📊 statistics

A Mathematical Framework for Topological Causal Data Analysis

यह शोध पत्र टोपोलॉजिकल कॉज़ल डेटा एनालिसिस (TCDA) को प्रस्तुत करता है, जो एक ऐसा ढांचा है जो व्यक्तिगत और वितरण दोनों स्तरों पर संरचित परिणामों के लिए कारण प्रभावों (causal effects) के स्थिर, आकार-संवेदनशील सारांश उत्पन्न करने के लिए टोपोलॉजिकल विधियों को लागू करता है, साथ ही पहचान (identification), निरंतरता (consistency) की शर्तों और कॉज़ल डिस्कवरी में टोपोलॉजी की सीमित भूमिका को स्पष्ट करता है।

मूल लेखक: Hugo Gobato Souto, Ioannis Diamantis

प्रकाशित 2026-07-31

📖 8 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Hugo Gobato Souto, Ioannis Diamantis

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 जासूस हैं जो एक रहस्य सुलझाने की कोशिश कर रहे हैं: "क्या इस विशिष्ट क्रिया ने उस विशिष्ट परिणाम को जन्म दिया?" विज्ञान की दुनिया में, इसे कारण विश्लेषण (causal analysis) कहा जाता है। आमतौर पर, जासूस सरल संख्याओं को देखते हैं, जैसे "क्या दवा ने मरीज का बुखार 5 डिग्री कम कर दिया?" या "क्या नई नीति ने बिक्री 10% बढ़ा दी?" यह तब बहुत अच्छा काम करता है जब परिणाम एक एकल संख्या हो। लेकिन क्या होगा यदि परिणाम एक जटिल, टेढ़ा-मेढ़ा आकार हो? क्या होगा यदि "बुखार" वास्तव में एक अजीब तरीके से बढ़ता हुआ 3D ट्यूमर हो, या "बिक्री" सामाजिक संबंधों का एक उलझा हुआ जाल हो? इन मामलों में, आप केवल एक संख्या को दूसरी संख्या से घटाकर अंतर नहीं देख सकते। आपको बदलाव के आकार को मापने का एक तरीका चाहिए, न कि केवल उसके आकार को।

यहीं पर टोपोलॉजिकल डेटा एनालिसिस (TDA) काम आता है। TDA को डेटा के "कंकाल" को देखने वाले जादुई चश्मे के रूप में सोचें। बिखरी हुई बारीकियों में खो जाने के बजाय, ये चश्मे बड़ी संरचनात्मक विशेषताओं को उजागर करते हैं: कितने अलग-अलग द्वीप हैं? क्या कोई लूप या सुरंगें हैं? डोनट में कितने छेद हैं? यह एक बादल को देखने और उसमें मौजूद छेदों को गिनने जैसा है, बजाय इसके कि आप उसके पानी के वजन को मापें। वैज्ञानिक इसका उपयोग मस्तिष्क के नेटवर्क से लेकर गैलेक्सी क्लस्टर्स तक सब कुछ अध्ययन करने के लिए करते हैं। लेकिन यहाँ एक पेंच है: सिर्फ इसलिए कि आप एक शानदार आकार देख सकते हैं, इसका मतलब यह नहीं है कि आप जानते हैं कि उसका कारण क्या था। आपको यह जानने के लिए कि क्या किसी उपचार ने वास्तव में आकार को बदला, या वह आकार बस वैसा ही था, खेल के नियमों (कारण संबंधी धारणाओं/causal assumptions) की आवश्यकता होती है।

मुख्य विचार: आकार बदलने वाले विज्ञान के लिए एक नया टूलकिट

यह शोध पत्र एक नया ढांचा पेश करता है जिसे टोपोलॉजिकल कॉज़ल डेटा एनालिसिस (TCDA) कहा जाता है। इसे वैज्ञानिकों के लिए एक मास्टर ब्लूप्रिंट के रूप में सोचें जो यह पूछना चाहते हैं कि, "क्या इस उपचार ने परिणाम के आकार को बदल दिया?" लेखकों, ह्यूगो गोबैटो सूटो और इओआनिस डायमेंटिस ने महसूस किया कि "कारण विज्ञान" (कारण और प्रभाव को समझना) को "टोपोलॉजी" (आकारों का अध्ययन करना) के साथ मिलाना थोड़ा वैसा ही है जैसे ओवन मिट्स और शेफ की टोपी दोनों पहनकर केक बनाने की कोशिश करना—इससे भ्रम पैदा होता है। वे चाहते थे कि वे सामग्री को स्पष्ट रूप से अलग रखें ताकि कोई जल न जाए।

