Asymptotic emergence of statistically supported false causal interpretation under unmeasured confounding
यह शोध पत्र यह प्रदर्शित करता है कि अनियंत्रित कन्फाउंडिंग (unmeasured confounding) के तहत, नमूना आकार (sample size) में वृद्धि विरोधाभासी रूप से अवलोकन योग्य प्रॉक्सी (observable proxies) के आधार पर गलत कारण संरचनाओं (causal structures) की पहचान करने में अधिक सांख्यिकीय निश्चितता की ओर ले जा सकती है, जो सांख्यिकीय विश्वास और वास्तविक कारण तंत्र की प्राप्ति के बीच एक मौलिक विच्छेद को रेखांकित करता है।
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 एक रहस्य सुलझाने की कोशिश कर रहे एक जासूस हैं, लेकिन आप केवल छोड़े गए सुरागों को देख सकते हैं, अपराधी को नहीं। यह अवलोकन संबंधी कारण संबंधी अनुमान (observational causal inference) की दुनिया है, जो विज्ञान की एक शाखा है जहाँ शोधकर्ता यह पता लगाने की कोशिश करते हैं कि क्या चीज़ क्या कारण बनती है, और इसके लिए वे नियंत्रित प्रयोग करने के बजाय वास्तविक दुनिया के डेटा का उपयोग करते हैं। इस क्षेत्र में, एक "कारण" (cause) एक डोमिनो की तरह है जो दूसरे डोमिनो (प्रभाव या effect) को गिरा देता है। हालाँकि, यहाँ एक पेचीदा नियम है: सिर्फ इसलिए कि दो चीजें एक ही समय में होती हैं (वे "जुड़ी हुई" या associated हैं), इसका मतलब यह नहीं है कि एक ने दूसरे को जन्म दिया है। कभी-कभी, एक छिपा हुआ तीसरा कारक—एक "कन्फाउंडर" (confounder)—चुपके से उन दोनों को धकेल रहा होता है। उदाहरण के लिए, गर्मियों में आइसक्रीम की बिक्री और शार्क के हमले दोनों बढ़ जाते हैं, लेकिन आइसक्रीम शार्क के हमलों का कारण नहीं बनती; छिपा हुआ कारण गर्म मौसम है। वैज्ञानिक "DAGs" (डिरेक्टेड एसाइक्लिक ग्राफ्स) नामक विशेष मानचित्रों का उपयोग करते हैं ताकि वे अपने सिद्धांतों को चित्रित कर सकें कि ये डोमिनो एक-दूसरे से कैसे जुड़े हैं, लेकिन ये मानचित्र उन धारणाओं पर निर्भर करते हैं जिन्हें वे देख नहीं सकते।
बड़ा सवाल जिसकी हर कोई परवाह करता है, वह यह है: क्या हम कभी सुनिश्चित हो सकते हैं कि हमने असली कारण ढूंढ लिया है? जैसे-जैसे हम अधिक डेटा एकत्र करते हैं, हम पैटर्न पहचानने में बेहतर होते जाते हैं। हम पूरे विश्वास के साथ कह सकते हैं कि "A का B से संबंध है।" लेकिन क्या इसका मतलब यह है कि A ने B को उत्पन्न किया? यह लेख एक डरावकी संभावना को संबोधित करता है: क्या होगा अगर हम पैटर्न खोजने में इतने अच्छे हो जाते हैं कि हम गलत उत्तर के बारे में बहुत अधिक आश्वस्त हो जाते हैं? यह सुझाव देता है कि भले ही हमारे पास सटीक गणित और विशाल मात्रा में डेटा हो, यदि वास्तविक कारण हमारी दृष्टि से ओझल है, तो हम एक बहुत ही विश्वसनीय, सांख्यिकीय रूप से ठोस कहानी के साथ गलत संदिग्ध के बारे में भी बना सकते हैं।
अदृश्य कठपुतली का मामला
