Causal Inference under Interference with Learned Exposure Mappings

तकनीकी सारांश: सीखे गए एक्सपोज़र मैपिंग के साथ हस्तक्षेप के तहत कारण अनुमान (Causal Inference)

समस्या विवरण
हस्तक्षेप के तहत कारण अनुमान (causal inference under interference) में, "एक्सपोज़र मैपिंग" एक महत्वपूर्ण घटक है जो यह परिभाषित करता है कि एक इकाई को दिए गए उपचार (treatments) अन्य इकाइयों के प्रभावी एक्सपोज़र को कैसे प्रभावित करते हैं। पारंपरिक ढांचे आमतौर पर यह मानते हैं कि यह मैपिंग पूर्व-निर्धारित (a priori) रूप से ज्ञात होती है, जिसे अक्सर निश्चित भौगोलिक दूरियों या नेटवर्क संरचनाओं के माध्यम से निर्दिष्ट किया जाता है। हालांकि, पर्यावरणीय अनुप्रयोगों में—जैसे कि प्रदूषण नियंत्रण के स्वास्थ्य प्रभावों का विश्लेषण करना—एक्सपोज़र मैपिंग सीधे तौर पर देखी नहीं जा सकती है। इसके बजाय, यह अव्यक्त वायुमंडलीय परिवहन प्रक्रियाओं (latent atmospheric transport processes) द्वारा प्रेरित होती है जिन्हें प्रदूषण डेटा से सीखा जाना आवश्यक है।

यह एक मौलिक चुनौती पैदा करता है: जबकि विभिन्न परिवहन मॉडल (यांत्रिक PDEs, फिजिक्स-इंफॉर्म्ड न्यूरल ऑपरेटर्स, फूरियर न्यूरल ऑपरेटर्स, और फाउंडेशन मॉडल्स) देखे गए प्रदूषण सांद्रता के पूर्वानुमान में समान भविष्य कहनेवाला सटीकता (predictive accuracy) प्राप्त कर सकते हैं, वे अलग-अलग अंतर्निहित परिवहन ऑपरेटरों का संकेत दे सकते हैं। फलस्वरूप, ये मॉडल भिन्न एक्सपोज़र मैपिंग उत्पन्न कर सकते हैं, जिससे स्पिलओवर प्रभावों (spillover effects) के संबंध में भिन्न कारण निष्कर्ष (causal conclusions) निकल सकते हैं। यह शोध इस बात की जांच करता है कि क्या पूर्वानुमानित सहमति (predictive agreement) विश्वसनीय कारण अनुमान के लिए पर्याप्त है जब एक्सपोज़र मैपिंग देखी जाने के बजाय सीखी गई हो।

कार्यप्रणाली
यह अध्ययन एक ऐसे ढांचे का उपयोग करता है जहाँ एक परिवहन ऑपरेटर $T$ एक हस्तक्षेप वेक्टर $A$ (उत्सर्जन में कमी) को एक एक्सपोज़र मैपिंग $E(T) = TA$ में मैप करता है। रुचि का कारण संबंधी परिमाण (causal quantity of interest) स्वास्थ्य परिणामों $H$ पर स्पिलओवर प्रभाव है, जिसे प्रत्यक्ष हस्तक्षेप और स्पिलओवर एक्सपोज़र के फलन (function) के रूप में मॉडल किया गया है।

लेखक चार अलग-अलग परिवहन मॉडलिंग दृष्टिकोणों की तुलना करते हैं:

1. मैकेनिस्टिक PDE: एक एडवेक्शन-डिफ्यूजन पार्शियल डिफरेंशियल इक्वेशन मॉडल।
2. PINO: फिजिक्स-इंफॉर्म्ड न्यूरल ऑपरेटर्स।
3. FNO: फूरियर न्यूरल ऑपरेटर्स।
4. GeoPT: भूभौतिकीय परिवहन के लिए एक हालिया फाउंडेशन मॉडल।

मूल्यांकन दो चरणों में आगे बढ़ता है:

• सिमुलेशन अध्ययन: एक अव्यक्त "सत्य" परिवहन ऑपरेटर $T^*$ प्रदूषण गतिकी (dynamics) उत्पन्न करता है। प्रतिस्पर्धी मॉडलों को परिणामी देखे गए प्रदूषण क्षेत्र पर फिट किया जाता है। अध्ययन प्रत्येक मॉडल की प्रदूषण ($PM$) भविष्यवाणी करने, सत्य एक्सपोज़र मैपिंग को पुनः प्राप्त करने और वास्तविक स्पिलओवर प्रभाव का अनुमान लगाने की क्षमता का आकलन करता है।
• अनुभवजन्य विश्लेषण (Empirical Analysis): इन मॉडलों को कैलिफोर्निया $PM_{2.5}$ डेटा पर लागू किया जाता है। विश्लेषण यह जांचता है कि विभिन्न परिवहन धारणाएं काल्पनिक प्रदूषण-नियंत्रण हस्तक्षेपों के तहत अनुमानित स्पिलओवर पैटर्न को कैसे प्रभावित करती हैं, बिना किसी एकल "सत्य" वायुमंडलीय प्रक्रिया की पहचान करने का दावा किए।