उनकी मुख्य खोज यह है कि आपको समस्या की चार अलग-अलग परतों को अलग रखना होगा, जैसे केक की परतें, ताकि आप अपने सवालों को आपस में न मिला दें:

अवलोकन स्थान (The Observation Space): हम क्या देख रहे हैं? (एक ट्यूमर, एक नेटवर्क, बिंदुओं का एक बादल?)
कारण मॉडल (The Causal Model): खेल के नियम क्या हैं? (क्या हमने उपचार निर्धारित करने के लिए सिक्का उछाला? क्या हमने अन्य कारकों को नियंत्रित किया?)
टोपोलॉजिकल प्रतिनिधित्व (The Topological Representation): हम बिखरे हुए डेटा को एक आकार में कैसे बदलते हैं? (क्या हम लूप देखते हैं? छेद? जुड़े हुए द्वीप?)
कारण संबंधी प्रश्न (The Causal Query): हम वास्तव में क्या पूछ रहे हैं? (क्या आकार बदल गया? क्या छेदों की संख्या बढ़ गई?)

पत्र का तर्क है कि आप केवल एक आकार को एक कारण मॉडल के सामने नहीं फेंक सकते और उत्तर की उम्मीद नहीं कर सकते। आपको पहले आकार को परिभाषित करना होगा, फिर कारण संबंधी प्रश्न पूछना होगा।

आकार परिवर्तन को मापने के दो तरीके

शोध पत्र में पता चलता है कि आकार में बदलाव को मापने के दो बहुत अलग तरीके हैं, और वे हमेशा एकमत नहीं होते हैं। लेखक इसे समझाने के लिए एक मनोरंजक रूपक का उपयोग करते हैं: "व्यक्तिगत बनाम भीड़" (The "Individual vs. The Crowd")।

1. "व्यक्तिगत" दृष्टिकोण (आउटकम-लेवल TCDA)
कल्पमान कीजिए कि आपके पास कंचों (marbles) का एक थैला है। आप आधे कंचों को एक जादुई औषधि देते हैं।

विधि: आप प्रत्येक कंचे को लेते हैं, उसके आकार को देखते हैं, उसके "टोपोलॉजिकल फीचर्स" (जैसे कि उसमें कितने उभार हैं) को मापते हैं, और फिर उन मापों का औसत निकालते हैं।
परिणाम: आपको एक अकेले कंचे के आकार में औसत परिवर्तन प्राप्त होता है।
पेंच: यह तब अच्छा काम करता है जब आप परवाह करते हैं कि उपचार एक व्यक्तिगत वस्तु को कैसे प्रभावित करता है। लेकिन यदि उपचार कंचों की व्यवस्था को बदल देता है (जैसे उन्हें एक साथ गुच्छों में लाना), तो यह विधि इसे मिस कर सकती है क्योंकि यह उन्हें एक-एक करके देख रही है।

2. "भीड़" दृष्टिकोण (डिस्ट्रीब्यूशन-लेवल TCDA)
अब, कल्पना कीजिए कि आप कंचों को एक-एक करके नहीं देखते हैं। इसके बजाय, आप पूरे समूह को एक एकल वस्तु के रूप में देखते हैं।

विधि: आप पूरे समूह के कंचों को लेते हैं, देखते हैं कि वे कैसे व्यवस्थित हैं, और पूरे समूह के आकार को मापते हैं। फिर आप औषधि से पहले और बाद के "समूह के आकार" की तुलना करते हैं।
परिणाम: आप पा सकते हैं कि औषधि ने किसी भी अकेले कंचे के आकार को नहीं बदला, लेकिन इसने पूरे समूह को दो अलग-अलग समूहों में विभाजित कर दिया।
पेंच: यह विधि आबादी में बड़े संरचनात्मक परिवर्तनों को देखने के लिए बेहतरीन है, लेकिन इसकी गणना करना कठिन है क्योंकि आपको पहले पूरी भीड़ का आकार निर्धारित करना होता है।

