तकनीकी सारांश: गैररेखीय समय श्रृंखला में फलन-मूल्यवान (Function-Valued) कारण प्रभाव

1. समस्या विवरण

यह शोध पत्र गैररेखीय कारण खोज (nonlinear causal discovery) में एक मौलिक प्रतिनिधित्व अंतराल (representational gap) को संबोधित करता है। जबकि आधुनिक मशीन लर्निंग मॉडल (जैसे, न्यूरल एडिटिव वेक्टर ऑटोरेग्रेशन) टेम्पोरल डिपेंडेंस के समृद्ध, अवस्था-निर्भर (state-dependent) निरूपण सीखने में सफल होते हैं, इन मॉडलों की व्याख्या करने के लिए मानक अभ्यास इन कारण संबंधों को स्केलर एज स्कोर्स (scalar edge scores) का उपयोग करके सारांशित करना है।

लेखक तर्क देते हैं कि जटिल, अवस्था-निर्भर कारण फलनों को एकल स्केलर परिमाणों में कम करना एक गंभीर सूचना बाधा (information bottleneck) है। यह अभ्यास:

• कार्यात्मक संरचना को अस्पष्ट करता है: यह थ्रेशोल्ड (thresholds), संतृप्ति (saturation), विषमता (asymmetry) और संकेत परिवर्तन (sign changes) जैसे आवश्यक गतिकी को संकुचित कर देता है।
• विचलन को शोर के साथ मिला देता है: स्केलर स्कोर (आमतौर पर योगदान के मानक विचलन) वास्तविक फलन-मूल्यवान प्रभाव के विचरण (variance) की ऊपरी सीमा निर्धारित करते हैं, जिससे अवस्था-मध्यवर्ती भिन्नता (between-state variation) और अवस्था-भीतर अवशेष शोर (within-state residual noise) के बीच का अंतर समाप्त हो जाता है।
• रेजीम निर्भरता (Regime dependence) को छिपा देता है: ऐसे संबंध जो विशिष्ट रेजीम में ही मजबूत होते हैं (जैसे, उच्च बनाम निम्न लोकतंत्र), उन्हें वैश्विक रूप से सक्रिय कमजोर संबंधों के समान स्कोर मिल सकता है, जिससे भ्रामक नीतिगत या सैद्धांतिक व्याख्याएं हो सकती हैं।

2. कार्यप्रणाली

2.1 सैद्धांतिक औपचारिकीकरण

लेखक योगात्मक (additive), योगदान-विभाजन योग्य (contribution-decomposable) ऑटोरेग्रेसिव मॉडलों के लिए फलन-मूल्यवान कारण प्रभाव (function-valued causal influence) को औपचारिक रूप देते हैं।

• मॉडल वर्ग: वे उन मॉडलों पर ध्यान केंद्रित करते हैं जहाँ भविष्यवाणी $\hat{X}^{(j)}_t$ स्रोत-विशिष्ट फलनों का एक योग है: $\hat{X}^{(j)}_t = \beta_j + \sum_i f_{ij}(X^{(i)}_{t-K:t-1})$।
• कारण वस्तु (The Causal Object): एक स्केलर के बजाय, चर $i$ का $j$ पर कारण प्रभाव योगदान फलन का सशर्त प्रत्याशा (conditional expectation) है: $g_{ij}(x) = E[\text{contrib}_{ij,t} \mid X^{(i)}_{t-1} = x]$।
• स्केलर सीमा: वे गणितीय रूप से प्रदर्शित करते हैं कि एक स्केलर स्कोर $S_{ij}$ (योगदान के मानक विचलन के रूप में परिभाषित) $S_{ij}^2 \geq \text{Var}(g_{ij}(X^{(i)}_{t-1}))$ को संतुष्ट करता है। यह अंतर अपेक्षित अवस्था-भीतर अवशेष विचरण को दर्शाता है, जो यह सिद्ध करता है कि स्केलर स्कोर निम्न-आयामी प्रोजेक्शन हैं जो कार्यात्मक जानकारी को त्याग देते हैं।

2.2 अनुमान ढांचा: लैग-एग्रीगेटेड ICE

प्रशिक्षित मॉडलों से पुन: प्रशिक्षण के बिना सीधे इन फलनों का अनुमान लगाने के लिए, लेखक इंडिविजुअल कंडिशनल एक्सपेक्टेशन (ICE) पर आधारित एक हस्तक्षेप-शैली (intervention-style) का ढांचा प्रस्तावित करते हैं:

• हस्तक्षेप (Intervention): एक प्रशिक्षित मॉडल के लिए, एक स्रोत चर $i$ के लैग्ड इतिहास को एक निश्चित मान $x$ (या मानों के अनुक्रम) से बदल दिया जाता है, जबकि अन्य सभी इनपुट अपरिवर्तित रहते हैं।
• लैग-एकत्रीकरण (Lag-Aggregation): लैग-विशिष्ट प्रतिक्रिया के बजाय चर-स्तरीय प्रतिक्रिया प्राप्त करने के लिए, लेखक एक साथ सभी लैग्स पर हस्तक्षेप करते हैं ($X^{(i)}_{t-1} = \dots = X^{(i)}_{t-K} = x$)।
• अनुमानक (Estimator): फलन-मूल्यवान प्रभाव का अनुमान समय खिड़कियों (time windows) पर लक्ष्य भविष्यवाणी में औसत परिवर्तन के रूप में लगाया जाता है:
  $$\hat{g}_{ij}(x) = E_t \left[ \hat{X}^{(j)}_t(X^{(i)}_{t-1:t-K} \leftarrow x) - \hat{X}^{(j)}_t(X_{t-K:t-1}) \right]$$
• रेजीम-कंडीशनिंग: यह ढांचा $g_{ij}(x \mid r)$ का अनुमान लगाने के लिए विस्तारित है, जो डेटा को रेजीम बिन (जैसे, लक्ष्य चर के निम्न/मध्यम/उच्च स्तर) में विभाजित करता है, जिससे अवस्था-विशिष्ट सक्रियता पैटर्न प्रकट होते हैं।

2.3 प्रयोगात्मक सेटअप

• सिंथेटिक सिस्टम: एक नियंत्रित तीन-चर चर प्रणाली ($X \to Y \to Z$) बनाई गई जहाँ $X$, $Y$ को चार अलग-अलग तंत्रों में से एक के माध्यम से प्रभावित करता है: रैखिक (Linear), थ्रेशोल्डेड (Thresholded), सैचुरेटिंग (Saturating), और साइन-चेंजिंग (Sign-Changing)। सभी तंत्रों को तुलनीय समग्र स्केलर स्कोर रखने के लिए कैलिब्रेट किया गया था।
• वास्तविक-विश्व अनुप्रयोग: 35 वर्षों के 139 देशों के पैनल डेटासेट (Varieties of Democracy project) का उपयोग करके न्यूरल एडिटिव वेक्टर ऑटोरेग्रेशन (NAVAR) का विश्लेषण किया गया। अध्ययन संस्थागत कारकों (जैसे, न्यायिक प्रतिबंध, अभिव्यक्ति की स्वतंत्रता) का "स्वच्छ चुनाव" पर कारण प्रभाव पर केंद्रित था।

3. मुख्य परिणाम

3.1 सिंथेटिक प्रयोग: स्केलर बॉटलनेक

• अविभेद्य स्कोर (Indistinguishable Scores): मौलिक रूप से भिन्न तंत्रों के बावजूद, चार सिंथेटिक सिस्टम ने क्लस्टर किए गए स्केलर कारण स्कोर उत्पन्न किए (औसत 0.626 से 0.650 के बीच, ओवरलैपिंग मानक विचलन के साथ)।
• विविध फलन (Divergent Functions): जबकि स्केलर स्कोर समान थे, अनुमानित ICE कर्व्स गुणात्मक रूप से भिन्न व्यवहार प्रकट करते हैं:
  • रैखिक (Linear): एकदिष्ट (Monotonic) प्रतिक्रिया।
  • थ्रेशोल्डेड (Thresholded): शून्य के पास सपाट, एक महत्वपूर्ण बिंदु के बाद तीव्र सक्रियता।
  • सैचुरेटिंग (Saturating): उच्च परिमाण पर घटते सीमांत प्रतिफल (diminishing marginal returns)।
  • साइन-चेंजिंग (Sign-Changing): मूल (origin) के पास नकारात्मक प्रभाव, पूंछ (tails) में सकारात्मक।
• रिकवरी की गुणवत्ता: ICE अनुमानक ने उच्च निष्ठा के साथ वास्तविक कार्यात्मक रूपों को सफलतापूर्वक रिकवर किया (15 रन में पियर्सन सहसंबंध $r \geq 0.968$), जो पुष्टि करता है कि जानकारी मॉडल में मौजूद है लेकिन स्केलर सारांशीकरण में खो जाती है।

3.2 लोकतांत्रिक विकास केस स्टडी

• स्केलर ग्राफ: स्केलर कारण ग्राफ लोकतांत्रिक संस्थानों के बीच कमजोर, समान प्रभावों के एक घने नेटवर्क का सुझाव देता है।
• फलन-मूल्यवान अंतर्दृष्टि: ICE विश्लेषण ने ऐसी विषमता प्रकट की जो स्केलर स्कोर में अदृश्य थी:
  • थ्रेशोल्ड प्रभाव: "अभिव्यक्ति की स्वतंत्रता" और "न्यायिक प्रतिबंधों" का चुनाव की गुणवत्ता पर प्रभाव निम्न-रेजीम संदर्भों में नगण्य था, लेकिन एक मध्यम संस्थागत आधार रेखा को पार करने के बाद दृढ़ता से सकारात्मक हो गया।
  • विषमता और संतृप्ति (Asymmetry & Saturation): "विधायी प्रतिबंधों" ने निम्न से मध्यम स्तरों के बीच मजबूत लाभ दिखाया, लेकिन उच्च स्तरों पर संतृप्त हो गया।
  • रेजीम रिवर्सल (Regime Reversal): 50 किनारों (edges) के व्यापक सर्वेक्षण में, 98% ने "रेजीम रिवर्सल" प्रदर्शित किया, जहाँ निम्न- और उच्च-लोकतंत्र संदर्भों के बीच कारण प्रभाव की दिशा बदल गई।
• निष्कर्ष: स्केलर सारांश व्यवस्थित रूप से इन रेजीम-विशिष्ट और विषम संरचनाओं को मिस कर गए, जो कि राजनीतिक विज्ञान की ठोस व्याख्या के लिए महत्वपूर्ण हैं।

