📈 economics

Modeling Covariate Transition for Efficient Estimation of Longitudinal Treatment Effects in Randomized Experiments

यह शोध पत्र एक नवीन रिग्रेशन-एडजस्टमेंट फ्रेमवर्क प्रस्तावित करता है जो ट्रांज़िशन कर्नेल के माध्यम से मॉडल किए गए मध्यवर्ती परिणामों और विकसित होते पोस्ट-ट्रीटमेंट कोवेरियेट्स का लाभ उठाता है ताकि रैंडमाइज्ड प्रयोगों में अनुदैर्ध्य उपचार प्रभावों (longitudinal treatment effects) के कुशल, सेमीपैरामेट्रिक रूप से इष्टतम अनुमान को सक्षम किया जा सके, जिससे उपचार के प्रभावों के समय और अवधि का पता लगाया जा सके।

मूल लेखक: Naoki Chihara, Tatsushi Oka, Yasuko Matsubara, Yasushi Sakurai, Shota Yasui

प्रकाशित 2026-06-01

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Naoki Chihara, Tatsushi Oka, Yasuko Matsubara, Yasushi Sakurai, Shota Yasui

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 इस शोध पत्र का सरल भाषा और रचनात्मक उपमाओं (analogies) के साथ विवरण दिया गया है।

बड़ी तस्वीर: हमें "कारण और प्रभाव" को मापने के नए तरीके की आवश्यकता क्यों है?

कल्पना कीजिए कि आप एक स्ट्रीमिंग सेवा (जैसे नेटफ्लिक्स या स्पॉटिफ़ाई) के लिए एक विशाल प्रयोग चला रहे हैं। आप जानना चाहते हैं: क्या उपयोगकर्ताओं को एक नए प्रकार के मूवी सुझाव दिखाना वास्तव में उन्हें अधिक देखने के लिए प्रेरित करता है?

आमतौर पर, कंपनियाँ एक A/B टेस्ट करती हैं। वे उपयोगकर्ताओं को दो समूहों में विभाजित करती हैं:

समूह A (कंट्रोल): पुराने सुझाव मिलते हैं।
समूह B (ट्रीटमेंट): नए सुझाव मिलते हैं।

सप्ताह के अंत में, वे औसत वॉच टाइम (देखने के समय) की तुलना करती हैं। यदि समूह B ने अधिक समय तक फिल्में देखीं, तो इसका मतलब है कि नया फीचर काम कर गया।

समस्या: यह "औसत" वाला दृष्टिकोण दौड़ की फिनिश लाइन की फोटो देखने जैसा है, लेकिन यह पूरी दौड़ को अनदेखा कर देता है। यह आपको बताता है कि कौन जीता, लेकिन यह नहीं बताता कि वे कैसे जीते। क्या नया सुझाव तुरंत काम आया? क्या इसे शुरू होने में कुछ दिन लगे? क्या उपयोगकर्ता तीसरे दिन के बाद ऊब गए?

मानक सांख्यिकीय विधियाँ अक्सर "दौड़ के बीच के हिस्से" (बीच के दिनों) को अनदेखा कर देती हैं क्योंकि वे इस तथ्य से भ्रमित हो जाती हैं कि उपयोगकर्ताओं की आदतें उपचार (treatment) के कारण बदल जाती हैं। यदि आप इन परिवर्तनों को समझाने की कोशिश करते हैं, तो आप अनजाने में उसी प्रभाव को "ब्लॉक" कर सकते हैं जिसे आप मापने की कोशिश कर रहे हैं।

समाधान: "समय-यात्रा" करने वाला कैलकुलेटर

इस शोध पत्र के लेखक एक नई विधि प्रस्तावित करते हैं जिसे डायनेमिक रिग्रेशन एडजस्टमेंट (Dynamic Regression Adjustment) कहा जाता है। इसे एक परिष्कृत कैलकुलेटर के रूप में समझें जो न केवल दौड़ की शुरुआत और अंत को देखता है, बल्कि स्पष्ट तस्वीर पाने के लिए पूरी यात्रा का अनुकरण (simulate) भी करता है।

यह विधि कैसे काम करती है, इसे तीन सरल अवधारणाओं में विभाजित किया गया है:

1. "क्रिस्टल बॉल" (ट्रांजिशन कर्नेल - Transition Kernels)