शोध पत्र गणितीय रूप से सिद्ध करता है कि ये दोनों दृष्टिकोण एक समान नहीं हैं। कभी-कभी, "व्यक्तिगत" दृष्टिकोण कहता है "कोई परिवर्तन नहीं," जबकि "भीड़" वाला दृष्टिकोण कहता है "बड़ा परिवर्तन!" (उदाहरण के लिए, यदि उपचार डेटा के एक क्लस्टर को दो अलग-अलग द्वीपों में विभाजित कर देता है, तो एक व्यक्तिगत कंचे का औसत आकार समान दिख सकता है, लेकिन पूरे समूह का आकार निश्चित रूप से बदल गया है)।

जो यह पेपर खारिज करता है (द "नो मैजिक" लिस्ट)

यह जानना बहुत महत्वपूर्ण है कि यह पेपर आपसे क्या नहीं करने के लिए कहता है। लेखक उनके नए टूलकिट की सीमाओं के बारे में बहुत स्पष्ट हैं:

टोपोलॉजी कोई टाइम मशीन नहीं है: आप एक आकार को देखकर जादुई रूप से यह नहीं जान सकते कि उसका कारण क्या था। यदि आप अपने डेटा में एक लूप देखते हैं, तो टोपोलॉजी आपको यह नहीं बताती कि क्या उपचार A ने इसे उत्पन्न किया या यह केवल एक संयोग था। कारण जानने के लिए आपको अभी भी एक उचित प्रयोग या मजबूत धारणाओं (जैसे रैंडमाइजेशन) की आवश्यकता है।
टोपोलॉजी खराब डेटा को ठीक नहीं करती: यदि आपका डेटा बिखरा हुआ है या आपने सही कारकों (confounders) को नियंत्रित नहीं किया है, तो टोपोलॉजी उसे साफ नहीं करेगी। यह एक आवर्धक लेंस (magnifying glass) है, जादू की छड़ी नहीं।
यह हमेशा पूरी कहानी की पहचान नहीं करती: पत्र दिखाता है कि कभी-कभी आप एक "कोर्स" (coarse) टोपोलॉजिकल प्रभाव की पहचान कर सकते हैं (जैसे "छेदों की संख्या बदल गई") बिना परिणाम के पूर्ण विवरण को जाने। लेकिन आप पूरी कारण संबंधी विधि (causal law) की पहचान करने के लिए इसका उपयोग नहीं कर सकते यदि आकार का प्रतिनिधित्व बहुत सरल है।

वे कितने आश्वस्त हैं?

लेखक अपने द्वारा बनाए गए गणित में बहुत आश्वस्त हैं। उन्होंने केवल अनुमान नहीं लगाया; उन्होंने सख्त नियम (प्रमेय/theorems) लिखे हैं जो सिद्ध करते हैं:

यदि आप उनके चार-स्तरीय ढांचे का पालन करते हैं, तो आपके प्रश्न स्पष्ट होंगे।
यदि आप विशिष्ट गणितीय उपकरणों (जैसे "डिस्टेंस-टू-मेजर" या "परसिस्टेंस डायग्राम") का उपयोग करते हैं, तो आप सिद्ध कर सकते हैं कि आपके डेटा में छोटी त्रुटियां आपके परिणामों को बिगाड़ नहीं देंगी। उन्होंने दिखाया कि यदि आपके डेटा का अनुमान सत्य के करीब है, तो आपके "आकार परिवर्तन" का अनुमान भी सत्य के करीब होगा।
उन्होंने सिद्ध किया कि "व्यक्तिगत" और "भीड़" वाले दृष्टिकोण केवल बहुत विशिष्ट, दुर्लभ मामलों में ही एक ही उत्तर देते हैं। अधिकांश वास्तविक दुनिया के परिदृश्यों में, वे अलग-अलग उत्तर देंगे, और आपको यह चुनना होगा कि कौन सा आपके वैज्ञानिक प्रश्न के अनुकूल है।

आपको इसकी परवाह क्यों करनी चाहिए?

