कारणात्मक निष्कर्ष: Difference between revisions

From Vigyanwiki
No edit summary
Tag: Reverted
No edit summary
Tag: Manual revert
Line 138: Line 138:
{{Use dmy dates|date=October 2019}}
{{Use dmy dates|date=October 2019}}
{{Authority control}}
{{Authority control}}
[[Category: कारण अनुमान | कारण अनुमान ]] [[Category: ग्राफिकल मॉडल]] [[Category: प्रतिगमन विश्लेषण]] [[Category: विवेचनात्मक तार्किकता]] [[Category: अनुमान]] [[Category: सांख्यिकी का दर्शन]]
[[Category: Machine Translated Page]]
[[Category:Created On 01/06/2023]]
[[Category:Vigyan Ready]]


[[Category:Articles with hatnote templates targeting a nonexistent page]]
[[Category:Articles with hatnote templates targeting a nonexistent page]]

Revision as of 17:43, 26 June 2023

This article is about पद्धतिगत कारण निष्कर्ष. For कारण अनुमान के पीछे दर्शन, see कारण तर्क.

कारणात्मक अनुमान विशेष घटना के स्वतंत्र, वास्तविक प्रभाव को निर्धारित करने की प्रक्रिया है जो बड़ी प्रणाली का घटक है। कारण अनुमान और संघ के अनुमान (सांख्यिकी) के मध्य मुख्य अंतर यह है कि जब प्रभाव चर का कारण परिवर्तित हो जाता है, तो कारण अनुमान प्रभाव चर की प्रतिक्रिया का विश्लेषण करता है।[1][2] चीजें क्यों घटित होती हैं इसका विज्ञान एटियलजि कहलाता है। कहा जाता है कि कार्य-कारण तर्क द्वारा सिद्ध किए गए कार्य-कारण का प्रमाण प्रदान करता है।

सभी विज्ञानों में कारण अनुमान का व्यापक रूप से अध्ययन किया जाता है। कार्य-कारण निर्धारित करने के लिए डिज़ाइन की गई कार्यप्रणाली के विकास और कार्यान्वयन में जल्द के दशकों में कई नवाचार सामने आए हैं। कारणात्मक अनुमान विशेष रूप से कठिन रहता है जहां प्रयोग कठिन या असंभव है, जो अधिकांश विज्ञानों में साधारण होता है।

कारण अनुमान के दृष्टिकोण सामान्यतः सभी प्रकार के वैज्ञानिक विषयों पर प्रारम्भ होते हैं, और कुछ विषयों के लिए डिजाइन किए गए कारण अनुमान के कई प्रविधियों को अन्य विषयों में उपयोग किया गया है। यह लेख कार्य-कारण अनुमान के पीछे की मूल प्रक्रिया को रेखांकित करता है और विभिन्न विषयों में उपयोग किए जाने वाले कुछ अधिक पारंपरिक परीक्षणों का विवरण देता है; चूंकि, इसे विचार के रूप में त्रुटिपूर्ण नहीं माना जाना चाहिए कि ये विधियाँ केवल उन विषयों पर प्रारम्भ होती हैं, केवल यह कि वे उस अनुशासन में सबसे अधिक उपयोग किए जाते हैं।

कार्य-कारण का अनुमान लगाना कठिन है और वैज्ञानिकों के मध्य कार्य-कारण का निर्धारण करने के उचित विधियों के बारे में महत्वपूर्ण वादविवाद है। अन्य नवाचारों के पश्चात भी, वैज्ञानिक रूप से महत्वपूर्ण अनुमान प्राप्त करने के लिए वैज्ञानिकों द्वारा त्रुटिपूर्ण प्रविधियों के उपयोग के कारण, और विश्लेषणात्मक परिणामों के वैज्ञानिकों द्वारा जान कर आदान-प्रदान के कारण के रूप में सहसंबंधी परिणामों के वैज्ञानिकों द्वारा त्रुटिपूर्ण आरोपण की चिंता बनी हुई है। प्रतिगमन मॉडल, विशेष रूप से रैखिक प्रतिगमन मॉडल के उपयोग में विशेष चिंता व्यक्त की जाती है।

परिभाषा

किसी चीज के कारण का वर्णन इस प्रकार किया गया है:

  • ...कारण [आईएनजी] इस निष्कर्ष पर कि कुछ है, या कुछ और होने का कारण होने की संभावना है।[3]
  • किसी घटना के कारण या कारणों की पहचान, कारण और प्रभाव के सहसंयोजन की स्थापना, प्रभाव से पूर्व के कारण के साथ समय-क्रम संबंध, और प्रशंसनीय वैकल्पिक कारणों का उन्मूलन है।[4]