एक सामान्य प्रयोग में, यदि किसी उपयोगकर्ता की पसंद तीसरे दिन नए सुझावों के कारण बदल जाती है, तो मानक गणित भ्रमित हो जाता है। यह कार की गति मापने की कोशिश करने जैसा है जबकि टायर के नीचे की सड़क खुद बदल रही हो।

लेखक ट्रांजिशन कर्नेल का उपयोग करते हैं। इसे उपयोगकर्ता के व्यवहार के लिए एक क्रिस्टल बॉल या मौसम के पूर्वानुमान के रूप में कल्पना करें।

केवल यह देखने के बजाय कि उपयोगकर्ता ने कल क्या किया, मॉडल भविष्यवाणी करता है कि वे अपने इतिहास के आधार पर कल क्या संभवतः करेंगे।
यह "सड़क के नियमों" को सीखता है: "यदि कोई उपयोगकर्ता मंगलवार को कॉमेडी देखता है, तो बुधवार को ड्रामा देखने की 80% संभावना है।"
यह मॉडल को यह समझने में सक्षम बनाता है कि उपचार (नया सुझाव) उपयोगकर्ता के भविष्य के पथ को कैसे आकार देता है, बिना भ्रमित हुए।

2. "फॉरवर्ड सिमुलेशन" (रिकर्सिव इंटीग्रेशन - Recursive Integration)

एक बार जब मॉडल के पास अपनी क्रिस्टल बॉल आ जाती है, तो यह केवल एक दिन को नहीं देखता। यह एक फॉरवर्ड सिमुलेशन चलाता है।

कल्प laइए कि आप एक कोच हैं जो धावक के अंतिम समय की भविष्यवाणी करने की कोशिश कर रहे हैं।

पुरानी विधि: आप फिनिश लाइन पर धावक का समय देखते हैं और शुरुआती समय को घटा देते हैं।
नई विधि: आप धावक के पथ का चरण-दर-चरण अनुकरण करते हैं। आप कहते हैं, "यदि धावक इसी गति से चलता रहा, तो वह 10 मिनट में कहाँ होगा। यदि वह यहाँ धीमा हो गया, तो वह 20 मिनट में वहाँ होगा।"

लेखक रिकर्सिव फॉरवर्ड इंटीग्रेशन नामक तकनीक का उपयोग करते हैं। वे दिन 1 की भविष्यवाणी लेते हैं, उसे दिन 2 की भविष्यवाणी में डालते हैं, फिर दिन 3 में, और इसी तरह। यह इस बारे में सभी जानकारी को एकत्रित करता है कि उपयोगकर्ता की आदतें समय के साथ कैसे विकसित हुईं, जिससे उपचार के वास्तविक प्रभाव का बहुत सटीक अनुमान मिलता है।

3. "नॉइज़ कैंसिलिंग हेडफ़ोन" (नेमन ऑर्थोगोनैलिटी - Neyman Orthogonality)

मशीन लर्निंग मॉडल (क्रिस्टल बॉल्स) पूर्ण नहीं होते। वे छोटी गलतियाँ करते हैं। यदि आप एक पूर्ण मॉडल पर भरोसा करते हैं, तो आपके परिणाम बेकार हो सकते हैं।

लेखक नेमन ऑर्थोगोनैलिटी नामक एक गणितीय ट्रिक का उपयोग करते हैं। इसे नॉइज़-कैंसलिंग हेडफ़ोन के रूप में समझें।

भले ही "क्रिस्टल बॉल" उपयोगकर्ता के भविष्य की भविष्यवाणी करने में छोटी गलती करे, नॉइज़-कैंसलिंग फीचर यह सुनिश्चित करता है कि यह त्रुटि अंतिम गणना (उपचार के प्रभाव) को खराब न करे।
यह विधि को रोबस्ट (Robust) बनाता है। यह तब भी अच्छा काम करती है जब मशीन लर्निंग मॉडल 100% सटीक नहीं होते, जब तक कि वे "काफी अच्छे" हों।

उन्होंने क्या सिद्ध किया?