मान लीजिए कि आप यह पता लगाने की कोशिश कर रहे हैं कि आपके बगीचे में एक विशेष पौधा इतना बड़ा क्यों बढ़ रहा है। आपको संदेह है कि यह "गुप्त सुपर-फर्टिलाइज़र" (मान लीजिए कि इसे X कहते हैं) है जिसे एक रहस्यमय माली चुपके से मिट्टी में डाल रहा है। लेकिन यहाँ एक पेंच है: X अदृश्य है। आप इसे देख नहीं सकते, माप नहीं सकते, या यह भी नहीं जान सकते कि इसका अस्तित्व है। हालाँकि, आप बगीचे में होने वाली अन्य चीजों को देख सकते हैं। आप देखते हैं कि जब भी पौधा बढ़ता है, बगीचे का पाइप भी पानी छिड़क रहा होता है (Z)। वास्तव में, अदृश्य उर्वरक (X) ही पौधे के विकास और पानी के छिड़काव दोनों का कारण है (शायद उर्वरक मिट्टी को प्यासा बनाता है, या माली उर्वरक मिलाने के लिए पाइप का उपयोग करता है)।
अब, कल्पना कीजिए कि आप एक सुपर-कंप्यूटर वाले डेटा वैज्ञानिक हैं। आपने बगीचे का अध्ययन करने का निर्णय लिया है। आप अदृश्य उर्वरक के बारे में नहीं जानते, इसलिए आप केवल उन्हीं चीजों को देखते हैं जिन्हें आप देख सकते हैं: पौधे का आकार और पानी का छिड़काव। आप 10 पौधों से डेटा जुटाते हैं, फिर 100, फिर 10,000। जैसे-जैसे आपका डेटा बढ़ता है, आपका कंप्यूटर पानी के छिड़काव और पौधे के विकास के बीच के संबंध को पहचानने में बेहतर होता जाता है।
यह लेख तर्क देता है कि जैसे-जैसे आपका डेटा बढ़ता है और आपका गणित स्मार्ट होता जाता है, आप अंततः उस बिंदु पर पहुँच जाएंगे जहाँ आप 100% निश्चित होंगे कि पानी का छिड़काव पौधे के विकास का कारण बनता है। आपके सांख्यिकीय परीक्षण चिल्लाकर कहेंगे, "यह एक वास्तविक प्रभाव है! यह कोई इत्तेफाक नहीं है!" आपने एक "स्थिर, डेटा-संचालित" संबंध खोज लिया है। लेकिन यहाँ मोड़ है: आप गलत हैं। पानी ने विकास का कारण नहीं बनना, बल्कि अदृश्य उर्वरक ने किया था। पानी केवल एक "प्रॉक्सी" (proxy) था—एक प्रतिनिधि जो संयोग से वास्तविक कारण के साथ चलता रहा।
"अधिक डेटा" का जाल
लेखक, मार्क लुई एफ. रामोस दिखाते हैं कि यह आपकी गणित की गलती नहीं है या "p-hacking" (परिणाम पाने के लिए आंकड़ों से छेड़छाड़ करना) का परिणाम नहीं है। यह स्थिति का एक मौलिक जाल है।
इसे एक डरावने घर में भूत खोजने की कोशिश के रूप में सोचें। आप भूत (वास्तविक कारण) को नहीं देख सकते, लेकिन आप पर्दों को हिलते हुए और लाइटों को टिमटिमाते हुए देख सकते (प्रॉक्सी)। यदि आप एक हाई-स्पीड कैमरे के साथ वहां लंबे समय तक खड़े रहते हैं, तो आप अंततः पूर्ण निश्चितता के साथ सिद्ध कर देंगे कि "जब पर्दे हिलते हैं, तो लाइटें टिमटिमाती हैं।" आपके पास इस जुड़ाव का एक पूर्ण, अटूट सांख्यिकीय प्रमाण होगा। लेकिन यदि आप निष्कर्ष निकालते हैं कि "पर्दों ने लाइटों को टिमटिमाने का कारण बनाया," तो आपने भूत को पूरी तरह से मिस कर दिया है।