कार्यप्रणाली

सामान्य

Further information: करणीय संबंध and कारण विश्लेषण

कारणात्मक अनुमान उन प्रणालियों के अध्ययन के माध्यम से आयोजित किया जाता है जहां चर के माप को दूसरे के माप को प्रभावित करने का संदेह होता है। वैज्ञानिक पद्धति के संबंध में कारणात्मक अनुमान लगाया जाता है। कारणात्मक अनुमान का प्रथम चरण मिथ्याकरणीय अशक्त परिकल्पना प्रस्तुत करना है, जो पश्चात में सांख्यिकीय परिकल्पना परीक्षण है। आवृत्ति सांख्यिकीय अनुमान सांख्यिकीय प्रविधियों का उपयोग है, यह संभावना निर्धारित करने के लिए कि डेटा संयोग से शून्य परिकल्पना के अनुसार होता है, स्वतंत्र चर के प्रभाव को निर्धारित करने के लिए बायेसियन अनुमान का उपयोग किया जाता है।[5] सांख्यिकीय अनुमान का उपयोग सामान्यतः मूल डेटा में भिन्नता के मध्य अंतर को निर्धारित करने के लिए किया जाता है जो कि यादृच्छिक भिन्नता या उत्तम रूप से निर्दिष्ट कारण तंत्र का प्रभाव है। विशेष रूप से, सहसंबंध का अर्थ कार्य-कारण नहीं है, इसलिए कार्य-कारण का अध्ययन संभावित कारण तंत्र के अध्ययन से उतना ही संबंधित है जितना कि यह डेटा के मध्य भिन्नता के साथ है। कारण अनुमान के मानक के पश्चात प्रायः मांगा जाने वाला प्रयोग है जिसमें उपचार उत्तम रूप से सौंपा जाता है किन्तु अन्य सभी भ्रमित करने वाले कारकों को स्थिर रखा जाता है। कारणात्मक अनुमान के अधिकांश प्रयत्न प्रायोगिक स्थितियों को दोहराने के प्रयत्न में हैं।

महामारी विज्ञान के अध्ययन हानि कारकों और प्रभाव के साक्ष्य को एकत्र करने और मापने के विभिन्न महामारी विज्ञान के प्रविधियों और दोनों के मध्य संबंध को मापने के विभिन्न प्रविधियों को नियोजित करते हैं। 2020 में कार्य-कारण अनुमान के प्रविधियों की समीक्षा के परिणामों में पाया गया कि नैदानिक ​​प्रशिक्षण कार्यक्रमों के लिए उपस्थित साहित्य का उपयोग करना आह्वान पूर्ण हो सकता है। ऐसा इसलिए है क्योंकि प्रकाशित लेख प्रायः उन्नत प्रविधियों पृष्ठभूमि ग्रहण करते हैं, वे कई सांख्यिकीय, महामारी विज्ञान, कंप्यूटर विज्ञान, या दार्शनिक दृष्टिकोण से लिखे जा सकते हैं, पद्धति संबंधी दृष्टिकोण तीव्रता से विस्तार करना निरन्तर रखते हैं, और कारण अनुमान के कई कथनो को सीमित कवरेज प्राप्त होता है।[6] कारण अनुमान के लिए सामान्य ढांचे में कारण पाई मॉडल (घटक-कारण), कारण मॉडल का संरचनात्मक कारण मॉडल, संरचनात्मक समीकरण मॉडलिंग, और रूबिन कारण मॉडल सम्मिलित हैं। जो प्रायः सामाजिक विज्ञान और महामारी विज्ञान जैसे क्षेत्रों में उपयोग किए जाते हैं।[7]


प्रायोगिक

Further information: प्रयोग

प्रायोगिक विधियों का उपयोग करके कारण तंत्र का प्रायोगिक सत्यापन संभव है। प्रयोग के पीछे मुख्य प्रेरणा ब्याज के चर में आदान-प्रदान करते हुए अन्य प्रायोगिक चर को स्थिर रखना है। यदि प्रयोग केवल उपचार चर के आदान-प्रदान के परिणाम स्वरूप सांख्यिकीय रूप से महत्वपूर्ण प्रभाव उत्पन्न करता है, तो यह मानने का आधार है कि उपचार चर कारण प्रभाव सौंपा जा सकता है, यह मानते हुए कि प्रायोगिक डिजाइन के लिए अन्य मानकों को पूर्ण किया गया है।

अर्ध-प्रायोगिक

Further information: अर्ध-प्रयोग

पारंपरिक प्रयोगात्मक विधियों के अनुपलब्ध होने पर कारण तंत्र का अर्ध-प्रायोगिक सत्यापन किया जाता है। यह प्रयोग करने की निषेधात्मक व्यय, या प्रयोग करने की अंतर्निहित अक्षमता का परिणाम हो सकता है, विशेष रूप से ऐसे प्रयोग जो बड़ी प्रणालियों से संबंधित हैं जैसे कि चुनावी प्रणालियों की अर्थव्यवस्था, या उन उपचारों के लिए जिन्हें कुएं के लिए भय माना जाता है। परीक्षण विषयों का होना। अर्ध-प्रयोग भी हो सकते हैं जहां कानूनी कारणों से जानकारी रोक दी जाती है।

महामारी विज्ञान में दृष्टिकोण

महामारी विज्ञान कारणों और प्रभावों की जानकारी प्राप्त करने के लिए जीवित प्राणियों की परिभाषित आपश्चाती में स्वास्थ्य और बीमारी के पैटर्न का अध्ययन करता है। संभावित हानि कारक और बीमारी के संपर्क के मध्य संबंध का संकेत हो सकता है, किन्तु यह कार्य-कारण के समान नहीं है क्योंकि सहसंबंध का अर्थ कार्य-कारण नहीं है। ऐतिहासिक रूप से, 19वीं शताब्दी के पश्चात से कोच के अभिधारणाओं का उपयोग यह निर्धारित करने के लिए किया जाता रहा है कि क्या सूक्ष्मजीव बीमारी का कारण था। 20वीं शताब्दी में ब्रैडफोर्ड हिल मानदंड, 1965 में वर्णित[8] माइक्रोबायोलॉजी के बाहर चरों की कार्य-कारणता का आकलन करने के लिए उपयोग किया गया है, चूंकि ये मानदंड भी कार्य-कारण निर्धारित करने के अनन्य प्रविधि नहीं हैं।