यह शोध पत्र तीन मुख्य दावे करता है, जो गणित और प्रयोगों द्वारा समर्थित हैं:

यह अधिक सटीक है: इस "फॉरवर्ड सिमुलेशन" विधि का उपयोग करके, वे अपने परिणामों में "शोर" (सांख्यिकीय विचरण/variance) को कम कर सकते हैं। इसका मतलब है कि वे कम उपयोगकर्ताओं के साथ छोटे प्रभावों का पता लगा सकते हैं, या समान संख्या में उपयोगकर्ताओं के साथ बहुत अधिक सटीक उत्तर प्राप्त कर सकते हैं।
यह निष्पक्ष है: उन्होंने गणितीय रूप से सिद्ध किया कि यह विधि पूर्वाग्रह (bias) पैदा नहीं करती है। यह उपचार के प्रभाव को सही ढंग से अलग करती है, भले ही उपयोगकर्ता की आदतें इसके जवाब में गतिशील रूप से बदल रही हों।
यह वास्तविक दुनिया में काम करता है:
- सिमुलेशन: उन्होंने नकली डेटा बनाया जो जटिल, अराजक वास्तविक दुनिया की प्रणालियों (जैसे उपयोगकर्ता डेटा का तूफानी समुद्र) की नकल करता है। उनकी विधि ने मानक विधियों की तुलना में बहुत तेज़ी से और अधिक सटीकता से "सत्य" उत्तर खोज निकाला।
- वास्तविक डेटा: उन्होंने इसका परीक्षण एक जापानी स्ट्रीमिंग प्लेटफॉर्म के वास्तविक डेटा पर किया। उन्होंने 10 दिनों में दो प्रकार के मूवी सुझावों की तुलना की। उनकी विधि ने दिखाया कि नए सुझावों का एक विशिष्ट प्रभाव पैटर्न था (उपयोगकर्ताओं ने उन्हें शुरू में पसंद किया लेकिन बाद में देखना बंद कर दिया), और वे पुराने तरीकों की तुलना में बहुत कम अनिश्चितता (tight confidence intervals) के साथ इसे माप सके।

निष्कर्ष (The Bottom Line)

यह शोध पत्र शोधकर्ताओं को प्रयोगों में दीर्घकालिक प्रभावों को मापने के लिए एक नया उपकरण प्रदान करता है।

केवल यह पूछने के बजाय कि, "क्या उपचार काम कर गया?" (जो कि यह पूछने जैसा है कि "क्या धावक फिनिश लाइन तक पहुँचा?"), यह विधि पूछती है, "उपचार ने समय के साथ धावक के पथ को कैसे बदला, और उस परिवर्तन का वास्तविक प्रभाव क्या था?"

यह भविष्य के एक भविधिक मॉडल (ट्रांजिशन कर्नेल) का निर्माण करके, यात्रा का आगे की ओर अनुकरण (रिकर्सिव इंटीग्रेशन) करके, और उस भविष्यवाणी में छोटी त्रुटियों को अनदेखा (नेमन ऑर्थोगोनैलिटी) करके ऐसा करती है। परिणाम, बदलते संसार में कारण और प्रभाव को समझने का एक स्पष्ट और अधिक शक्तिशाली तरीका है।

तकनीकी सारांश: यादृच्छिक प्रयोगों में अनुदैर्ध्य उपचार प्रभावों के कुशल अनुमान के लिए सहचर संक्रमण का मॉडलिंग (Modeling Covariate Transition)

1. समस्या की परिभाषा

यह शोध पत्र यादृच्छिक प्रयोगों (randomized experiments) में संचालित स्थिर शासन (static regimes) (जहाँ उपचार अनुक्रम पूर्व-निर्धारित होते हैं और उपयोगकर्ता के इतिहास के अनुकूल नहीं होते) के तहत अनुदैर्ध्य उपचार प्रभावों (longitudinal treatment effects) के अनुमान की चुनौती को संबोधित करता है। जबकि मानक प्रतिगमन समायोजन (regression adjustment) विधियाँ पूर्व-उपचार सहचरों (pre-treatment covariates) का उपयोग करके औसत उपचार प्रभाव (ATE) अनुमान में विचरण (variance) को कम करने में प्रभावी होती हैं, वे आमतौर पर उपचार प्रभावों की कालिक गतिशीलता (temporal dynamics) को पकड़ने में विफल रहती हैं। विशेष रूप से, मानक विधियाँ यह देखते हुए कि प्रभाव समय के साथ कैसे विकसित होते हैं (जैसे, तत्काल प्रभाव बनाम विलंबित प्रभाव), उन्हें अनदेखा कर देती हैं क्योंकि वे मध्यवर्ती परिणामों या उपचार के बाद विकसित होने वाले सहचरों को शामिल नहीं करती हैं।