यह लेख सिद्ध करता है कि यदि आप अपने अध्ययन में अधिक चर (variables) जोड़ते हैं (बगीचे में दिखने वाली अधिक चीजें) और अपना नमूना आकार (sample size) बढ़ाते हैं (अधिक पौधों को देखना) तो आप अनिवार्य रूप से गलत चीजों के बीच इन "पूर्ण" संबंधों को खोज लेंगे। आपके पास जितना अधिक डेटा होगा, आप उस कहानी के बारे में उतने ही अधिक आश्वस्त होते जाएंगे जो इस बारे में पूरी तरह से गलत है कि चीजें क्यों हो रही हैं।
यह क्यों महत्वपूर्ण है (और यह क्या नहीं है)
यह समझना महत्वपूर्ण है कि यह लेख क्या नहीं कह रहा है। यह यह नहीं कह रहा है कि वैज्ञानिक गणित में खराब हैं, या वे डेटा को चुन-चुनकर पेश करके धोखाधड़ी कर रहे हैं। लेख स्पष्ट रूप से इस विचार को खारिज करता है कि यह केवल एक "टाइप 1 एरर" (बदकिस्मती या खराब सांख्यिकी के कारण गलत अलार्म) है। वास्तव में, क्योंकि अदृश्य कारण वास्तविक और मजबूत है, ये "गलत" परिणाम यादृच्छिक शोर (random noise) की तुलना में दोबारा होने की अधिक संभावना रखते हैं। यदि आप एक मिलियन पौधों के साथ प्रयोग को फिर से चलाते हैं, तो आपको बार-बार वही "गलत" उत्तर मिलेगा। जुड़ाव (association) वास्तविक है; कारण (causation) झूठ है।
लेख यह भी स्पष्ट करता है कि यह हमारे द्वारा उपयोग किए जाने वाले उपकरणों (जैसे t-test) की समस्या नहीं है। वे उपकरण हमें यह बताने में बहुत अच्छे हैं कि दो चीजें आपस में जुड़ी हुई हैं या नहीं। समस्या यह है कि हम अक्सर भूल जाते हैं कि वे उपकरण तभी काम करते हैं जब हम पहले दुनिया के एक ऐसे मानचित्र पर सहमत होते हैं जिसमें अदृश्य चीजें शामिल हों। यदि हमारे मानचित्र में "अदृश्य उर्वरक" गायब है, तो उपकरण खुशी-खुशी बताएंगे कि "पानी का पाइप" नायक है, और वे इसे पूरी पूर्णता और आत्मविश्वास के साथ करेंगे।
निष्कर्ष
मुख्य निष्कर्ष उन लोगों के लिए थोड़ा निराशाजनक है जो सोचते हैं कि "बिग डेटा" हमारी सभी गुत्थियों को सुलझा देगा। लेख दिखाता है कि अधिक डेटा गायब कारणों की समस्या को हल नहीं करता है। इसके बजाय, यह हमें गलत उत्तरों के बारे में अधिक आश्वस्त बनाता है।
लेखक निष्कर्ष निकालते हैं कि हमें यह सोचना बंद करने की आवश्यकता है कि सांख्यिकीय विश्लेषण यह "सत्यापित" (validate) कर सकता है कि क्या चीज़ क्या कारण बनती है। सांख्यिकी केवल हमें प्रभाव के आकार के बारे में बता सकती है यदि हम यह मान लें कि हमारे दुनिया के मानचित्र सही हैं। असली काम—यह पता लगाना कि अदृश्य कारण क्या हैं—संख्याओं को क्रंच करने से पहले होना चाहिए, जिसका उपयोग हमारे दिमाग, सिद्धांतों और पूर्व ज्ञान का किया जाना चाहिए, न कि केवल कैलकुलेटर का।
इसलिए, अगली बार जब आप ऐसा अध्ययन पढ़ें जो कहता है कि "हमने A और B के बीच एक चट्टान जैसा ठोस, सांख्यिकीय रूप से महत्वपूर्ण संबंध पाया है," तो अदृश्य कठपुतली को याद रखें। डेटा सटीक हो सकता है, गणित त्रुटिहीन हो सकता है, और आत्मविश्वास आसमान छू सकता है, लेकिन यदि वास्तविक कारण छाया में छिपा है, तो पूरी कहानी एक बहुत ही विश्वसनीय भ्रम हो सकती 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।