आणविक महामारी विज्ञान में जिन घटनाओं का अध्ययन किया गया है वे आणविक जीव विज्ञान के स्तर पर हैं, जिसमें आनुवंशिकी भी सम्मिलित है, जहां बायोमार्कर कारण या प्रभाव के प्रमाण हैं।

शीघ्रिया चलन आणविक रोग संबंधी महामारी विज्ञान (एमपीई) के उभरते अंतःविषय क्षेत्र में रोगग्रस्त ऊतक (जीव विज्ञान) या कोशिकाओं के अंदर आणविक विकृति पर हानि के प्रभाव के लिए साक्ष्य की पहचान करना है। रोग के आण्विक विकृति संबंधी संकेतों के संपर्क को जोड़ने से कार्य-कारण का आकलन करने में सहायता मिल सकती है। किसी दिए गए रोग की विषमता की अंतर्निहित प्रकृति को ध्यान में रखते हुए, अद्वितीय रोग सिद्धांत, रोग फेनोटाइपिंग और उपप्रकार बायोमेडिकल और सार्वजनिक स्वास्थ्य विज्ञान में रुझान हैं, जो व्यक्तिगत दवा और सटीक दवा के रूप में उदाहरण हैं।

कंप्यूटर विज्ञान में दृष्टिकोण

दो समय-स्वतंत्र चर के लिए संयुक्त अवलोकन डेटा से कारण और प्रभाव का निर्धारण, एक्स और वाई कहते हैं, दिशा में कुछ मॉडल के साक्ष्य के मध्य विषमता का उपयोग करके निपटाया गया है, X → Y और Y → X, प्राथमिक दृष्टिकोण एल्गोरिथम पर आधारित हैं सूचना सिद्धांत मॉडल और शोर मॉडल।

शोर मॉडल

दो दिशाओं के प्रमाणों की तुलना करने के लिए मॉडल में स्वतंत्र शोर शब्द सम्मिलित करें।

परिकल्पना Y → X के लिए शोर E के साथ कुछ शोर मॉडल यहां दिए गए हैं।

  • योगात्मक शोर:[9]
  • रैखिक शोर:[10]
  • पोस्ट-नॉनलाइनियर:[11]
  • विषमलैंगिक शोर:
  • कार्यात्मक शोर:[12]

इन मॉडलों में सरल धारणा हैं:

  • y के कोई अन्य कारण नहीं हैं।
  • X और E का कोई सामान्य कारण नहीं है।
  • कारण का वितरण कारण तंत्र से स्वतंत्र है।

सहज स्तर पर, विचार यह है कि संयुक्त वितरण P(कारण, प्रभाव) का P(कारण)*P(प्रभाव | कारण) में गुणनखंडन सामान्यतः P(प्रभाव)*P में गुणनखंडन की तुलना में कम कुल जटिलता के मॉडल उत्पन्न करता है। (कारण | प्रभाव)। चूंकि जटिलता की धारणा सहज रूप से आकर्षक है, यह स्पष्ट नहीं है कि इसे ठीक से कैसे परिभाषित किया जाना चाहिए।[12]विधियों का भिन्न परिवार बड़ी मात्रा में लेबल किए गए डेटा से कारण पदचिह्न शोध का प्रयत्न करता है, और अधिक लचीले कारण संबंधों की भविष्यवाणी की अनुमति देता है।[13]


सामाजिक विज्ञान में दृष्टिकोण

Main article: करणीय सांख्यिकी और अर्थशास्त्र

सामाजिक विज्ञान

सामान्यतः सामाजिक विज्ञान कार्य-कारण का आकलन करने के लिए मात्रात्मक ढांचे को सम्मिलित करने की दिशा में तीव्रता से आगे बढ़ा है। इसमें से अधिकांश को सामाजिक विज्ञान पद्धति को अधिक कठोरता प्रदान करने के साधन के रूप में वर्णित किया गया है। 1994 में गैरी किंग, रॉबर्ट कियोहेन और सिडनी वर्बा द्वारा डिजाइनिंग सोशल इंक्वायरी के प्रकाशन से राजनीति विज्ञान महत्वपूर्ण रूप से प्रभावित हुआ। किंग, किओहेन और वर्बा ने विनती की, कि शोधकर्ता मात्रात्मक और गुणात्मक दोनों प्रविधियों को प्रारम्भ करते हैं और सांख्यिकीय अनुमान की भाषा को स्वीकार करते हैं। रुचि के विषयों और विश्लेषण की इकाइयों के बारे में स्पष्ट रहें।[14][15] मात्रात्मक प्रविधियों के समर्थकों ने डोनाल्ड रुबिन द्वारा विकसित रूबिन कारण मॉडल को तीव्रता से अपनाया है, जो कि कार्य-कारण का अनुमान लगाने के लिए मानक के रूप में है।

