A Law of Iterated Expectation Primer for Causal Inference

मुख्य विचार: हमें इसकी आवश्यकता क्यों है?

कल्पना कीजिए कि आप जानना चाहते हैं कि क्या एक विशिष्ट दवा (मान लीजिए "टैमोक्सीफेन" - Tamoxifen) वास्तव में स्तन कैंसर को वापस आने से रोकती है। एक आदर्श दुनिया में, आप एक समूह को दवा दे सकते हैं और दूसरे समूह को चीनी की गोली (sugar pill), और फिर परिणामों की तुलना कर सकते हैं। यह एक रैंडमाइज्ड ट्रायल (randomized trial) है।

लेकिन वास्तविक दुनिया में, हमारे पास अक्सर केवल अवलोकन संबंधी डेटा (observational data) होता है। हम लोगों को दवा लेने के लिए मजबूर नहीं कर सकते; हम बस देखते हैं कि वे क्या चुनते हैं। समस्या यह है कि जो लोग दवा चुनते हैं, वे उन लोगों से अलग हो सकते हैं जो नहीं चुनते (शायद वे अधिक बीमार हैं, या उनके जीन अलग हैं)। इन अंतरों को कन्फाउंडर्स (confounders) कहा जाता है। यदि हम इनका हिसाब नहीं रखते हैं, तो हम उस चीज़ के लिए दवा को दोष दे सकते हैं जो वास्तव में रोगी के अंतर्निहित स्वास्थ्य के कारण हुई थी।

यह शोध पत्र एक "प्राइमर" (एक शुरुआती गाइड) है कि इस गणितीय समस्या को कैसे ठीक किया जाए। यह एक विशिष्ट गणितीय उपकरण जिसे लॉ ऑफ इटरेटेड एक्सपेक्टेशन (Law of Iterated Expectation) कहा जाता है, के बारे में बताता है और दिखाता है कि यह हमें अव्यवस्थित, वास्तविक दुनिया के डेटा को कारण और प्रभाव के स्पष्ट उत्तर में बदलने में कैसे मदद करता है।

मूल अवधारणा: "लॉ ऑफ इटरेटेड एक्सपेक्टेशन" (Law of Iterated Expectation)

इस नियम को एक भारित औसत (weighted average) की गणना करने के तरीके के रूप में सोचें।

कल्पना कीजिए कि आप एक स्कूल प्रिंसिपल हैं और पूरे स्कूल के औसत टेस्ट स्कोर का पता लगाने की कोशिश कर रहे हैं।

• सरल तरीका: आप बस प्रत्येक छात्र के स्कोर को जोड़ते हैं और छात्रों की संख्या से विभाजित करते हैं। यह "मार्जिनल एक्सपेक्टेशन" (marginal expectation) है।
• "इटरेटेड" तरीका: आप महसूस करते हैं कि स्कूल में अलग-अलग ग्रेड हैं (पहली कक्षा, दूसरी कक्षा, आदि)। आप पहली कक्षा के छात्रों का औसत स्कोर निकालते हैं, फिर दूसरी कक्षा का औसत निकालते हैं, और इसी तरह। फिर, आप उन ग्रेड-स्तरीय औसतों को लेते हैं और उन्हें मिलाते हैं, लेकिन उन्हें इस आधार पर भार (weight) देते हैं कि प्रत्येक ग्रेड में कितने छात्र हैं।

लॉ ऑफ इटरेटेड एक्सपेक्टेशन बस यह कहता है: आपको वही अंतिम उत्तर मिलता है चाहे आप एक साथ सभी का औसत निकालें, या पहले समूहों का औसत निकालें और फिर समूहों को मिलाएं।

पेपर में, लेखक बताते हैं कि यह गणितीय पहचान जी-फॉर्मूला (g-formula) के पीछे का इंजन है, जो कारण प्रभावों (causal effects) को समझने के लिए उपयोग किया जाने वाला एक प्रसिद्ध उपकरण है।

