📊 statistics

Partial Identification Learning with Categorical Treatments for Individualized Treatment Rules

यह शोध पत्र एक नवीन आंशिक पहचान शिक्षण ढांचे (partial identification learning framework) का प्रस्ताव करता है जो एक सामान्यीकृत मिनिमैक्स हानि मानदंड (minimax loss criterion) और एक सममित एम्बेडिंग रणनीति को पेश करके श्रेणीबद्ध उपचारों, परिणामों और इंस्ट्रुमेंटल वेरिएबल्स तक व्यक्तिगत उपचार नियम अनुकूलन (individualized treatment rule optimization) का विस्तार करता है, जिससे एक अवकलनीय सरोगेट जोखिम फलन (differentiable surrogate risk function) प्राप्त होता है, और इस प्रकार मजबूत कारण धारणाओं पर निर्भर किए बिना अपरिभाषित कन्फाउंडिंग के तहत सुदृढ़ निर्णय लेने में सक्षम बनाया जाता है।

मूल लेखक: Johannes Hruza, Paweł Morzywołek, Jakob Zeitler, Samir Bhatt, Michael C Sachs

प्रकाशित 2026-08-21

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Johannes Hruza, Paweł Morzywołek, Jakob Zeitler, Samir Bhatt, Michael C Sachs

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

चिकित्सा और अर्थशास्त्र की दुनिया में, किसी व्यक्ति के लिए सही चुनाव करना अक्सर जीवन और मृत्यु, या कम से कम महत्वपूर्ण कल्याण का मामला होता है। डॉक्टरों को यह तय करना होता है कि कौन सी दवा लिखनी है, और नीति निर्माताओं को यह चुनना होता है कि किस हस्तक्षेप (intervention) को वित्तपोषित करना है, लेकिन उनके पास शायद ही कभी पूर्ण जानकारी होती है। आदर्श परिदृश्य यह है कि हमें ठीक से पता हो कि हर एक व्यक्ति कैसे प्रतिक्रिया देगा यदि वे सभी संभावित विकल्पों को एक साथ आजमा सकें। वास्तविकता में, शोधकर्ता केवल वही देख सकते हैं जो उन लोगों के साथ हुआ जिन्होंने वास्तव में एक विशिष्ट उपचार प्राप्त किया। यह जानने के लिए कि अन्यथा क्या होता, उन्हें धारणाओं पर निर्भर रहना पड़ता है। सबसे आम धारणा यह है कि उन्होंने हर उस कारक को माप लिया है जो उपचार के चुनाव और अंतिम परिणाम दोनों को प्रभावित करता है। यदि वे एक भी छिपे हुए कारक को भूल गए हैं, तो उनके निष्कर्ष खतरनाक रूप से गलत हो सकते हैं, जिससे ऐसी नीतियां बन सकती हैं जो कुछ लोगों की मदद करती हैं लेकिन दूसरों को नुकसान पहुँचाती हैं।

इस अनिश्चितता से निपटने के लिए, वैज्ञानिक कभी-कभी एक विशेष उपकरण का उपयोग करते हैं जिसे 'इंस्ट्रुमेंटल वेरिएबल' (instrumental variable) कहा जाता है। इसे एक प्राकृतिक धक्के (nudge) के रूप में समझें जो इस बात को प्रभावित करता है कि किसी व्यक्ति को कौन सा उपचार प्राप्त होगा, लेकिन उसका स्वास्थ्य परिणाम बदलने की कोई सीधी शक्ति नहीं रखता। एक क्लासिक उदाहरण एक आनुवंशिक भिन्नता (genetic variant) है जो किसी व्यक्ति को एक निश्चित दवा लेने की अधिक संभावना देती है, या एक परीक्षण में यादृच्छिक असाइनमेंट (random assignment) जो पूरी तरह से पालन नहीं किया जाता है। क्योंकि यह धक्का उन छिपे हुए कारकों से स्वतंत्र है जो आमतौर पर भ्रम पैदा करते हैं, यह शोधकर्ताओं को सत्य के चारों ओर एक सीमा खींचने में मदद कर सकता है। एक एकल, सटीक उत्तर बताने के बजाय, यह विधि एक सुरक्षित क्षेत्र (safe zone) को परिभाषित करती है—संभावनाओं की एक सीमा जहाँ वास्तविक प्रभाव अवश्य मौजूद होगा। यह दृष्टिकोण, जिसे 'पार्शियल आइडेंटिफिकेशन' (partial identification) कहा जाता है, यह स्वीकार करता है कि हम सब कुछ नहीं जान सकते, लेकिन यह हमें मजबूत निर्णय लेने की अनुमति देता है जो अनिश्चित होने पर भी सुरक्षित होते हैं।