जबकि संभावित परिणाम ढांचे में सांख्यिकीय निष्कर्ष पर अधिक बल दिया जाता है, सामाजिक विज्ञान पद्धतिविदों ने गुणात्मक और मात्रात्मक दोनों प्रविधियों के साथ कारणात्मक निष्कर्ष निकालने के लिए नए उपकरण विकसित किए हैं, जिन्हें कभी-कभी मिश्रित प्रविधि दृष्टिकोण कहा जाता है।[16][17] विविध पद्धतिगत दृष्टिकोणों के समर्थकों का तर्क है कि विभिन्न पद्धतियां अध्ययन के विभिन्न विषयों के लिए उत्तम अनुकूल हैं। समाजशास्त्री हर्बर्ट स्मिथ और राजनीतिक वैज्ञानिक जेम्स महोनी और गैरी गोएर्ट्ज़ ने पॉल हॉलैंड, सांख्यिकीविद् और 1986 के लेख सांख्यिकी और कारण अनुमान के लेखक के अवलोकन का दृष्टांत दिया है, कि सांख्यिकीय निष्कर्ष प्रभावों के कारणों के अतिरिक्त कारणों के प्रभावों का आकलन करने के लिए सबसे उपयुक्त है।[18][19] गुणात्मक पद्धतिविदों ने तर्क दिया है कि कार्य-कारण के औपचारिक मॉडल, जिसमें प्रक्रिया अनुरेखण और फजी सेट सिद्धांत सम्मिलित हैं, विषय के अध्ययन के अंदर महत्वपूर्ण कारकों की पहचान के माध्यम से या कई केस अध्ययनों के मध्य तुलना की प्रक्रिया के माध्यम से कार्य-कारण का अनुमान लगाने के अवसर प्रदान करते हैं।[15]ये कार्यप्रणाली उन विषयों के लिए भी मूल्यवान हैं जिनमें सीमित संख्या में संभावित अवलोकन या जटिल चर की उपस्थिति सांख्यिकीय अनुमान की प्रयोज्यता को सीमित कर देगी।

अर्थशास्त्र और राजनीति विज्ञान

आर्थिक और राजनीतिक वास्तविकताओं की वास्तविक पृथ्वी की जटिलता और नियंत्रित प्रयोगों के अंदर कई बड़े स्तर की घटनाओं को तत्पश्चात से बनाने में असमर्थता के कारण अर्थशास्त्र और राजनीतिक विज्ञान में कारण अनुमान प्रायः कठिन होता है। सामाजिक वैज्ञानिकों के लिए उपलब्ध प्रौद्योगिकी के बढ़े हुए स्तर, सामाजिक वैज्ञानिकों और अनुसंधान की संख्या में वृद्धि, और पूर्ण सामाजिक विज्ञानों में कारणात्मक अनुमान पद्धति में सुधार के कारण, आर्थिक और राजनीतिक विज्ञानों में कारणात्मक अनुमान में कार्यप्रणाली और कठोरता में सुधार निरन्तर है।[20] आर्थिक प्रणालियों में कार्य-कारण का निर्धारण करने में निहित कठिनाइयों के पश्चात भी, उन क्षेत्रों में कई व्यापक रूप से नियोजित प्रविधि उपस्थित हैं।

सैद्धांतिक प्रविधि

अर्थशास्त्री और राजनीतिक वैज्ञानिक सिद्धांत का उपयोग कर सकते हैं (प्रायः सिद्धांत-संचालित अर्थमिति में अध्ययन किया जाता है) उन विषयो में अनुमानित कारण संबंधों के परिमाण का अनुमान लगाने के लिए जहां वे मानते हैं कि कारण संबंध उपस्थित है।[21] सिद्धांतवादी तंत्र को कारण मान सकते हैं और अपने प्रस्तावित सिद्धांत को सही बताने के लिए डेटा विश्लेषण का उपयोग करके प्रभावों का वर्णन कर सकते हैं। उदाहरण के लिए, सिद्धांतकार मॉडल का निर्माण करने के लिए तर्क का उपयोग कर सकते हैं, जैसे कि यह सिद्धांत कि बारिश आर्थिक उत्पादकता में उतार-चढ़ाव का कारण बनती है किन्तु इसका विलोम सत्य नहीं है।[22] चूंकि, विशुद्ध रूप से सैद्धांतिक दावों का उपयोग करना जो किसी भी भविष्यवाणिय अंतर्दृष्टि की प्रस्तुत नहीं करते हैं, उन्हें पूर्व-वैज्ञानिक कहा गया है क्योंकि अनुमानित कारण गुणों के प्रभाव की भविष्यवाणी करने की कोई क्षमता नहीं है।[5]यह दोहराने योग्य है कि सामाजिक विज्ञान में प्रतिगमन विश्लेषण स्वाभाविक रूप से कार्य-कारण का संकेत नहीं देता है, क्योंकि कई घटनाएं अल्पावधि में या विशेष रूप से डेटासेट में सहसंबद्ध हो सकती हैं, किन्तु अन्य समय अवधि या अन्य डेटासेट में कोई संबंध प्रदर्शित नहीं करती हैं। इस प्रकार, सहसंबंधी गुणों के लिए कार्य-कारण का श्रेय समय से पूर्व उत्तम रूप से परिभाषित और तर्कपूर्ण कारण तंत्र से अनुपस्थित है।

वाद्य चर

वाद्य चर (IV) प्रविधि कार्य-कारण का निर्धारण करने की विधि है जिसमें मॉडल के व्याख्यात्मक चर और मॉडल की त्रुटि अवधि के मध्य संबंध को समाप्त करना सम्मिलित है। यह विधि मानती है कि यदि किसी मॉडल की त्रुटि अवधि किसी अन्य चर की भिन्नता के साथ समान रूप से चलती है, तो मॉडल की त्रुटि अवधि संभवतः उस व्याख्यात्मक चर में भिन्नता का प्रभाव है। नए वाद्य चर के परिचय के माध्यम से इस सहसंबंध का उन्मूलन इस प्रकार पूर्ण मॉडल में उपस्थित त्रुटि को कम करता है।[23]