एक ही कार चलाने के दो तरीके: NICE और ICE

यह पेपर इस गणित का उपयोग करने के दो अलग-अलग तरीके पेश करता है। वे गणितीय रूप से समान हैं (वे बिल्कुल एक ही उत्तर देते हैं), लेकिन वे डेटा को अलग तरह से देखते हैं। लेखक इन्हें NICE और ICE कहते हैं।

1. NICE (नॉन-इटरेटिव कंडिशनल एक्सपेक्टेशन)

उपमा: "रेसिपी बुक" दृष्टिकोण।
कल्पना कीजिए कि आप एक शहर के सभी लोगों की औसत ऊंचाई जानना चाहते हैं, लेकिन आपके पास केवल उन लोगों का डेटा है जो लाल टोपी और नीली टोपी पहनते हैं।

• NICE कैसे काम करता है: आप "लाल टोपी" वाले समूह को देखते हैं और उनकी औसत ऊंचाई की गणना करते हैं। आप "नीली टोपी" वाले समूह को देखते हैं और उनकी औसत ऊंचाई की गणना करते हैं। फिर, आप शहर की जनगणना को देखते हैं कि कितने प्रतिशत लोग लाल टोपी बनाम नीली टोपी पहनते हैं। अंत में, आप जनगणना के प्रतिशत का उपयोग करके उन दोनों औसतों को मिलाते हैं।
• पेपर में: लेखक इसे टैमोक्सीफेन और लिम्फ नोड्स के एक सरल उदाहरण का उपयोग करके दिखाते हैं। वे विभिन्न समूहों के लिए पुनरावृत्ति दर (recurrence rate) की गणना करते हैं और फिर अंतिम भारित औसत प्राप्त करने के लिए संख्याओं को "प्लग इन" करते हैं।

2. ICE (इटरेटिव कंडिशनल एक्सपेक्टेशन)

उपमा: "प्रेडिक्शन मशीन" (भविता बताने वाली मशीन) दृष्टिकोण।
कल्पना कीजिए कि आप एक मौसम विज्ञानी हैं। पिछले डेटा का औसत निकालने के बजाय, आप एक मॉडल बनाते हैं जो उस दिन की स्थितियों के आधार पर हर एक दिन के लिए मौसम की भविष्यवाणी करता है।

• ICE कैसे काम करता है: आप अपने डेटा को लेते हैं, उसे एक मॉडल के माध्यम से चलाते हैं, और अपने डेटासेट के प्रत्येक व्यक्ति के लिए एक "अनुमानित परिणाम" (predicted outcome) उत्पन्न करते हैं (जैसे कि उन सभी ने दवा ली होती)। फिर, आप उन सभी भविष्यवाणियों का औसत लेते हैं।
• पेपर में: लेखक दिखाते हैं कि आप हर व्यक्ति के लिए "क्या-होता-यदि" (what-if) भविष्यवाणियों की एक सूची बनाकर और फिर उन्हें औसत निकालकर ऐसा कर सकते हैं।

मुख्य निष्कर्ष: चाहे आप "रेसिपी बुक" (NICE) का उपयोग करें या "प्रेडिक्शन मशीन" (ICE) का, आप अंत में एक ही संख्या प्राप्त करते हैं। यह पेपर सिद्ध करता है कि ये दोनों तरीके एक ही गणितीय वाक्य को लिखने के दो अलग-अलग तरीके हैं।

जटिल होना: समय और बदलते हिस्से

यह पेपर केवल सरल उदाहरणों तक सीमित नहीं रहता। यह दिखाता है कि जब चीजें जटिल होती हैं तो यह कैसे काम करता है:

1. अधिक चर (Variables): क्या होगा यदि आयु, आय, जाति और लिंग सब एक साथ मिले हुए हों? "रेसिपी बुक" (NICE) लिखना बहुत कठिन हो जाता है क्योंकि संयोजनों (combinations) की संख्या बहुत अधिक है। "प्रेडिक्शन मशीन" (ICE) बहुत आसान है क्योंकि आप बस कंप्यूटर को गणित संभालने देते हैं।

2. समय-परिवर्तनीय कन्फाउंडर्स (Time-Varying Confounders): यह सबसे कठिन हिस्सा है। कल्पना कीजिए कि एक परिदृश्य है जहाँ:

   • आप समय 1 पर एक दवा लेते हैं।
   • वह दवा समय 2 पर आपके स्वास्थ्य (एक कन्फाउंडर) को बदल देती है।
   • वह नया स्वास्थ्य स्तर इस बात को प्रभावित करता है कि आप समय 2 पर दवा की दूसरी खुराक लेंगे या नहीं।
   • अंत में, आप समय 3 पर परिणाम देखते हैं।

   इस परिदृश्य में, मानक सांख्यिकी विफल हो जाती है क्योंकि "कन्फाउंडर" (आपका स्वास्थ्य) स्वयं उपचार द्वारा बदला गया था। पेपर दिखाता है कि जी-फॉर्मूला (लॉ ऑफ इटरेटेड एक्सपेक्टेशन का उपयोग करना) ही इस उलझन को सुलझाने का एकमात्र तरीका है। यह पीछे की ओर (backwards) काम करके ऐसा करता है:

   • पहले, बिल्कुल अंत में होने वाले परिणाम की भविष्यवाणी करें।
   • फिर, पीछे की ओर काम करते हुए समय 2 पर क्या हुआ था, उसकी भविष्यवाणी करें।
   • फिर, समय 1 की ओर पीछे की ओर काम करें।
   • अंत में, इस पूरे को औसत निकालें।

   पेपर इसे "बैकवर्ड रिकर्सन" (backward recursion) कहता है। यह एक भूलभुलैया को हल करने जैसा है जिसमें आप निकास (exit) से शुरू करते हैं और प्रवेश द्वार तक पीछे की ओर चलते हैं।

लेखक वास्तव में क्या दावा करते हैं (और क्या नहीं)

• वे दावा करते हैं: लॉ ऑफ इटरेटेड एक्सपेक्टेशन वह गणितीय आधार है जो हमें "हमने जो देखा" को "जो हुआ होता" (कारण प्रभाव) में बदलने की अनुमति देता है।
• वे दावा करते हैं: NICE और ICE विधियाँ गणितीय रूप से समान हैं। वे एक ही चीज़ का प्रतिनिधित्व करते हैं, बस अलग-अलग तरीके से लिखी गई हैं।
• वे दावा करते हैं: सरल स्थितियों (time-fixed) में, दोनों विधियाँ आसान हैं। जटिल स्थितियों (time-varying) में, ICE विधि (पीछे की ओर काम करना) को कोड करना अक्सर आसान और कुछ प्रकार की त्रुटियों के प्रति अधिक मजबूत होता है।
• वे दावा नहीं करते: यह पेपर नए चिकित्सा परिणाम, नई नैदानिक गाइडलाइन्स या डॉक्टरों को रोगियों के इलाज के लिए विशिष्ट सलाह प्रदान नहीं करता है। यह पूरी तरह से डेटा का विश्लेषण करने के गणित और तर्क के बारे में एक मार्गदर्शिका है।
• वे दावा नहीं करते: एक विधि दूसरी विधि से सामान्य अर्थ में "बेहतर" है; वे एक ही काम के लिए केवल अलग-अलग उपकरण हैं। हालांकि, वे नोट करते हैं कि यदि आपके गणितीय मॉडल गलत हैं, तो दोनों विधियाँ गलत उत्तर दे सकती हैं।

निचोड़ (The Bottom Line)

यह पेपर एक अनुवादक है। यह एक बहुत ही सघन, कठिन गणितीय अवधारणा (लॉ ऑफ इटरेटेड एक्सपेक्टेशन) को लेता है और समझाता है कि कैसे यह कच्चे डेटा और कारण सत्य (causal truth) के बीच एक सेतु के रूप में कार्य करता है। यह शोधकर्ताओं को दिखाता है कि चाहे वे "भारित औसत" (weighted average) दृष्टिकोण का उपयोग करें या "चरण-दर-चरण भविष्यवाणी" (step-by-step prediction) दृष्टिकोण का, वे इस प्रश्न का उत्तर देने के लिए एक ही मौलिक तर्क का उपयोग कर रहे हैं: "क्या होता यदि हमने कुछ अलग किया होता?"