शोधकर्ताओं के एक दल ने अब इस 'पार्शियल आइडेंटिफिकेशन' की अवधारणा को और अधिक विस्तार दिया है ताकि यह एक बहुत अधिक जटिल वास्तविकता को संभाल सके: स्थितियाँ जहाँ केवल दो विकल्प नहीं, बल्कि कई विकल्प होते हैं। वास्तविक दुनिया में, डॉक्टर अक्सर केवल उपचार और प्लेसबो (placebo) के बीच चयन करने के बजाय कई अलग-अलग दवाओं या विभिन्न खुराक स्तरों के बीच चयन करते हैं। अनिश्चितता के तहत कई विकल्पों को संभालने के लिए पिछली विधियाँ सरल 'हाँ या ना' वाले परिदृश्यों तक सीमित थीं। जोहान्स ह्रुज़ा और उनके सहयोगियों द्वारा विकसित नया ढांचा इस अंतर को पाटता है, जो एक ऐसी प्रणाली बनाता है जो कई श्रेणीगत उपचारों, परिणामों और इंस्ट्रुमेंटल वेरिएबल्स के सामने सामना करते हुए सर्वोत्तम निर्णय नियम को सीख सकती है। उनका कार्य एक तरीका प्रदान करता है जिससे सबसे सुरक्षित और प्रभावी नीति पाई जा सके, भले ही छिपे हुए कारक मौजूद हों और विकल्पों की संख्या अधिक हो।

मुख्य चुनौती जिसका शोधकर्ताओं ने समाधान किया है वह यह है कि सर्वोत्तम विकल्प को कैसे चुना जाए जब आप निश्चित नहीं हो सकते कि वास्तव में सबसे अच्छा कौन सा है। कल्पना कीजिए कि एक डॉक्टर रोगी के डेटा को देख रहा है और देख रहा है कि उपचार 'A' बहुत अच्छा हो सकता है, लेकिन यह औसत दर्जे का भी हो सकता है, जबकि उपचार 'B' बहुत बुरा हो सकता है, लेकिन यह उत्कृष्ट भी हो सकता है। छिपे हुए कारकों को जाने बिना, डॉक्टर सुनिश्चित नहीं हो सकता। शोधकर्ताओं ने 'मिनिमैक्स' (minimax) नामक एक सतर्क रणनीति अपनाई। इसका अर्थ है कि वे उस निर्णय की तलाश करते हैं जो सबसे खराब संभावित गलती को कम करता है। सर्वोत्तम परिणाम की उम्मीद करने के बजाय, वे पूछते हैं: "यदि मैं यह उपचार चुनता हूँ, तो मैं सर्वोत्तम विकल्प की तुलना में अधिकतम कितनी अच्छाई खो सकता हूँ?" फिर वे उस पथ को चुनते हैं जो इस संभावित नुकसान को यथासंभव छोटा रखता है। यह सुनिश्चित करता है कि सबसे खराब स्थिति में भी, निर्णय उपलब्ध जानकारी के अनुसार इष्टतम (optimal) के जितना संभव हो उतना करीब रहे।