उपचार के बाद के सहचरों (post-treatment covariates) का उपयोग करने में एक महत्वपूर्ण बाधा उपचार के बाद के पूर्वाग्रह (post-treatment bias) का जोखिम है। उपचार के जवाब में विकसित होने वाले चरों (जैसे, अनुशंसाओं के कारण बदलती उपयोगकर्ता प्राथमिकताएँ) पर अनजाने में शर्त रखना (conditioning) कारण पथ (causal pathway) को बाधित करता है, जिससे लक्षित अनुमानित (target estimand) विकृत हो जाता है, यहाँ तक कि यादृच्छिक सेटिंग्स में भी। लेखक एक ऐसा ढांचा विकसित करने का लक्ष्य रखते हैं जो बिना पूर्वाग्रह उत्पन्न किए, उपचार प्रभावों के प्रक्षेपवक्र (trajectory) पर अधिक शक्तिशाली सांख्यिकीय अनुमान सक्षम करने के लिए इन गतिशील उपचार-पश्चात इतिहासों का लाभ उठा सके।

2. कार्यप्रणाली (Methodology)

प्रस्तावित ढांचा एक गतिशील प्रतिगमन-समायोजित अनुमानक (dynamic regression-adjusted estimator) पेश करता है जो संक्रमण कर्नेल (transition kernels) और पुनरावर्ती अग्रवर्ती एकीकरण (recursive forward integration) का उपयोग करके समय के साथ सहचरों के संक्रमण को स्पष्ट रूप से मॉडल करता है।

मुख्य घटक

संक्रमण कर्नेल (Transition Kernels): उपचार इतिहास $\bar{w}_\tau$ के तहत ऐतिहासिक डेटा $H_{\tau+1}$ के लिए भविष्य के सहचर अवस्थाओं के संभाव्यता वितरण को मॉडल करने के लिए, यह विधि उपचार-पश्चात सहचरों के वास्तविक रूप पर शर्त रखने के बजाय, उन्हें उपयोग करती है। इन कर्नेलों का अनुमान लचीले मशीन लर्निंग मॉडलों (जैसे, वेक्टर ऑटोरेग्रेशन, गॉसियन प्रोसेस, या डीप न्यूरल नेटवर्क) का उपयोग करके लगाया जाता है।
पुनरावर्ती अग्रवर्ती एकीकरण (Recursive Forward Integration): यह विधि एक पुनरावर्ती सशर्त अपेक्षा, $\Gamma^{(\tau)}_{\bar{w}_t}(\bar{h}_\tau)$ को परिभाषित करती है, जो टर्मिनल प्रतिगमन फलन $m^{(t)}_{\bar{w}_t}(\bar{h}_t)$ को समय $t$ से $t=1$ तक पीछे की ओर प्रसारित करती है। यह एकीकरण अनुमानित संक्रमण कर्नेलों के अनुसार सहचरों के संपूर्ण भविष्य के प्रक्षेपवक्र से जानकारी को एकत्रित करता है, जो अनुमानित मार्जिनल टारगेट एस्टिमेंड को सुरक्षित रखते हुए अनपेक्षित भविष्य के पथों पर प्रभावी रूप से मार्जलाइजेशन (marginalization) करता है।
नेमन ऑर्थोगोनैलिटी और डबल/डीबायस्ड मशीन लर्निंग (DML): अनुमानक को नेमन-ऑर्थोगोनल मोमेंट स्थितियों (Neyman-orthogonal moment conditions) को संतुष्ट करने के लिए निर्मित किया गया है। यह सुनिश्चित करता है कि अनुमानक 'न्युसेंस फंक्शन्स' (जैसे कि सशर्त माध्य प्रतिगमन $m$ $m$ और संक्रमण कर्नेल $p$ $p$ ) के अनुमान में त्रुटियों के प्रति प्रथम-क्रम सुदृढ़ (robust) है।
- मोमेंट फंक्शन $\psi^\pi_t$ में एक अवशेष पद (residual term), एक सहायक सुधार पद $A^{(t)}_{\bar{w}_t}$ (जो वास्तविक और अपेक्षित संक्रमणों के बीच विसंगतियों को ध्यान में रखता है), और मार्जलाइज्ड इटरेटेड एक्सपेक्टेशन शामिल है।
- क्रॉस-फिटिंग (Cross-fitting) का उपयोग न्युसेंस फंक्शन्स के अनुमान को मोमेंट कंडीशन के मूल्यांकन से अलग करने के लिए किया जाता है, जिससे जटिल मशीन लर्निंग मॉडल का उपयोग करने पर भी ओवरफिटिंग को रोका जा सके और वैध स्पर्शोन्मुखी सामान्यता (asymptotic normality) सुनिश्चित की जा सके।