मॉडल विनिर्देश

मॉडल विनिर्देश डेटा विश्लेषण में उपयोग किए जाने वाले मॉडल का चयन करने का कार्य है। सामाजिक वैज्ञानिकों (और, वास्तव में, सभी वैज्ञानिकों) को उपयोग करने के लिए सही मॉडल का निर्धारण करना चाहिए क्योंकि विभिन्न संबंधों का अनुमान लगाने में विभिन्न मॉडल अच्छे होते हैं।[24] मॉडल विनिर्देश उस कार्य-कारण का निर्धारण करने में उपयोगी हो सकता है जो उभरने में मंद है, जहां अवधि में कार्रवाई के प्रभाव केवल पश्चात की अवधि में अनुभव किए जाते हैं। यह याद रखने योग्य है कि सहसंबंध केवल यह मापते हैं कि क्या दो चरों में समान भिन्नता है, यह नहीं कि क्या वे दूसरे को किसी विशेष दिशा में प्रभावित करते हैं, इस प्रकार केवल सहसंबंधों के आधार पर कारण संबंध की दिशा निर्धारित नहीं की जा सकती है। क्योंकि माना जाता है कि कार्य-कारण प्रभावों से पूर्व होते हैं, इसलिए सामाजिक वैज्ञानिक ऐसे मॉडल का उपयोग कर सकते हैं जो विशेष रूप से समय की अवधि में चर के दूसरे पर प्रभाव के लिए दिखता है। इससे उपचार प्रभाव के रूप में पूर्व हो रही घटनाओं का प्रतिनिधित्व करने वाले चर का उपयोग होता है, जहां अर्थमितीय परीक्षणों का उपयोग डेटा में पश्चात के परिवर्तनों को देखने के लिए किया जाता है जो ऐसे उपचार प्रभावों के प्रभाव के लिए उत्तरदायी होते हैं, जहां उपचार प्रभावों में सार्थक अंतर के पश्चात परिणामों में सार्थक अंतर होता है। उपचार प्रभाव और मापा प्रभाव (उदाहरण के लिए, ग्रेंजर-कारण परीक्षण) के मध्य कार्य-कारण का संकेत दे सकता है। इस प्रकार के अध्ययन समय श्रृंखला विश्लेषण के उदाहरण हैं।[25]


संवेदनशीलता विश्लेषण

प्रतिगमन विश्लेषण में अन्य चर, या प्रतिगामी, या तो सम्मिलित हैं या मॉडल के विभिन्न कार्यान्वयनों में सम्मिलित नहीं हैं जिससे यह सुनिश्चित किया जा सके कि भिन्नता के विभिन्न स्रोतों का दूसरे से अधिक भिन्न अध्ययन किया जा सकता है। यह संवेदनशीलता विश्लेषण का रूप है, यह इस बात का अध्ययन है कि अधिक नए चरों को जोड़ने के लिए मॉडल का कार्यान्वयन कितना संवेदनशील है।[26]संवेदनशीलता विश्लेषण के उपयोग में प्रमुख प्रेरक चिंता भ्रामक चरों की शोध का प्रयत्न है। जटिल चर वे चर होते हैं जिनका सांख्यिकीय परीक्षण के परिणामों पर बड़ा प्रभाव पड़ता है, किन्तु वे चर नहीं होते हैं जो अध्ययन करने का प्रयत्न कर रहे हैं। भ्रमित करने वाले चर कार्यान्वयन में प्रतिगामी महत्वपूर्ण प्रतीत हो सकते हैं, किन्तु दूसरे में नहीं हो सकते हैं।

बहुसंरेखता

संवेदनशीलता विश्लेषण के उपयोग का अन्य कारण बहुसंरेखता की जानकारी प्राप्त करना है। बहुसंरेखता वह घटना है जहां दो चर के मध्य संबंध बहुत अधिक होता है। दो चरों के मध्य उच्च स्तर का सहसंबंध सांख्यिकीय विश्लेषण के परिणाम को नाटकीय रूप से प्रभावित कर सकता है, जहां अत्यधिक सहसंबद्ध डेटा में अल्प परिवर्तिताव चर के प्रभाव को सकारात्मक दिशा से नकारात्मक दिशा में, या इसके विपरीत परिवर्तित सकते हैं। यह विचरण परीक्षण की अंतर्निहित संपत्ति है। बहुसंरेखता का निर्धारण संवेदनशीलता विश्लेषण में उपयोगी है क्योंकि विभिन्न मॉडल कार्यान्वयनों में अत्यधिक सहसंबद्ध चरों के उन्मूलन से ऐसे चरों को सम्मिलित करने के परिणामस्वरूप होने वाले परिणामों में नाटकीय परिवर्तन को रोका जा सकता है।[27] चूंकि, बहुसंरेखता के घातक प्रभावों को रोकने के लिए संवेदनशीलता विश्लेषण की क्षमता की सीमाएँ हैं, विशेष रूप से सामाजिक विज्ञानों में, जहाँ प्रणालियाँ जटिल हैं। क्योंकि सैद्धांतिक रूप से पर्याप्त जटिल प्रणाली में सभी जटिल कारकों को सम्मिलित करना या यहां तक ​​​​कि मापना असंभव है, अर्थमितीय मॉडल सामान्य-कारण भ्रम के लिए अतिसंवेदनशील होते हैं, जहां कारण प्रभावों को त्रुटिपूर्ण चर के लिए त्रुटिपूर्ण प्रविधि से उत्तरदायी कहा जाता है क्योंकि सही चर को कैप्चर नहीं किया गया था। मूल डेटा यह सत्यानाशी के लिए खाते में विफलता का उदाहरण है।[28]