एक साथ कई अलग-अलग उपचारों के लिए इसे काम करने के योग्य बनाने के लिए, टीम को एक कठिन ज्यामितीय समस्या को हल करना पड़ा। कई विकल्पों की तुलना करने के लिए मानक विधियाँ अक्सर प्रत्येक विकल्प को अन्य सभी के विरुद्ध एक अलग लड़ाई के रूप में मानती हैं, जिससे भ्रमित करने वाले और विरोधाभासी परिणाम मिल सकते हैं। इसके बजाय, शोधकर्ताओं ने सभी उपचार विकल्पों को एक गणितीय स्थान में एक संतुलित, बहु-पक्षीय आकृति के कोनों पर मैप किया। 'सिम्प्लेक्स' (simplex) नामक यह आकृति प्रत्येक विकल्प के साथ पूर्ण समरूपता (symmetry) के साथ व्यवहार करती है, यह सुनिश्चित करती है कि गणित की ज्यामिति द्वारा किसी एक विकल्प को पक्षपात न किया जाए। फिर उन्होंने एक कंप्यूटर मॉडल को प्रशिक्षित किया कि वह रोगी की विशेषताओं के आधार पर इस आकृति के सर्वोत्तम कोने की ओर संकेत करना सीखे। इस समस्या को एक दिशा की खोज में एक सुचारू और निरंतर प्रक्रिया में बदलकर, उन्होंने शक्तिशाली अनुकूलन उपकरणों (optimization tools) को सर्वोत्तम नीति खोजने की अनुमति दी, भले ही अंतर्निगत तर्क सबसे खराब स्थिति के परिदृश्यों पर आधारित था।

शोधकर्ताओं ने अपने नए तरीके का परीक्षण कठोर कंप्यूटर सिमुलेशन की एक श्रृंखला के माध्यम से किया। उन्होंने आभासी दुनिया बनाई जहाँ वे वास्तविक उत्तर जानते थे, जिससे वे देख सके कि मौजूदा विधियों की तुलना में नए नियम कितने बेहतर प्रदर्शन करते हैं। इन परीक्षणों में, उन्होंने छिपे हुए विसंगति कारकों (confounding factors) की शक्ति, इंस्ट्रुमेंटल वेरिएबल की शक्ति और उपलब्ध उपचार विकल्पों की संख्या में बदलाव किया। परिणामों ने दिखाया कि जब छिपे हुए कारक मजबूत और भ्रामक थे, तो बिना छिपे हुए कारकों वाली पारंपरिक विधियाँ नाटकीय रूप से विफल रहीं, और अक्सर गलत उपचार की सिफारिश कीं। इसके विपरीत, नया 'पार्शियल आइडेंटिफिकेशन' तरीका स्थिर और विश्वसनीय बना रहा। इसने पूर्णतः सटीक उत्तर देने का वादा नहीं किया, लेकिन इसने लगातार एक ऐसी नीति खोजी जो उच्च अनिश्चितता के समय विकल्पों की तुलना में कहीं अधिक सुरक्षित और सत्य के करीब थी।

हालाँकि, सिमुलेशन ने इस पद्धति की एक स्पष्ट सीमा को भी उजागर किया। निर्णय की गुणवत्ता इस बात पर बहुत अधिक निर्भर करती है कि इंस्ट्रुमेंटल वेरिएबल कितना जानकारी प्रदान करता है। जब शोधकर्ताओं ने एक मजबूत 'इंस्ट्रूमेंट' का उपयोग किया जिसने स्पष्ट संकेत दिए, तो नई विधि ने असाधारण रूप से अच्छा प्रदर्शन किया, जिससे सुरक्षित विकल्प और पूर्ण विकल्प के बीच का अंतर कम हो गया। लेकिन जब इंस्ट्रूमेंट कमजोर था, या जब उपचार विकल्पों की संख्या इंस्ट्रूमेंट द्वारा पहचाने जाने वाले स्तरों से अधिक हो गई, तो सुरक्षा क्षेत्र इतना विस्तृत हो गया कि वह उपयोगी नहीं रहा। इन मामलों में, विधि अत्यधिक रूढ़िवादी हो गई, विकल्पों के बीच अंतर करने में असमर्थ रही क्योंकि डेटा में उन्हें अलग करने के लिए पर्याप्त आधार (leverage) नहीं था। यह निष्कर्ष एक मौलिक सत्य को रेखांकित करता है: कोई भी चतुर गणित सूचना की कमी को दूर नहीं कर सकता।