अनुमान प्रक्रिया

एल्गोरिदम दो मुख्य चरणों में आगे बढ़ता है:

न्युसेंस अनुमान (Nuisance Estimation): $L$ -फोल्ड क्रॉस-फिटिंग का उपयोग करते हुए, सुपरवाइज्ड लर्निंग मॉडल प्रशिक्षण फोल्ड्स पर सशर्त माध्य फलन $m$ और संक्रमण मॉडल $T$ (कर्नेल के लिए) का अनुमान लगाते हैं, जिससे मूल्यांकन फोल्ड्स के लिए आउट-ऑफ-सैंपल भविष्यवाणियां उत्पन्न होती हैं।
पुनरावर्ती एकीकरण (Recursive Integration): प्रत्येक इकाई के लिए, विधि अनुमानित संक्रमण कर्नेलों से मोंटे कार्लो सैंपलिंग का उपयोग करके $t-1$ से $1 $तक पीछे की ओर$ \Gamma$ की पुनरावर्ती गणना करती है। अंतिम अनुमानक औसत अवशेष, सहायक सुधार पद और मार्जलाइज्ड प्रारंभिक अपेक्षा को जोड़ता है।

3. प्रमुख योगदान

यह शोध पत्र चार प्राथमिक योगदान देता है:

गतिशील प्रतिगत समायोजन (Dynamic Regression Adjustment): यह एक अभिनव प्रतिगमन-समायोजन ढांचे को प्रस्तुत करता है जो उपचार प्रभावों के अनुदैर्ध्य अनुमान के लिए संक्रमण कर्नेल का उपयोग करके गतिशील सहचर संक्रमणों को शामिल करता है।
सैद्धांतिक गारंटी (Theoretical Guarantees): यह प्रस्तावित अनुमानक की स्पर्शोन्मुखी सामान्यता (asymptotic normality) को स्थापित करता है, जो पारंपरिक सेटिंग्स से परे कारण अनुमान सिद्धांत का सामान्यीकरण करता है।
दक्षता सीमाएं (Efficiency Bounds): लेखक इस सेटिंग में अनुदैर्ध्य उपचार प्रभाव अनुमानकों के लिए सेमीपैरामीट्रिक दक्षता सीमा (semiparametric efficiency bound) को व्युत्पन्न करते हैं और सिद्ध करते हैं कि उनका गतिशील प्रतिगमन-समायोजित अनुमानक इस सीमा को प्राप्त करता है।
अनुभवजन्य सत्यापन (Empirical Validation): सिमुलेशन अध्ययनों और वास्तविक दुनिया के A/B टेस्ट डेटा पर अनुभवजन्य विश्लेषण के माध्यम से, यह शोध पत्र प्रदर्शित करता है कि यह विधि अनुभवजन्य अनुमानकों और मानक समायोजनों की तुलना में महत्वपूर्ण विचरण कमी (कम RMSE और संकीर्ण विश्वास अंतराल) प्राप्त करती है, जबकि नाममात्र कवरेज संभावनाओं को बनाए रखती है।

4. परिणाम

सिमुलेशन अध्ययन

गैर-रेखीय निर्भरताओं और समय-परिवर्तनीय उपचार प्रभावों वाले युग्मित डायनेमिकल सिस्टम (Lorenz-96 मॉडल पर आधारित) से उत्पन्न सिंथेटिक डेटा का उपयोग करते हुए:

विचरण में कमी (Variance Reduction): प्रस्तावित अनुमानक (विशेष रूप से वे जो प्रतिगमन के लिए रैंडम फॉरेस्ट और संक्रमणों के लिए गॉसियन MLP को मिलाते हैं, यानी RF-MLP) ने अनुभवजन्य अनुमानकों और मानक OLS/VAR समायोजनों की तुलना में लगातार कम रूट मीन स्क्वेर्ड एरर (RMSE) और छोटे 95% विश्वास अंतराल की लंबाई प्राप्त की।
कवरेज (Coverage): सभी समायोजित अनुमानकों ने नाममात्र कवरेज संभावनाओं (लगभग 95%) को बनाए रखा, जो वैध स्पर्शोन्मुखी अनुमान की पुष्टि करता है।
स्केलेबिलिटी (Scalability): प्रदर्शन में नमूना आकार बढ़ने के साथ सुधार हुआ, जो सैद्धांतिक दक्षता लाभों को प्रमाणित करता है।