यह ढांचा जटिल चीजों का अध्ययन करने वाले वैज्ञानिकों के लिए निर्देशों का एक नया सेट है।

एक डॉक्टर के लिए: यदि आप एक ट्यूमर का अध्ययन कर रहे हैं, तो आप केवल यह नहीं जानना चाहेंगे कि वह छोटा हुआ या नहीं (एक संख्या)। आप यह भी जानना चाह सकते हैं कि क्या यह अधिक "नुकीला" हो गया है या इसमें नए छेद विकसित हो गए हैं। यह ढांचा आपको यह पूछने में मदद करता है, "क्या दवा ने ट्यूमर की संरचना को बदल दिया?"
एक जलवायु वैज्ञानिक के लिए: यदि आप मौसम के पैटर्न का अध्ययन कर रहे हैं, तो आप यह जानना चाह सकते हैं कि क्या तूफान का सिस्टम दो अलग-अलग हिस्सों में टूट गया। यह ढांचा उस परिवर्तन को मापने में मदद करता है।
एक नेटवर्क शोधकर्ता के लिए: यदि आप यह अध्ययन कर रहे हैं कि लोग कैसे जुड़ते हैं, तो आप यह जानना चाह सकते हैं कि क्या नेटवर्क में दोस्तों का एक बड़ा "लूप" बन गया है।

यह शोध पत्र हर रहस्य को हल नहीं करता है, और यह अच्छे प्रयोगों की आवश्यकता को प्रतिस्थापित नहीं करता है। लेकिन यह वैज्ञानिकों को दुनिया के आकार के बारे में सवाल पूछने का एक स्पष्ट, सुरक्षित तरीका देता है, यह सुनिश्चित करते हुए कि वे किसी एक वस्तु के आकार और पूरी भीड़ के आकार के बीच भ्रमित न हों। यह एक बिखरी हुई, भ्रमित करने वाली समस्या को एक संरचित, समाधान योग्य समस्या में बदल देता है।

तकनीकी सारांश: टोपोलॉजिकल कॉज़ल डेटा एनालिसिस के लिए एक गणितीय ढांचा

समस्या विवरण

आधुनिक वैज्ञानिक परिणाम अक्सर केवल स्केलर मानों के बजाय संरचित वस्तुओं के रूप में प्रकट होते—जैसे कि चित्र (images), पॉइंट क्लाउड्स, नेटवर्क और स्थानिक क्षेत्र (spatial fields)। ऐसे संदर्भों में, मानक कॉज़ल कंट्रास्ट $Y_1 - Y_0$ अक्सर या तो अपरिभाषित होता है या वैज्ञानिक रूप से अपर्याप्त होता है। इन जटिल संरचनाओं को एक एकल स्केलर सारांश में कम करने से महत्वपूर्ण ज्यामितीय या टोपोलॉजिकल जानकारी लुप्त हो सकती है, जबकि सरल घटाव आकार, कनेक्टिविटी या क्लस्टरिंग में होने वाले परिवर्तनों को पकड़ने में विफल रहता है।

जबकि टोपोलॉजिकल डेटा एनालिसिस (TDA) मल्टीस्केल सारांश (जैसे, पर्सिस्टेंस डायग्राम्स, लैंडस्स्केप्स) प्रदान करता है जो स्थिर और आकार-संवेदनशील होते हैं, इन उपकरणों में अंतर्निहित कॉज़ल व्याख्या का अभाव होता है। एक टोपोलॉजिकल फीचर प्रेक्षित ज्यामिति (observational geometry) का वर्णन करता है लेकिन यह कन्फाउंडिंग (confounding) या ट्रीटमेंट असाइनमेंट को ध्यान में नहीं रखता है। इसके विपरीत, मानक कॉज़ल इन्फरेंस फ्रेमवर्क आमतौर पर स्केलर या वेक्टर-वैल्यूड आउटकम्स के लिए डिज़ाइन किए गए होते हैं। एक ऐसी कठोर गणितीय वास्तुकला की आवश्यकता है जो हस्तक्षेप (intervention), पहचान (identification), और फीचर एक्सट्रैक्शन के विशिष्ट भूमिकाओं को मिलाए बिना, कॉज़ल आइडेंटिफिकेशन को टोपोलॉजिकल रिप्रेजेंटेशन के साथ एकीकृत कर सके।