यह कार्य व्यक्तिगत निर्णय लेने (personalized decision-making) के क्षेत्र में एक महत्वपूर्ण कदम है। 'पार्शियल आइडेंटिफिकेशन' को कई विकल्पों तक विस्तारित करके, शोधकर्ताओं ने एक ऐसा उपकरण प्रदान किया है जो नैदानिक और आर्थिक जीवन की जटिल, बहु-विकल्प वास्तविकता के लिए बेहतर अनुकूल है। उन्होंने दिखाया है कि छिपे हुए कारकों के बारे में अवास्तविक धारणाएं बनाए बिना मजबूत नीतियां सीखना संभव है। हालाँकि यह विधि हर समस्या का जादुई समाधान नहीं है, और हालांकि यह अंतर्निहित कारण मॉडल (causal model) की वैधता पर निर्भर करती है, यह अनिश्चितता से निपटने का एक सिद्धांत आधारित तरीका प्रदान करती है। उन डॉक्टरों और नीति निर्माताओं के लिए जो अपूर्ण डेटा के साथ जटिल विकल्पों का सामना कर रहे हैं, यह ढांचा आगे बढ़ने का एक तरीका प्रदान करता है, यह जानते हुए कि उनके निर्णय उन सबसे खराब परिदृश्यों के विरुद्ध सुरक्षित हैं जो छिपे हुए विसंगति कारक अन्यथा पैदा कर सकते थे।

तकनीकी सारांश: व्यक्तिगत उपचार नियमों के लिए श्रेणीबद्ध उपचारों के साथ आंशिक पहचान शिक्षण (Partial Identification Learning)

1. समस्या विवरण

यह शोध पत्र उन स्थितियों में व्यक्तिगत उपचार नियमों (Individualized Treatment Rules - ITRs) को सीखने की चुनौती को संबोधित करता है जहाँ अमापित कन्फाउंडिंग (unmeasured confounding) मौजूद है, और उपचार (treatment), परिणाम (outcome), और उपकरण चर (instrumental variables - IVs) श्रेणीबद्ध (categorical/multiclass) हैं।

मानक ITR अनुकूलन (optimization) "कोई अपमापित कन्फाउंडिंग नहीं" के अनुमान पर निर्भर करता है ताकि सशर्त संभावित परिणामों $\mu_a(x) = E[Y(a) | X=x]$ को बिंदु-पहचान (point-identify) किया जा सके। जब यह धारणा खंडित होती है (जैसे कि परीक्षणों में गैर-अनुपालन या अवलोकन संबंधी अध्ययनों में अनोखी कारक), तो मानक अनुमानकर्ता पक्षपाती (biased) हो जाते हैं। जबकि इंस्ट्रूमेंटल वेरिएबल्स (IVs) इस प्रभाव को कम कर सकते हैं, पारंपरिक IV दृष्टिकोण अक्सर मजबूत संरचनात्मक धारणाओं (जैसे कि मोनोटोनिसिटी) की मांग करते हैं ताकि बिंदु-पहचान प्राप्त की जा सके, जो कि परीक्षण योग्य या तर्कसंगत नहीं हो सकती हैं।

मौजूदा आंशिक पहचान विधियाँ, जैसे कि पु और झांग [24] द्वारा दी गई हैं, काफी हद तक बाइनरी (द्वि-विकल्प) उपचार सेटिंग्स तक सीमित हैं। यह शोध पत्र इन मजबूत, आंशिक पहचान ढांचों को बहु-श्रेणीबद्ध उपचारों (multicategorical treatments) (जैसे, कई दवाओं या खुराक स्तरों के बीच चयन करना) तक विस्तारित करने के अंतराल की पहचान करता है, जहाँ निर्णय का स्थान स्वाभाविक रूप से अधिक जटिल है और मानक बाइनरी विस्तार (जैसे One-vs-Rest) ज्यामितीय विसंगतियां उत्पन्न करते हैं।

2. कार्यप्रणाली (Methodology)

प्रस्तावित ढांचा, कैटेगोरिकल पार्शियल आइडेंटिफिकेशन लर्निंग, तीन मुख्य घटकों से बना है:

A. आंशिक पहचान सीमाएँ (Partial Identification Bounds)

$\mu_a(x)$ को बिंदु-पहचान करने का प्रयास करने के बजाय, यह ढांचा देखे गए डेटा और एक कारण मॉडल (जैसे, एक Directed Acyclic Graph) से प्राप्त निचली और ऊपरी सीमाओं, $L_a(x)$ और $U_a(x)$ का उपयोग करके सशर्त माध्य के लिए एक व्यवहार्य क्षेत्र को परिभाषित करता है। ये सीमाएँ निम्नलिखित को संतुष्ट करती हैं:
$L_a(x) \leq \mu_a(x) \leq U_a(x)$
यह शोध पत्र श्रेणीबद्ध उपचारों और IVs के लिए सामान्य कारण संरचनाओं के तहत तीक्ष्ण प्रतीकात्मक सीमाएँ (sharp symbolic bounds) प्राप्त करने के लिए causaloptim पैकेज (सैच्स एट अल. [26]) का उपयोग करता है, जो नॉनपैरामीट्रिक स्ट्रक्चरल इक्वेशन मॉडल (NPSEM) बाधाओं को एक रैखिक अनुकूलन समस्या में अनुवादित करता है।

B. मिनिमैक्स निर्णय मानदंड (Minimax Decision Criterion)

अनिश्चितता के तहत एक उपचार चुनने के लिए, लेखक एक ऑपर्चुनिस्ट (मिनिमैक्स) मानदंड अपनाते हैं। सर्वश्रेष्ठ-मामले के परिदृश्य (Optimist) को अधिकतम करने या सबसे खराब-मामले की निचली सीमा (Pessimist) को चुनने के बजाय, लक्ष्य अज्ञात इष्टतम उपचार के सापेक्ष अधिकतम संभावित हानि (maximum possible loss) को कम करना है।

एक चुने गए कार्य $a$ के लिए, सबसे खराब स्थिति वाली हानि को इस प्रकार परिभाषित किया गया है:
$L(x, a) := \max_{b \in A \setminus \{a\}} U_b(x) - L_a(x)$
यह इस बात को मापता है कि यदि कार्य $a$ चुना जाता है जबकि वास्तविक इष्टतम कार्य $b$ है, तो अधिकतम पछतावा (regret) क्या होगा। उद्देश्य एक ऐसी नीति $g$ खोजना है जो अपेक्षित सबसे खराब-मामला जोखिम $R(g) = E[L(X, g(X))]$ को कम करे।

C. सममित बहु-श्रेणीबद्ध एम्बेडिंग और सरोगेट लॉस (Symmetric Multicategory Embedding and Surrogate Loss)

मैक्स (max) ऑपरेटर की असंततता (discontinuity) और क्रिया स्थान (action space) की असतत प्रकृति के कारण अनुभवजन्य (empirical) सबसे खराब-मामला जोखिम को सीधे कम करना गणनात्मक रूप से कठिन है। इसे दूर करने के लिए, शोध पत्र निम्नलिखित पेश करता है:

सिम्प्लेक्स एम्बेडिंग (Simplex Embedding): श्रेणीबद्ध उपचारों को $\mathbb{R}^{k-1}$ में एक नियमित सिम्प्लेक्स के शीर्षों (vertices) पर मैप किया जाता है। यह सममित प्रतिनिधित्व One-vs-Rest दृष्टिकोणों की ज्यामितीय अतिरेक और अस्पष्टता से बचता है। एक नीति एक फलन $f: \mathcal{X} \to \mathbb{R}^{k-1}$ द्वारा प्रेरित होती है जो सह-चरों (covariates) को इस गुप्त स्थान (latent space) में मैप करती है, और उपचार $a$ का चयन करती है जो आंतरिक उत्पाद (inner product) $\langle w_a, f(x) \rangle$ को अधिकतम करता है, जहाँ $w_a$ उपचार $a$ के लिए शीर्ष वेक्टर है।
भारित सरोगेट जोखिम (Weighted Surrogate Risk): एक सॉफ्टमैक्स वेटिंग स्कीम का उपयोग करके एक अवकलनीय (differentiable) सरोगेट लॉस बनाया गया है। सरोगेट जोखिम को इस प्रकार परिभाषित किया गया है:
$\hat{R}_s(f) = \frac{1}{N} \sum_{i=1}^N \sum_{a=1}^k p_a(X_i, f) \hat{L}(X_i, a) + \lambda \Omega(f)$
जहाँ $p_a(X, f)$ , $f(X)$ और उपचार वेक्टर $w_a$ के बीच संरेखण (alignment) पर आधारित एक सॉफ्टमैक्स भार है। यह ग्रेडिएंट-आधारित अनुकूलन (जैसे, L-BFGS या स्टोकेस्टिक ग्रेडिएंट डिसेंट) के उपयोग की अनुमति देता है।
कार्यान्वयन (Implementation): यह ढांचा दो कार्यान्वयनों का समर्थन करता है:
- कर्नेलयुक्त (Kernelized): सैद्धांतिक गारंटी के लिए रिप्रेजेंटर प्रमेय (Representer Theorem) के साथ रिप्रोड्यूसिंग कर्नेल हिल्बर्ट स्पेस (RKHS) का उपयोग करना।
- न्यूरल नेटवर्क (Neural Network): बड़े डेटासेट के लिए स्केलेबिलिटी हेतु मल्टी-लेयर पर्सेप्ट्रॉन्स (MLPs) का उपयोग करना।

3. प्रमुख योगदान

श्रेणीबद्ध उपचारों के लिए विस्तार: यह शोध पत्र बाइनरी से लेकर परिमित बहु-श्रेणीबद्ध उपचार सेटिंग्स तक आंशिक पहचान शिक्षण का सामान्यीकरण करता है, जो मौजूदा साहित्य में एक महत्वपूर्ण अंतराल है।
ज्यामितीय रूप से सुसंगत एम्बेडिंग: यह एक सिम्प्लेक्स-आधारित एम्बेडिंग रणनीति पेश करता है जो सभी उपचार विकल्पों के साथ सममित रूप से व्यवहार करता है, जिससे मानक बहु-वर्ग वर्गीकरण विस्तारों में पाई जाने वाली ज्यामितीय विसंगतियों को हल किया जाता है।
डिफरेंशिएबल ऑप्टिमाइजेशन: एक सुचारू, भारित सरोगेट जोखिम फलन का व्युत्पन्न इंडिकेटर-आधारित लॉस की सीमाओं से आगे बढ़कर, आंशिक पहचान के तहत ITR सीखने के लिए कुशल ग्रेडिएंट-आधारित अनुकूलन विधियों के उपयोग को सक्षम बनाता है।
सैद्धांतिक गारंटी: लेखक एक ओरकल असमानता (oracle inequality) के माध्यम से परिमित-नमूना अभिसरण दर (finite-sample convergence rates) प्रदान करते हैं। वे सिद्ध करते हैं कि सरोगेट जोखिम को कम करना मिनिमैक्स इष्टतम नीति की ओर अभिसरित होता है और उन स्थितियों को स्थापित करते हैं जिनमें सीमाओं के अनुमान की त्रुटि और सीखने की त्रुटि को नियंत्रित किया जाता है।
अनुभवजन्य सत्यापन (Empirical Validation): व्यापक सिमुलेशन अध्ययनों के माध्यम से, यह शोध पत्र प्रदर्शित करता है कि प्रस्तावित विधियाँ (कर्नेलयुक्त और न्यूरल) अनमापित कन्फाउंडिंग की उपस्थिति में मौजूदा विकल्पों (आउटकम रिग्रेशन, MOML) की तुलना में ओरकल ITR के काफी करीब परिणाम देती हैं।

4. प्रयोगात्मक परिणाम

लेखकों ने नमूना आकार, कन्फाउंडिंग की शक्ति, IV की शक्ति और उपचारों की संख्या ( $k$ ) को बदलते हुए चार सिमुलेशन अध्ययन किए:

