिसरण (converge) करना चाहिए, जो एक कैलिब्रेशन चेक के रूप में कार्य करता है।
- ADNI: एक रेट्रोस्पेक्टिव ऑब्जर्वेशनल स्टडी (अल्जाइमर रोग) जिसे एक क्वासी-एक्सपेरिमेंट के रूप में पुनर्गठित किया गया है ताकि बीमारी की स्थिति (LMCI/AD बनाम कॉग्निटिवली नॉर्मल) का संज्ञानात्मक गिरावट (ADAS13 स्कोर परिवर्तन) पर प्रभाव का अनुमान लगाया जा सके।

प्रमुख योगदान और परिणाम

डबली रोबस्ट एस्टिमेटर्स की श्रेष्ठता:
सभी सिमुलेशन परिदृश्यों में, ऑगमेंटेड इनवर्स प्रोबेबिलिटी वेटिंग (AIPW) एस्टिमेटर ने लगातार मजबूत और स्थिर प्रदर्शन प्रदर्शित किया। अपने "डबली रोबस्ट" गुण के कारण, AIPW तब भी सुसंगत (consistent) अनुमान प्रदान करता है जब या तो PS मॉडल या आउटकम मॉडल सही ढंग से निर्दिष्ट हो। जब दोनों मॉडल मिसस्पेसिफाइड थे, तब भी AIPW ने सिंगल-मॉडल एस्टिमेटर्स की तुलना में कम बायस और अधिक स्थिर वेरिएंस दिखाया।
लचीले PS अनुमान के प्रति IPW की संवेदनशीलता:
IPW एस्टिमेटर ने PS मिसस्पेसिफिकेशन और PS अनुमान विधि के चयन के प्रति उच्च संवेदनशीलता दिखाई। जब लचीली मशीन लर्निंग विधियों (विशेष रूप से रैंडम फॉरेस्ट और SVM) का उपयोग PS अनुमान के लिए किया गया, तो IPW ने पर्याप्त बायस और अस्थिरता उत्पन्न की। इसका कारण यह था कि ML विधियों ने 0 या 1 के करीब चरम प्रोपेंसिटी स्कोर दिए, जिससे अस्थिर वेट्स (weights) उत्पन्न हुए। IPW केवल तभी अच्छा प्रदर्शन करता है जब पैरामीट्रिक विधियों (LR, LDA) का उपयोग करके PS मॉडल सही ढंग से निर्दिष्ट हो।
RSM की सीमाएँ:
RSM केवल तभी अच्छा प्रदर्शन करता है जब आउटकम मॉडल सही ढंग से निर्दिष्ट हो। आउटकम मॉडल मिसस्पेसिफिकेशन के तहत, RSM ने पर्याप्त बायस दिखाया, जो पुष्टि करता है कि आउटकम-ओनली दृष्टिकोण आउटकम मॉडल की धारणाओं के उल्लंघन के प्रति रोबस्ट नहीं हैं।
सैंपल साइज और कोरिलेशन का प्रभाव:
सैंपल साइज को 200 से बढ़ाकर 1000 करने से सभी विधियों में एस्टिमेटर के प्रदर्शन में सुधार हुआ (बायस, RMSE और SE में कमी आई), जो एसिम्प्टोटिक थ्योरी के अनुरूप है। उच्च कोवेरिएट कोरिलेशन ( $\rho=0.7$ ) ने आम तौर पर बेहतर अनुमान सटीकता में सुधार किया, जो संभवतः शामिल कोवेरिएट्स की बेहतर प्रेडिक्टिव स्ट्रेंथ के कारण है।
वास्तविक दुनिया के निष्कर्ष:

ACTG175 (रैंडमाइज्ड) ट्रायल में, सभी एस्टिमेटर्स (IPW, AIPW, RSM) ने सुसंगत, सकारात्मक और सांख्यिकीय रूप से महत्वपूर्ण ट्रीटमेंट इफेक्ट्स दिए, जो आदर्श पहचान स्थितियों के तहत विधियों को मान्य करते हैं।
ADNI (ऑब्जर्वेशनल) अध्ययन में, महत्वपूर्ण विसंगतियाँ उभरीं। IPW एस्टिमेटर्स ने लगातार नकारात्मक एक्सपोजर प्रभाव (एक्सपोज़्ड समूह में अधिक संज्ञानात्मक गिरावट) का संकेत दिया, जबकि AIPW और RSM के अनुमान कम थे, जिनके कॉन्फिडेंस इंटरवल शून्य को शामिल करते थे। इसने वेरिएंस-बायस ट्रेड-ऑफ को उजागर किया: IPW रेसिडुअल कन्फाउंडिंग और चरम वेट्स के प्रति संवेदनशील था, जबकि AIPW ने PS मिसस्पेसिफिकेशन को ठीक करने के लिए आउटकम मॉडलिंग का लाभ उठाकर अधिक रूढ़िवादी (conservative) अनुमान प्रदान किया।

महत्व और दावे
यह शोध दावा करता है कि ऑब्जर्वेशनल अध्ययनों में कॉज़ल इफेक्ट एस्टीमेशन में सुधार के लिए डबली रोबस्ट फ्रेमवर्क्स (विशेष रूप से AIPW) के भीतर लचीली मशीन लर्निंग दृष्टिकोणों का एकीकरण महत्वपूर्ण है। लेखक तर्क देते हैं कि जबकि ML विधियाँ जटिल ट्रीटमेंट असाइनमेंट मैकेनिज्म को कैप्चर कर सकती हैं, वेटिंग-आधारित एस्टिमेटर्स (IPW) में उनका सीधा अनुप्रयोग अस्थिरता के कारण समस्याग्रस्त हो सकता है। इसके विपरीत, जब AIPW के साथ जोड़ा जाता है, तो ML विधियों के लचीलेपन का उपयोग बिना एस्टिमेटर की मजबूती (robustness) से समझौता किए किया जा सकता है।

अध्ययन इस निष्कर्ष पर पहुँचता है कि PS अनुमान विधि का चुनाव कॉज़ल इन्फरेंस पर पर्याप्त प्रभाव डालता है, विशेष रूप से वेटिंग-आधारित एस्टिमेटर्स के लिए। यह AIPW जैसे डबली रोबस्ट एस्टिमेटर्स के उपयोग की वकालत करता है जो मॉडल के विस्तृत स्पेक्ट्रम में स्थिर प्रदर्शन बनाए रखते हैं। ये निष्कर्ष नैदानिक परीक्षणों और नियामक विज्ञान के लिए प्रासंगिक हैं, जहाँ वास्तविक दुनिया के डेटा के युग में विश्वसनीय निर्णय लेने के लिए पद्धतिगत पारदर्शिता और मजबूती आवश्यक है। लेखक अपनी सीमाओं को भी विनम्रतापूर्वक नोट करते हैं, जिसमें मध्यम-आयामी डेटा (moderate-dimensional data) पर ध्यान केंद्रित करना और पूरी तरह से सूचित कन्फाउंडर्स (fully observed confounders) की धारणा शामिल है, यह स्वीकार करते हुए कि अल्ट्रा-हाई-डायमेंशनल सेटिंग्स या अनमेज़र्ड कन्फाउंडिंग के तहत प्रदर्शन भिन्न हो सकता है।

समस्या: मैचमेकर के नियमों का अनुमान लगाना

परीक्षण किए गए तीन मुख्य उपकरण

सिमुलेशन ने क्या दिखाया

वास्तविक दुनिया के परीक्षण

निष्कर्ष (The Bottom Line)

इसी तरह के और पेपर