कार्यप्रणाली: TCDA फ्रेमवर्क

यह शोध पत्र टोपोलॉजिकल कॉज़ल डेटा एनालिसिस (TCDA) प्रस्तुत करता है, जिसे टुपल $P_{TCDA} = (S, M(G), T, C)$ द्वारा परिभाषित किया गया है। यह आर्किटेक्चर स्पष्ट रूप से चार परतों को अलग करता है:

अवलोकन स्थान (Observation Space - $S$ ): देखे गए डेटा $(X, A, Y)$ का मापने योग्य स्थान।
कॉज़ल-मॉडल क्लास (Causal-Model Class - $M(G)$ ): एक ग्राफ $G$ के अनुकूल कॉज़ल मॉडल्स का सेट, जो संभावित परिणामों $Y^a$ को निर्धारित करता है।
टोपोलॉजिकल रिप्रेजेंटेशन (Topological Representation - $T$ ): एक मापने योग्य मानचित्र (measurable map) जो आउटकम्स या नियमों को एक मेट्रिक या बानाच स्पेस (Banach space) में रूपांतरित करता है।
कॉज़ल क्वेरी (Causal Query - $C$ ): कॉज़ल मॉडल पर परिभाषित अनुमान का विशिष्ट लक्ष्य।

यह फ्रेमवर्क विश्लेषण के दो प्राथमिक स्तरों के बीच अंतर करता है, जो सामान्यतः क्रमविनिमेय (commute) नहीं होते हैं:

1. आउटकम-लेवल TCDA

इस शाखा में, औसत निकालने से पहले व्यक्तिगत संभावित परिणामों (potential outcomes) पर टोपोलॉजी लागू की जाती है।

प्रतिनिधित्व (Representation): मान लीजिए $T_{out}: Y \to B$ एक विभाज्य बानाच स्पेस $B$ (जैसे, पर्सिस्टेंस लैंडस्केप्स, सिलुएट्स) में एक मापने योग्य मानचित्र है।
लक्ष्य: टोपोलॉजिकल एवरेज ट्रीटमेंट इफेक्ट (TATE) को इस प्रकार परिभाषित किया गया है:
$TATE_{out} = E[T_{out}(Y^1)] - E[T_{out}(Y^0)]$
पहचान (Identification): मानकीकरण (standardization) या इनवर्स-प्रोबेबिलिटी वेटिंग (IPW) के तहत, आउटकम-लेवल प्रभाव को पहचाना जाता है। यह शोध पत्र बानाच-स्पेस-वैल्यूड आउटकम्स के लिए इन परिणामों का विस्तार करता है, बोचन इंटीग्रेबिलिटी (Bochner integrability) के लिए स्थितियां स्थापित करता है और न्युसेंस फंक्शन्स के लिए प्रोडक्ट-रेट बाउंड्स के साथ डबली रोबस्ट एस्टिमेटर्स को व्युत्पन्न करता है।
वेक्टराइजेशन-मुक्त प्रभाव: उन मामलों के लिए जहाँ वेक्टराइजेशन से बचा जाता है, फ्रेमवर्क डायग्राम स्पेस (जैसे, वसरस्टीन दूरी) की मेट्रिक ज्योमेट्री (जैसे, फ्रेट्स मीन या ज्यामितीय माध्य) पर निर्भर करते हुए मेट्रिक-स्पेस एस्टिमेंड्स पर विचार करता है।

2. डिस्ट्रीब्यूशन-लेवल TCDA

इस शाखा में, टोपोलॉजी स्वयं इंटरवेंशनल आउटकम लॉज़ (interventional outcome laws) पर लागू होती है।