मुख्य परिणाम

• भवि 예측 समानता बनाम कारण विचलन (Predictive Equivalence vs. Cusal Divergence): सिमुलेशन में, चारों मॉडलों ने लगभग समान प्रदूषण भविष्यवाणी सटीकता ($R^2$ 0.970 से 0.975 के बीच) प्राप्त की। हालांकि, उनके अनुमानित स्पिलओवर प्रभाव काफी भिन्न थे, जो 1.78 से 2.27 तक रहे। जिस मॉडल ने एक्सपोज़र मैपिंग को सबसे सटीक रूप से पुनः प्राप्त किया (FNO), उसने वास्तविक मान के सबसे करीब स्पिलओवर अनुमान प्रस्तुत किया।
• एक्सपोज़र मैपिंग सटीकता एक भविष्यवक्ता के रूप में: अध्ययन में पाया गया कि एक्सपोज़र मैपिंग को पुनः प्राप्त करने में सटीकता, प्रदूषण भविष्यवाणी सटीकता में मामूली सुधार की तुलना में अनुमानित प्रदर्शन के लिए एक मजबूत भविष्यवक्ता थी। बड़े एक्सपोजर मैपिंग त्रुटियों वाले मॉडलों (जैसे PINO, GeoPT) ने स्पिलओवर अनुमानों में अधिक विचलन उत्पन्न किया।
• हस्तक्षेप संवेदनशीलता: एक्सपोजर मैपिंग की अनिश्चितता का प्रभाव हस्तक्षेप के प्रकार पर बहुत अधिक निर्भर था:
  • क्षेत्रीय हस्तक्षेप (Regional Interventions): मॉडलों के बीच मध्यम असहमति देखी गई (स्पिलओवर रेंज: 1.79–2.42)।
  • अपविंड हस्तक्षेप (Upwind Interventions): सबसे कम असहमति देखी गई (रेंज: 1.93–2.13)।
  • स्थानीय बिंदु-स्रोत हस्तक्षेप (Localized Point-Source Interventions): पर्याप्त असहमति देखी गई, जहाँ अनुमानित स्पिलओवर प्रभाव 0.51 (PDE) से 1.56 (GeoPT) के बीच रहे—जो कि तीन गुना अंतर है।
• अनुभवजन्य निष्कर्ष (कैलिफोर्निया): कैलिफोर्निया $PM_{2.5}$ डेटा का विश्लेषण सिमुलेशन परिणामों को दर्शाता है। जबकि प्रतिस्पर्धी मॉडल देखे गए सांद्रता के समान पूर्वानुमान उत्पन्न करते थे, वे अलग-अलग स्पिलओवर पैटर्न का संकेत देते थे और हस्तक्षेपों से सर्वाधिक प्रभावित होने वाले स्थानों की अलग-अलग पहचान करते थे। उल्लेखनीय रूप से, जबकि स्पिलओवर अनुमान भिन्न थे, समग्र अनुमानित हस्तक्षेप प्रभाव स्थिर रहे (0.303 से 0.305 के बीच), जो यह सुझाव देता है कि परिवहन अनिश्चितता आक्रामक नीति प्रभाव भविष्यवाणियों की तुलना में यांत्रिक समझ को अधिक प्रभावित करती है।

महत्व और दावे
यह शोध तर्क देता है कि जब एक्सपोजर मैपिंग सीखी जाती है, तो केवल भविष्य कहनेवाला सहमति (predictive agreement) विश्वसनीय कारण अनुमान के लिए अपर्याप्त है। मुख्य योगदान यह प्रदर्शित करना है कि समान रूप से देखे गए डेटा को फिट करने वाले मॉडल अलग-अलग एक्सपोजर मैपिंग उत्पन्न कर सकते हैं, जिससे स्पिलओवर प्रभावों के बारे में काफी भिन्न निष्कर्ष निकलते हैं, विशेष रूप से स्थानीयकृत हस्तक्षेपों के लिए।

लेखक का दावा है कि:

1. एक्सपोज़र मैपिंग को अनुमानित मात्रा के रूप में माना जाना चाहिए न कि निश्चित डिज़ाइन ऑब्जेक्ट के रूप में, जिसके लिए डाउनस्ट्रीम कारण विश्लेषणों में परिवहन शिक्षण प्रक्रिया से अनिश्चितता के प्रसार की आवश्यकता है।
2. परिवहन मॉडलों के मूल्यांकन मानदंड भविष्य कहनेवाला सटीकता से आगे बढ़कर प्रेरित एक्सपोजर मैपिंग की स्थिरता और विश्वसनीयता को भी शामिल करने चाहिए।
3. सीखे गए परिवहन प्रक्रियाओं में अनिश्चितता लक्षित हस्तक्षेपों के लिए सबसे अधिक मायने रखती है, जहाँ स्थानीय परिवहन व्यवहार व्यापक क्षेत्रीय हस्तक्षेपों की तुलना में डाउनस्ट्रीम एक्सपोजर पर अधिक प्रभाव डालता है।

अध्ययन निष्कर्ष निकालता है कि सीखे गए परिवहन प्रक्रियाओं में अनिश्चितता को ध्यान में रखे बिना, स्पिलओवर प्रभावों के संबंध में कारण अनुमान अविश्वसनीय हो सकते हैं, भले ही अंतर्निहित मॉडल अपने भविष्य कहनेवाला प्रदर्शन के मामले में समान प्रतीत होते हों।