डिजाइन आधारित अर्थमिति

शीघ्र ही में, डिज़ाइन-आधारित अर्थमिति में उन्नत कार्यप्रणाली ने प्राकृतिक प्रयोगों और अर्ध-प्रायोगिक अनुसंधान डिज़ाइनों के उपयोग को लोकप्रिय बनाया है जिससे कारण तंत्रों का अध्ययन किया जा सके कि ऐसे प्रयोगों की पहचान की जा सकती है।[29]


कारणात्मक अनुमान में कदाचार

कार्य-कारण निर्धारित करने के लिए उपयोग की जाने वाली पद्धतियों के विकास में प्रगति के पश्चात भी, कार्य-कारण के निर्धारण में महत्वपूर्ण कमबलियाँ बनी हुई हैं। इन कमबलियों को जटिल प्रणालियों में कारण संबंधों को निर्धारित करने की अंतर्निहित कठिनाई के साथ-साथ वैज्ञानिक कदाचार के विषयो के लिए भी उत्तरदायी बताया जा सकता है।

कारणात्मक अनुमान की कठिनाइयों से भिन्न, यह धारणा कि सामाजिक विज्ञानों में बड़ी संख्या में विद्वान गैर-वैज्ञानिक पद्धति में संलग्न हैं, सामाजिक वैज्ञानिकों के कुछ बड़े समूहों के मध्य उपस्थित है। अर्थशास्त्रियों और सामाजिक वैज्ञानिकों की आलोचना, वर्णनात्मक अध्ययनों को कार्य-कारण अध्ययन के रूप में त्याग देना उन क्षेत्रों में व्याप्त है।[5]


वैज्ञानिक कदाचार और त्रुटिपूर्ण कार्यप्रणाली

विज्ञानों में, विशेष रूप से सामाजिक विज्ञानों में, विद्वानों में चिंता है कि वैज्ञानिक कदाचार व्यापक है। जैसा कि वैज्ञानिक अध्ययन व्यापक विषय है, शोधकर्ता की त्रुटिपूर्णी के बिना कारण अनुमान को कम करने के लिए सैद्धांतिक रूप से असीम प्रविधि हैं। वैज्ञानिकों के मध्य चिंता बनी हुई है कि बड़ी संख्या में शोधकर्ता मूल कर्तव्यों का पालन नहीं करते हैं या कारण अनुमान में पर्याप्त रूप से विविध प्रविधियों का अभ्यास नहीं करते हैं।[30][20][31][32] सामान्य गैर-कारणात्मक पद्धति का प्रमुख उदाहरण कारण गुणों के रूप में सहसंबंधी गुणों की त्रुटिपूर्ण धारणा है। संबंधित घटना में कोई अंतर्निहित कारण नहीं है। प्रतिगमन मॉडल सैद्धांतिक मॉडल के सापेक्ष डेटा के अंदर विचरण को मापने के लिए डिज़ाइन किए गए हैं, यह विचार देने के लिए कुछ भी नहीं है कि उच्च स्तर के सहप्रसरण को प्रस्तुत करने वाले डेटा का कोई सार्थक संबंध है (अनुमानित गुणों या उपचार के यादृच्छिक असाइनमेंट के साथ प्रस्तावित कारण तंत्र का अभाव)। त्रुटिपूर्ण कार्यप्रणाली के उपयोग को व्यापक होने का अधिकार किया गया है, इस प्रकार के कदाचार के सामान्य उदाहरणों में सहसंबंधी मॉडल का अत्यधिक उपयोग, विशेष रूप से प्रतिगमन मॉडल और विशेष रूप से रैखिक प्रतिगमन मॉडल का अत्यधिक उपयोग है।[5]यह पूर्वधारणा कि दो सहसंबद्ध घटनाएं स्वाभाविक रूप से संबंधित हैं, यह तार्किक भ्रम है जिसे नकली संबंध के रूप में जाना जाता है। कुछ सामाजिक वैज्ञानिकों का अधिकार है कि कार्यप्रणाली का व्यापक उपयोग जो झूठे सहसंबंधों के लिए कार्य-कारण का श्रेय देता है, सामाजिक विज्ञानों की अखंडता के लिए हानिकारक रहा है, चूंकि उत्तम कार्यप्रणाली से उत्पन्न सुधारों को नोट किया गया है।[29]

वैज्ञानिक अध्ययनों का संभावित प्रभाव जो त्रुटिपूर्ण रूप से कार्य-कारण के साथ सहसंबंध को जोड़ता है, वैज्ञानिक निष्कर्षों की संख्या में वृद्धि है जिनके परिणाम तीसरे पक्ष द्वारा पुनरुत्पादित नहीं होते हैं। इस प्रकार की गैर-पुनरुत्पादन योग्यता निष्कर्षों का तार्किक परिणाम है कि सहसंबंध केवल अस्थायी रूप से उन तंत्रों में अति-सामान्यीकृत होता है जिनका कोई अंतर्निहित संबंध नहीं होता है, जहां नए डेटा में मूल डेटा के पूर्व, विशेष स्वभाव वाले सहसंबंध सम्मिलित नहीं होते हैं। कदाचार के प्रभाव बनाम कार्य-कारण की शोध की अंतर्निहित कठिनाइयों के प्रभाव पर वाद-विवाद निरन्तर है।[33] व्यापक रूप से प्रचलित पद्धतियों के आलोचकों का तर्क है कि शोधकर्ताओं ने उन लेखों को प्रकाशित करने के लिए सांख्यिकीय आदान-प्रदान किया है जो कथित रूप से कार्य-कारण के साक्ष्य प्रदर्शित करते हैं, किन्तु वास्तव में नकली सहसंबंध के उदाहरण हैं जिन्हें कार्य-कारण के प्रमाण के रूप में बताया जा रहा है, ऐसे प्रयत्नों को डेटा ड्रेजिंग के रूप में संदर्भित किया जा सकता है।[34] इसे रोकने के लिए, कुछ ने वकालत की है कि शोधकर्ता अपने अध्ययन करने से पूर्व अपने अनुसंधान डिजाइनों को पूर्व-पंजीकृत करते हैं जिससे वे अनजाने में गैर-पुनरुत्पादनीय शोध पर अधिक बल न दें जो परिक्षण का प्रारंभिक विषय नहीं था किन्तु डेटा विश्लेषण के समय सांख्यिकीय रूप से महत्वपूर्ण पाया गया था।[35]