4. मुख्य योगदान

1. फलन-मूल्यवान प्रभाव का औपचारिकीकरण: यह पेपर गैररेखीय समय श्रृंखला में कारण प्रभाव को केवल एक स्केलर परिमाण के रूप में नहीं, बल्कि एक अवस्था-निर्भर फलन $g_{ij}(x)$ के रूप में परिभाषित करता है, जो टोटल वेरिएंस के नियम के माध्यम से स्केलर एकत्रीकरण की सीमाओं को औपचारिक रूप देता है।
2. व्यावहारिक अनुमान ढांचा: यह प्रशिक्षित एडिटिव ऑटोरेग्रेसिव मॉडलों से सीधे इन फलनों को रिकवर करने के लिए एक कम्प्यूटेशनल रूप से सुलभ, हस्तक्षेप-शैली (Lag-Aggregated ICE) पेश करता है, जिसमें आर्किटेक्चरल बदलाव की आवश्यकता नहीं है।
3. प्रतिनिधित्व पतन (Representational Collapse) का अनुभवजन्य प्रदर्शन: सिंथेटिक और वास्तविक-विश्व प्रयोगों के माध्यम से, लेखक प्रदर्शित करते हैं कि अविभेद्य स्केलर स्कोर वाले किनारे भी मौलिक रूप से भिन्न कारण तंत्रों को एनकोड कर सकते हैं, और स्केलर सारांश व्यवस्थित रूप से रेजीम-निर्भर व्यवहारों (थ्रेशोल्ड, संतृप्ति, संकेत परिवर्तन) को अस्पष्ट कर देते हैं।
4. सामाजिक विज्ञान में अनुप्रयोग: यह पेपर लोकतांत्रिक विकास में एक ठोस उदाहरण प्रदान करता है जहाँ फलन-मूल्यवान विश्लेषण उन नीति-प्रासंगिक तंत्रों (जैसे, न्यूनतम संस्थागत आधार रेखा) को प्रकट करता है जिन्हें स्केलर दृष्टिकोण पकड़ने में विफल रहते हैं।

5. महत्व और दावे

यह पेपर दावा करता है कि गैररेखीय कारण मॉडलों को अक्सर दी जाने वाली अपारदर्शिता (opacity) स्वयं मॉडलों के कारण नहीं, बल्कि उनके आउटपुट को सारांशित करने के तरीके के कारण है।

• कारण खोज का पुनर्निर्धारण: लेखक तर्क देते हैं कि कारण खोज को प्रतिनिधित्व की समस्या के रूप में देखा जाना चाहिए। मॉडलों द्वारा सीखे गए फलन-मूल्यवान संरचना को बनाए रखकर, शोधकर्ता व्याख्या योग्य, रेजीम-विशिष्ट तंत्रों को पुनः प्राप्त कर सकते हैं।
• स्केलर स्कोर्स की सीमाएं: पेपर का दावा है कि स्केलर स्कोर गैररेखीय कारण संरचनाओं के प्राथमिक सारांश के रूप में अपर्याप्त हैं। वे मोटे स्क्रीनिंग के लिए उपयोगी हैं लेकिन यह पकड़ने में विफल रहते हैं कि कारणता कैसे संचालित होती है (जैसे, प्रभाव कब सक्रिय होते हैं, संतृप्त होते हैं, या उलट जाते हैं)।
• नीति और सिद्धांत के निहितार्थ: सिद्धांत-संचालित क्षेत्रों जैसे सामाजिक विज्ञान में, फलन-मूल्यवान विश्लेषण को उन तंत्रों के बीच अंतर करने के लिए आवश्यक बताया गया है जिन्हें हस्तक्षेप के लिए न्यूनतम थ्रेशोल्ड की आवश्यकता होती है बनाम वे जिनमें समान सीमांत प्रतिफल होते हैं।
• विनम्रता (Modesty): लेखक स्पष्ट रूप से कहते हैं कि उनका दृष्टिकोण काउंटरफैक्चुअल अर्थ में संरचनात्मक या हस्तक्षेप संबंधी कारणता (structural or interventional causality) की पहचान करने का दावा नहीं करता है। विश्लेषण भविधिक (predictive), ग्रेंजर-शैली के ढांचे के भीतर रहता है, जो यह लक्षणित करता है कि मॉडल निर्देशित भविष्य कहने वाले संबंधों के बारे में क्या सीखता है। वे यह भी नोट करते हैं कि उनकी विधि एडिटिव, योगदान-विभाजन योग्य मॉडलों पर निर्भर करती है, और गैर-एडिटिव आर्किटेक्चर तक इसका विस्तार करना भविष्य का कार्य है।