प्रतिनिधित्व: मान लीजिए $T_{dist}: \mathcal{P}^*(Y) \to Z_{dist}$ प्रोबेबिलिटी लॉज़ पर कार्य करने वाला एक मानचित्र है (जैसे, लॉ के सपोर्ट या डिस्टेंस-टू-मेजर फंक्शन पर पर्सिस्टेंट होमोलॉजी लागू करना)।
लक्ष्य: डिस्ट्रीबशन-लेवल प्रभाव है:
$\Delta_{dist} = T_{dist}(P^1_Y) - T_{dist}(P^0_Y)$
(या एक स्केलर विसंगति $d_{dist}(T_{dist}(P^1_Y), T_{dist}(P^0_Y))$ )।
पहचान: इंटरवेंशनल लॉज़ $P^a_Y$ को कॉज़ल $g$ -फॉर्मूला के माध्यम से पहचाना जाता है। टोपोलॉजिकल रिप्रेजेंटेशन इस पहचान चरण के बाद लागू किया जाता है।
गैर-क्रमविनियता (Non-Commutation): यह शोध पत्र प्रदर्शित करता है कि आउटकम-लेवल और डिस्ट्रीब्यूशन-लेवल कंट्रास्ट सामान्यतः भिन्न होते हैं। वे तभी सहमत होते हैं जब $T_{dist} - A$ प्रासंगिक लॉज़ के वर्ग पर स्थिर (constant) हो (जहाँ $A$ मीन फंक्शनल है)। नॉन-अफ़ाइन (non-affine) रिप्रेजेंटेशन (जैसे, क्लस्टरिंग या कनेक्टिविटी के प्रति संवेदनशील) औसत टोपोलॉजिकल सारांशों और औसत लॉज़ को सारांशित करने के बीच एक मौलिक विचलन पैदा करते हैं।

स्थिरता और प्लग-इन गारंटी (Stability and Plug-in Guarantees)

फ्रेमवर्क यह स्थापित करता है कि यदि टोपोलॉजिकल रिप्रेजेंटेशन एक विशिष्ट डायग्राम मेट्रिक (जैसे, बॉटलनेक या वसरस्टीन दूरी) के संबंध में लिप्सचिट्ज़ निरंतर (Lipschitz continuous) है, तो कॉज़ल कंट्रास्ट यह स्थिरता विरासत में प्राप्त करता है।

आउटकम स्तर: आउटकम स्पेस से स्थिरता, संभावित परिणामों के कपलिंग के माध्यम से TATE में स्थानांतरित होती है।
डिस्ट्रीब्यूशन स्तर: प्रोबेबिलिटी लॉज़ (जैसे, $W_2$ दूरी) के स्पेस से स्थिरता, डिस्ट्रीब्यूशन-लेवल प्रभाव में स्थानांतरित होती है। डिस्टेंस-टू-मेजर (DTM) पर्सिस्टेंस के लिए, अनुमानित इंटरवेंशनल लॉज़ की $W_2$ त्रुटि, DTM पैरामीटर $m$ द्वारा स्केल किए गए प्रभाव द्वारा सीमित होती है।

टोपोलॉजिकल इग्नरेबिलिटी और डिस्कवरी सीमाएं

लक्ष्य-विशिष्ट इग्नरेबिलिटी: साकी और फाघीही [32] के आधार पर, यह शोध पत्र कंडीशनल टोपोलॉजिकल इग्नरेबिलिटी को औपचारिक रूप देता है। यह वीक कंडीशनल एक्सचेंजेबिलिटी की तुलना में एक कमजोर धारणा है, जो कोवेरिएट-स्टैंडर्डाइज्ड टोपोलॉजिकल प्रभावों को पहचानने के लिए पर्याप्त है, भले ही पूर्ण इंटरवेंशनल लॉज़ की पहचान न की जा सके, बशर्ते कि रिप्रेजेंटेशन नॉन-इंजेक्टिव हो और भिन्न लॉज़ एक ही फाइबर में हों।
कॉज़ल डिस्कवरी: यह शोध पत्र कॉज़ल डिस्कवरी में टोपोलॉजी की सीमाओं को स्पष्ट करता है। जबकि टोपोलॉजिकल सारांश प्रतिबंधित मॉडल क्लासेस (जैसे, सपोर्ट टोपोलॉजी के आधार पर लेटेंट सर्कुलर मैकेनिज्म और फंक्शनल डिपेंडेंसी के बीच अंतर करना) को अलग कर सकते हैं, वे अतिरिक्त धारणाओं (जैसे, टेम्पोरल ऑर्डर, इंडिपेंडेंट नॉइज़) के बिना कॉज़ल एडजेस को ओरिएंट या इंटरवेंशन को पहचानने के लिए अकेले पर्याप्त नहीं हैं।