यह भी देखें

संदर्भ

  1. ↑ Pearl, Judea (1 January 2009). "आँकड़ों में कारण निष्कर्ष: एक सिंहावलोकन" (PDF). Statistics Surveys. 3: 96–146. doi:10.1214/09-SS057. Archived (PDF) from the original on 6 August 2010. Retrieved 24 September 2012.
  2. ↑ Morgan, Stephen; Winship, Chris (2007). प्रतितथ्यात्मक और कारणात्मक अनुमान. Cambridge University Press. ISBN 978-0-521-67193-4.
  3. ↑ "कारण अनुमान". Encyclopædia Britannica, Inc. Archived from the original on 3 May 2015. Retrieved 24 August 2014.
  4. ↑ John Shaughnessy; Eugene Zechmeister; Jeanne Zechmeister (2000). मनोविज्ञान में अनुसंधान के तरीके. McGraw-Hill Humanities/Social Sciences/Languages. pp. Chapter 1 : Introduction. ISBN 978-0077825362. Archived from the original on 15 October 2014. Retrieved 24 August 2014.
  5. ↑ 5.0 5.1 5.2 5.3 Schrodt, Philip A (1 March 2014). "समकालीन मात्रात्मक राजनीतिक विश्लेषण के सात घातक पाप". Journal of Peace Research (in English). 51 (2): 287–300. doi:10.1177/0022343313499597. ISSN 0022-3433. S2CID 197658213. Archived from the original on 15 August 2021. Retrieved 16 February 2021.
  6. ↑ Landsittel, Douglas; Srivastava, Avantika; Kropf, Kristin (2020). "आकस्मिक अनुमान और संबद्ध शैक्षिक संसाधनों के लिए विधियों की एक कथात्मक समीक्षा". Quality Management in Health Care (in English). 29 (4): 260–269. doi:10.1097/QMH.0000000000000276. ISSN 1063-8628. PMID 32991545. S2CID 222146291. Archived from the original on 15 August 2021. Retrieved 26 February 2021.
  7. ↑ Greenland, Sander; Brumback, Babette (October 2002). "कारण मॉडलिंग विधियों के बीच संबंधों का अवलोकन". International Journal of Epidemiology (in English). 31 (5): 1030–1037. doi:10.1093/ije/31.5.1030. ISSN 1464-3685. PMID 12435780.
  8. ↑ Hill, Austin Bradford (1965). "The Environment and Disease: Association or Causation?". Proceedings of the Royal Society of Medicine. 58 (5): 295–300. doi:10.1177/003591576505800503. PMC 1898525. PMID 14283879. Archived from the original on 19 February 2021. Retrieved 25 February 2014.
  9. ↑ Hoyer, Patrik O., et al. "Nonlinear causal discovery with additive noise models Archived 2 November 2020 at the Wayback Machine." NIPS. Vol. 21. 2008.
  10. ↑ Shimizu, Shohei; et al. (2011). "DirectLiNGAM: A direct method for learning a linear non-Gaussian structural equation model" (PDF). The Journal of Machine Learning Research. 12: 1225–1248. arXiv:1101.2489. Archived (PDF) from the original on 23 July 2021. Retrieved 27 July 2019.
  11. ↑ Zhang, Kun, and Aapo Hyvärinen. "On the identifiability of the post-nonlinear causal model Archived 19 October 2021 at the Wayback Machine." Proceedings of the Twenty-Fifth Conference on Uncertainty in Artificial Intelligence. AUAI Press, 2009.
  12. ↑ 12.0 12.1 Mooij, Joris M., et al. "Probabilistic latent variable models for distinguishing between cause and effect Archived 22 July 2020 at the Wayback Machine." NIPS. 2010.
  13. ↑ Lopez-Paz, David, et al. "Towards a learning theory of cause-effect inference Archived 13 March 2017 at the Wayback Machine" ICML. 2015
  14. ↑ King, Gary (2012). Designing social inquiry : scientific inference in qualitative research. Princeton Univ. Press. ISBN 978-0691034713. OCLC 754613241.
  15. ↑ 15.0 15.1 Mahoney, James (January 2010). "केकेवी के बाद". World Politics. 62 (1): 120–147. doi:10.1017/S0043887109990220. JSTOR 40646193. S2CID 43923978.
  16. ↑ Creswell, John W.; Clark, Vicki L. Plano (2011). डिजाइनिंग और मिश्रित तरीकों अनुसंधान का आयोजन (in English). SAGE Publications. ISBN 9781412975179. Archived from the original on 21 July 2021. Retrieved 23 February 2021.
  17. ↑ Seawright, Jason (September 2016). जेसन सीराइट द्वारा मल्टी-मेथड सोशल साइंस. doi:10.1017/CBO9781316160831. ISBN 9781316160831. Archived from the original on 21 July 2021. Retrieved 18 April 2019. {{cite book}}: |website= ignored (help)
  18. ↑ Smith, Herbert L. (10 February 2014). "Effects of Causes and Causes of Effects: Some Remarks from the Sociological Side". Sociological Methods and Research. 43 (3): 406–415. doi:10.1177/0049124114521149. PMC 4251584. PMID 25477697.