कन्फाउंडिंग के प्रति मजबूती: अनमापित कन्फाउंडिंग की उपस्थिति में, मानक आउटकम रिग्रेशन विधियाँ (Tree, Neural) और बिंदु-पहचान विधियाँ (MOML), कन्फाउंडिंग की शक्ति बढ़ने के साथ तेजी से खराब हो जाती हैं। इसके विपरीत, प्रस्तावित आंशिक पहचान विधियाँ स्थिर और श्रेष्ठ रहती हैं, जो सैद्धांतिक मिनिमैक्स सीमा के करीब रहती हैं।
इंस्ट्रूमेंट की शक्ति: प्रस्तावित विधियों का प्रदर्शन IV की शक्ति के साथ सकारात्मक रूप से सहसंबंधित है। मजबूत इंस्ट्रूमेंट्स पहचान सीमाओं को संकीर्ण करते हैं, जिससे मिनिमैक्स नीति और ओरकल नीति के बीच का अंतर कम हो जाता है।
स्केलेबिलिटी और संरचनात्मक सीमाएं: प्रस्तावित विधियाँ तब अच्छा प्रदर्शन करती हैं जब उपचारों की संख्या $k$ , इंस्ट्रूमेंट के स्तरों की संख्या $|Z|$ के बराबर या उससे कम होती है। हालाँकि, जब $k > |Z|$ होता है, तो प्रदर्शन तेजी से गिर जाता है। लेखक इसे एक संरचनात्मक सीमा के रूप में देखते हैं: $|Z|$ स्तरों वाला एक इंस्ट्रूमेंट $k > |Z|$ संभावित परिणामों को एक साथ कसकर बांधने के लिए पर्याप्त अलग-अलग सशर्त उपचार वितरण उत्पन्न नहीं कर सकता है।
अभिसरण (Convergence): कन्फाउंडिंग की अनुपस्थिति में, प्रस्तावित विधियाँ मिनिमैक्स नियम की ओर अभिसरित होती हैं (जो इस विशिष्ट मामले में ओरकल की तुलना में उप-इष्टतम है), जबकि आउटकम रिग्रेशन विधियाँ ओरकल की ओर अभिसरित होती हैं। यह पुष्टि करता है कि ढांचा सही ढंग से मिनिमैक्स उद्देश्य को लक्षित करता है।

5. महत्व और दावे

शोध पत्र यह दावा करता है कि यह अनिश्चितता के तहत निर्णय लेने के लिए एक मजबूत ढांचे को प्रदान करता है, जब मजबूत कारण धारणाओं को उचित नहीं ठहराया जा सकता है। आंशिक पहचान सीमाओं और एक सममित एम्बेडिंग रणनीति का लाभ उठाकर, यह अनमापित कन्फाउंडिंग के सामने बहु-श्रेणीबद्ध विकल्पों के लिए इष्टतम उपचार नियम सीखने में सक्षम बनाता है।

लेखक इस बात पर जोर देते हैं कि ढांचे की प्रभावशीलता सीमाओं की सूचनात्मकता (informativeness of the bounds) पर निर्भर है। मजबूत इंस्ट्रूमेंट्स संकीर्ण सीमाएँ और बेहतर प्रदर्शन की ओर ले जाते हैं, जबकि कमजोर इंस्ट्रूमेंट्स या ऐसे परिदृश्य जहाँ उपचारों की संख्या इंस्ट्रूमेंट की कार्डिनैलिटी (cardinality) से अधिक होती है, व्यापक सीमाएँ और अधिक रूढ़िवादी (संभावतः कम सटीक) निर्णय की ओर ले जाते हैं।

यह कार्य आंशिक पहचान शिक्षण के एक आधारभूत विस्तार के रूप में प्रस्तुत किया गया है, जो बाइनरी सेटिंग्स से आगे बढ़कर बायोमेडिकल और अर्थमितीय (econometric) निर्णय समस्याओं में वास्तविक दुनिया की जटिलताओं को संबोधित करता है। लेखक नोट करते हैं कि हालांकि वर्तमान ध्यान श्रेणीबद्ध चरों पर है, भविष्य के कार्य में इस ढांचे को ऑर्डिनल (क्रमिक) या निरंतर उपचारों और परिणामों तक विस्तारित किया जा सकता है।