अनुभवजन्य विश्लेषण

इस पद्धति को एक जापानी स्ट्रीमिंग प्लेटफॉर्म पर 10-दिवसीय अनुदैर्ध्य A/B टेस्ट पर लागू किया गया, जिसमें कंटेंट-आधारित अनुशंसाओं (उपचार) की तुलना इंटरैक्शन-आधारित अनुशंसाओं (नियंत्रण) से की गई।

परिशुद्धता लाभ (Precision Gains): गतिशील प्रतिगमन समायोजन ने अन-एडजस्टेड अनुभवजन्य अनुमानक की तुलना में पूरे प्रयोगात्मक काल के दौरान मानक त्रुटियों को लगभग 0.4% से 20.4% तक कम कर दिया।
अंतर्दृष्टि (Insight): पद्धति ने खुलासा किया कि उपचार प्रभाव ने शुरू में देखने के समय (viewing time) पर सकारात्मक प्रभाव दिखाया लेकिन बाद में इसमें गिरावट आई, एक ऐसा कालिक गतिशील (temporal dynamic) जिसे समग्र मेट्रिक्स द्वारा छिपाया जा सकता है। संकीर्ण विश्वास अंतराल ने इस प्रक्षेपवक्र के अधिक सटीक अनुमान प्रदान किए।

5. महत्व और दावे

शोध पत्र का दावा है कि यह यादृच्छिक प्रयोगों में अनुदैर्ध्य उपचार प्रभावों के लिए एक प्रतिगमन-समायोजन अनुमानक विकसित करने वाला पहला कार्य है जो स्पष्ट रूप से संक्रमण कर्नेल के माध्यम से सहचर संक्रमण मॉडलिंग का लाभ उठाता है और यह स्थापित करता है कि एल्गोरिदम सेमीपैरामीट्रिक दक्षता सीमा को प्राप्त करता है।

इस कार्य का महत्व इसकी क्षमता में निहित है:

उपचार-पश्चात डेटा से जानकारी निकालना: यह बिना लक्षित एस्टिमेंड को विकृत किए, विचरण में कमी के लिए विकसित उपचार-पश्चात इतिहासों का सफलतापूर्वक उपयोग करता है, जो ऐतिहासिक रूप से कारण अनुमान में ऐसे डेटा के उपयोग को सीमित करता रहा है।
मजबूत अनुमान सक्षम करना: नेमन-ऑर्थोगोनल मोमेंट कंडीशंस को क्रॉस-फिटिंग के साथ जोड़कर, यह विधि न्युसेंस घटकों के लिए लचीले, उच्च-आयामी मशीन लर्निंग मॉडल का उपयोग करने पर भी वैध सांख्यिकीय अनुमान (मानक त्रुटियां, विश्वास अंतराल) प्रदान करती है।
सांख्यिकीय शक्ति में सुधार: प्रदर्शित विचरण कमी सीधे उच्च सांख्यिकीय शक्ति में अनुवादित होती है, जिससे शोधकर्ताओं को छोटे नमूना आकारों के साथ उपचार प्रभावों का पता लगाने या बड़े पैमाने के ऑनलाइन प्रयोगों में अधिक सटीक अनुमान प्राप्त करने में मदद मिलती है।

लेखक सीमाओं का उल्लेख करते हैं, जिसमें पूर्ण अनुपालन (perfect compliance) और हस्तक्षेप का अभाव (no interference - मानक A/B टेस्ट स्थितियां) का अनुमान, स्थिर शासन (static regimes) पर ध्यान केंद्रित करना (संदर्भित बैंडिट जैसे अनुकूलित प्रयोगों को छोड़कर), और लंबे समय अंतराल या उच्च-आयामी सहचरों के लिए कम्प्यूटेशनल तीव्रता शामिल है। वे जोर देते हैं कि हालांकि उनकी विधि त्रुटियों के प्रति मजबूत है, लेकिन न्युसेंस घटकों के लिए गंभीर मॉडल मिसस्पेसिफिकेशन या अपर्याप्त नमूना आकार अभी भी अविश्वसनीय परिणाम दे सकते हैं, जिसके लिए कठोर सत्यापन की आवश्यकता होती है।