  19. ↑ Goertz, Gary; Mahoney, James (2006). "A Tale of Two Cultures: Contrasting Quantitative and Qualitative Research". Political Analysis (in English). 14 (3): 227–249. doi:10.1093/pan/mpj017. ISSN 1047-1987.
  20. ↑ 20.0 20.1 Angrist, Joshua D.; Pischke, Jörn-Steffen (June 2010). "The Credibility Revolution in Empirical Economics: How Better Research Design Is Taking the Con out of Econometrics". Journal of Economic Perspectives (in English). 24 (2): 3–30. doi:10.1257/jep.24.2.3. ISSN 0895-3309.
  21. ↑ University, Carnegie Mellon. "कार्य-कारण का सिद्धांत - दर्शनशास्त्र विभाग - मानविकी और सामाजिक विज्ञान के डायट्रिच कॉलेज - कार्नेगी मेलन विश्वविद्यालय". www.cmu.edu (in English). Archived from the original on 11 July 2021. Retrieved 16 February 2021.
  22. ↑ Simon, Herbert (1977). डिस्कवरी के मॉडल. Dordrecht: Springer. p. 52.
  23. ↑ Angrist, Joshua D.; Krueger, Alan B. (2001). "Instrumental Variables and the Search for Identification: From Supply and Demand to Natural Experiments". Journal of Economic Perspectives. 15 (4): 69–85. doi:10.1257/jep.15.4.69. Archived from the original on 6 May 2021. Retrieved 16 February 2021.
  24. ↑ Allen, Michael Patrick, ed. (1997), "Model specification in regression analysis", Understanding Regression Analysis (in English), Boston, MA: Springer US, pp. 166–170, doi:10.1007/978-0-585-25657-3_35, ISBN 978-0-585-25657-3, archived from the original on 15 August 2021, retrieved 16 February 2021
  25. ↑ Maziarz, Mariusz (2020). The Philosophy of Causality in Economics: Causal Inferences and Policy Proposals. New York: Routledge.
  26. ↑ Salciccioli, Justin D.; Crutain, Yves; Komorowski, Matthieu; Marshall, Dominic C. (2016), MIT Critical Data (ed.), "Sensitivity Analysis and Model Validation", Secondary Analysis of Electronic Health Records (in English), Cham: Springer International Publishing, pp. 263–271, doi:10.1007/978-3-319-43742-2_17, ISBN 978-3-319-43742-2, PMID 31314264
  27. ↑ Illowsky, Barbara (2013). "परिचयात्मक सांख्यिकी". openstax.org. Archived from the original on 6 February 2017. Retrieved 16 February 2021.
  28. ↑ Henschen, Tobias (2018). "मैक्रोइकॉनॉमिक्स में कारणात्मक साक्ष्य की सिद्धांततः अनिर्णायकता". European Journal for Philosophy of Science. 8 (3): 709–733. doi:10.1007/s13194-018-0207-7. S2CID 158264284.
  29. ↑ 29.0 29.1 Angrist Joshua & Pischke Jörn-Steffen (2008). Mostly Harmless Econometrics: An Empiricist's Companion. Princeton: Princeton University Press.
  30. ↑ Achen, Christopher H. (June 2002). "Toward a new political methodology: Microfoundations and ART". Annual Review of Political Science (in English). 5 (1): 423–450. doi:10.1146/annurev.polisci.5.112801.080943. ISSN 1094-2939.
  31. ↑ Dawes, Robyn M. (1979). "निर्णय लेने में अनुचित रेखीय मॉडल की मजबूत सुंदरता". American Psychologist. 34 (7): 571–582. doi:10.1037/0003-066X.34.7.571. Archived from the original on 21 July 2021. Retrieved 16 February 2021.
  32. ↑ Vandenbroucke, Jan P; Broadbent, Alex; Pearce, Neil (December 2016). "Causality and causal inference in epidemiology: the need for a pluralistic approach". International Journal of Epidemiology. 45 (6): 1776–1786. doi:10.1093/ije/dyv341. ISSN 0300-5771. PMC 5841832. PMID 26800751.
  33. ↑ Greenland, Sander (January 2017). "For and Against Methodologies: Some Perspectives on Recent Causal and Statistical Inference Debates". European Journal of Epidemiology. 32 (1): 3–20. doi:10.1007/s10654-017-0230-6. ISSN 1573-7284. PMID 28220361. S2CID 4574751. Archived from the original on 21 July 2021. Retrieved 16 February 2021.
  34. ↑ Dominus, Susan (18 October 2017). "जब एमी कड्डी के लिए क्रांति आई". The New York Times (in English). ISSN 0362-4331. Archived from the original on 3 January 2020. Retrieved 2 March 2019.
  35. ↑ "विज्ञान में सांख्यिकीय संकट". American Scientist (in English). 6 February 2017. Archived from the original on 13 August 2021. Retrieved 18 April 2019.


ग्रन्थसूची


बाहरी संबंध

Wikimedia Commons has media related to [[commons:Category:कारणात्मक निष्कर्ष|कारणात्मक निष्कर्ष]].

Retrieved from ‘https://www.vigyanwiki.in/index.php?title=कारणात्मक_निष्कर्ष&oldid=196455’