मुख्य योगदान

एकीकृत वास्तुकला: अवलोकन, कॉज़ल मॉडल, टोपोलॉजिकल रिप्रेजेंटेशन और क्वेरी का एक औपचारिक पृथक्करण, जो हस्तक्षेप, पहचान और फीचर प्रासंगिकता के बारे में वैज्ञानिक प्रश्नों के मिश्रण को रोकता है।
बानाच-स्पेस फॉर्मूलेशन: बानाच-स्पेस-वैल्यूड सारांशों के लिए आउटकम-लेवल TCDA का एक कठोर उपचार, जिसमें पहचान, डबली रोबस्ट एस्टीमेशन और बोचन इंटीग्रेबिलिटी के लिए स्थितियां शामिल हैं।
गैर-क्रमविनियता का लक्षण वर्णन: इस बात का सैद्धांतिक लक्षण वर्णन कि आउटकम-लेवल और डिस्ट्रीब्यूशन-लेवल प्रभाव कब सहमत होते हैं, यह सिद्ध करते हुए कि नॉन-अफ़ाइन टोपोलॉजिकल ट्रांसफॉर्मेशन आम तौर पर भिन्न कॉज़ल टार्गेट्स की ओर ले जाते हैं।
स्थिरता स्थानांतरण (Stability Transfer): टोपोलॉजिकल रिप्रेजेंटेशन के लिप्सचिट्ज़ कांस्टेंट के आधार पर कॉज़ल कंट्रास्ट के लिए स्थिरता बाउंड्स का व्युत्पन्न, विशेष रूप से $W_2$ एरर को DTM-आधारित कॉज़ल प्रभावों के साथ जोड़ना।
डिस्कवरी सीमाओं का स्पष्टीकरण: यह स्पष्ट करना कि कब ऑब्जर्वेशनल टोपोलॉजी कॉज़ल डिस्कवरी में सहायता कर सकती है (जैसे, मॉडल क्लासेस के पृथक्करण के माध्यम से) और स्ट्रक्चर आइडेंटिफिकेशन के लिए कॉज़ल धारणाओं को बदलने में इसकी अक्षमता के बारे में स्पष्ट बयान देना।

परिणाम और महत्व

यह शोध पत्र विशिष्ट डेटासेट्स के लिए नए एस्टीमेशन एल्गोरिदम का प्रस्ताव नहीं करता है, बल्कि मौजूदा और भविष्य के तरीकों को न्यायसंगत बनाने और विश्लेषण करने के लिए आवश्यक गणितीय बुनियादी ढांचा प्रदान करता है।

महत्व: फ्रेमवर्क स्पष्ट करता है कि टोपोलॉजी हस्तक्षेप को परिभाषित नहीं करती है; यह कॉज़ल धारणाएं निर्दिष्ट किए जाने के बाद स्थिर, आकार-संवेदनशील सारांश प्रदान करती है। यह रेखांकित करता है कि ऑपरेशन्स का क्रम (टोपोलॉजिकल ट्रांसफॉर्मेशन बनाम पॉपुलेशन एग्रीगेशन) कॉज़ल टार्गेट को परिभाषित करता है।
व्यावहारिक निहितार्थ: शोधकर्ताओं को स्पष्ट रूप से चुनना चाहिए कि उनका वैज्ञानिक प्रश्न व्यक्तिगत आकारों में औसत परिवर्तन (आउटकम-लेवल) के बारे में है या जनसंख्या वितरण की ज्यामिति में परिवर्तन (डिस्ट्रीब्यूशन-लेवल) के बारे में है, क्योंकि ये भिन्न टार्गेट हैं जो अलग-अलग निष्कर्ष दे सकते हैं।
मजबूती (Robustness): फ्रेमवर्क दिखाता है कि जबकि टोपोलॉजिकल इग्नरेबिलिटी मोटे प्रभावों की पहचान के लिए कमजोर धारणाओं के तहत संभव बना सकती है, यह मार्जिनल इफेक्ट्स या पूर्ण लॉ आइडेंटिफिकेशन के लिए जेनेरिक मजबूती प्रदान नहीं करती है।

निष्कर्षतः, TCDA टोपोलॉजिकल डेटा एनालिसिस को मानक कॉज़ल इन्फरेंस अनुक्रम (टार्गेट परिभाषा $\to$ धारणाएं $\to$ पहचान $\to$ एस्टीमेशन) के भीतर रखता है, जिससे यह सुनिश्चित होता है कि टोपोलॉजिकल सारांशों की उचित कॉज़ल कठोरता के साथ व्याख्या की जाए।