कारणात्मक निष्कर्ष

कारणात्मक अनुमान एक विशेष घटना के स्वतंत्र, वास्तविक प्रभाव को निर्धारित करने की प्रक्रिया है जो एक बड़ी प्रणाली का एक घटक है। कारण अनुमान और संघ के अनुमान (सांख्यिकी) के बीच मुख्य अंतर यह है कि जब प्रभाव चर का कारण बदल जाता है तो कारण अनुमान एक प्रभाव चर की प्रतिक्रिया का विश्लेषण करता है। 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 हाल 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 आम है।

कारण अनुमान के दृष्टिकोण मोटे तौर पर सभी प्रकार के वैज्ञानिक विषयों पर लागू होते हैं, और कुछ विषयों के लिए डिजाइन किए गए कारण अनुमान के कई तरीकों 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; हालाँकि, इसे एक सुझाव के रूप में गलत नहीं माना जाना चाहिए कि ये विधियाँ केवल उन विषयों पर लागू होती हैं, केवल यह कि वे उस अनुशासन में सबसे अधिक उपयोग किए जाते हैं।

कार्य-कारण का अनुमान लगाना मुश्किल है और वैज्ञानिकों के बीच कार्य-कारण का निर्धारण करने के उचित तरीके के बारे में महत्वपूर्ण बहस है। अन्य नवाचारों के बावजूद, वैज्ञानिक रूप से महत्वपूर्ण अनुमान प्राप्त करने के लिए वैज्ञानिकों द्वारा गलत तरीकों के उपयोग के कारण, और विश्लेषणात्मक परिणामों के वैज्ञानिकों द्वारा जानबूझकर हेरफेर के कारण के रूप में सहसंबंधी परिणामों के वैज्ञानिकों द्वारा गलत 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।
 * किसी घटना के कारण या कारणों की पहचान, कारण और प्रभाव के सहसंयोजन की स्थापना, प्रभाव से पहले के कारण के साथ एक समय-क्रम संबंध, और प्रशंसनीय वैकल्पिक कारणों का उन्मूलन।

सामान्य
कारणात्मक अनुमान उन प्रणालियों के अध्ययन के माध्यम से आयोजित किया जाता है जहां एक 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 पहला चरण एक मिथ्याकरणीय अशक्त परिकल्पना तैयार करना है, जो बाद में सांख्यिकीय परिकल्पना परीक्षण है। फ़्रीक्वेंटिस्ट सांख्यिकीय अनुमान सांख्यिकीय तरीकों का उपयोग है, यह संभावना निर्धारित करने के लिए कि डेटा संयोग से शून्य परिकल्पना के तहत होता है; एक स्वतंत्र चर के प्रभाव को निर्धारित करने के लिए बायेसियन अनुमान का उपयोग किया जाता है। सांख्यिकीय अनुमान का उपयोग आम तौर पर मूल डेटा में भिन्नता के बीच अंतर को निर्धारित करने के लिए किया जाता है जो कि यादृच्छिक भिन्नता या एक अच्छी तरह 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 बीच भिन्नता के साथ है। कारण अनुमान के मानक के बाद अक्सर मांगा जाने वाला एक प्रयोग है जिसमें उपचार बेतरतीब ढंग से सौंपा जाता है लेकिन अन्य सभी भ्रमित करने वाले कारकों को स्थिर रखा जाता है। कारणात्मक अनुमान के अधिकांश प्रयास प्रायोगिक स्थितियों को दोहराने के प्रयास में हैं।

महामारी विज्ञान के अध्ययन जोखिम कारकों और प्रभाव के साक्ष्य को इकट्ठा करने और मापने के विभिन्न महामारी विज्ञान के तरीकों और दोनों के बीच संबंध को मापने के विभिन्न तरीकों को नियोजित करते हैं। 2020 में कार्य-कारण अनुमान के तरीकों की समीक्षा के परिणामों में पाया गया कि नैदानिक ​​प्रशिक्षण कार्यक्रमों के लिए मौजूदा साहित्य का उपयोग करना चुनौतीपूर्ण हो सकता है। ऐसा इसलिए है क्योंकि प्रकाशित लेख अक्सर एक उन्नत तकनीकी पृष्ठभूमि ग्रहण करते हैं, वे कई सांख्यिकीय, महामारी विज्ञान, कंप्यूटर विज्ञान, या दार्शनिक दृष्टिकोण से लिखे जा सकते हैं, पद्धति संबंधी दृष्टिकोण तेजी से विस्तार करना जारी रखते हैं, और कारण अनुमान के कई पहलुओं को सीमित कवरेज प्राप्त होता है। कारण अनुमान के लिए सामान्य ढांचे में कारण पाई मॉडल (घटक-कारण), कारण मॉडल|पर्ल का संरचनात्मक कारण मॉडल (कारण मॉडल#कारणिक आरेख + कारण मॉडल#दो कलन|दो-कलन), संरचनात्मक समीकरण मॉडलिंग, और रूबिन कारण मॉडल शामिल हैं। संभावित-परिणाम), जो अक्सर सामाजिक विज्ञान और महामारी विज्ञान जैसे क्षेत्रों में उपयोग किए जाते हैं।

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

अर्ध-प्रायोगिक
पारंपरिक प्रयोगात्मक विधियों के अनुपलब्ध होने पर कारण तंत्र का अर्ध-प्रायोगिक सत्यापन किया जाता है। यह एक प्रयोग करने की निषेधात्मक लागत, या एक 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 खतरा 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 का पता लगाने के लिए जीवित प्राणियों की परिभाषित आबादी में स्वास्थ्य और बीमारी के पैटर्न का अध्ययन करता है। एक संभावित जोखिम कारक और एक बीमारी के संपर्क के बीच संबंध का संकेत हो सकता है, लेकिन यह कार्य-कारण के बराबर नहीं है क्योंकि सहसंबंध का अर्थ कार्य-कारण नहीं है। ऐतिहासिक रूप से, 19वीं शताब्दी के बाद से कोच के अभिधारणाओं का उपयोग यह तय करने के लिए किया जाता रहा है कि क्या एक सूक्ष्मजीव एक बीमारी का कारण था। 20वीं शताब्दी में ब्रैडफोर्ड हिल मानदंड, 1965 में वर्णित माइक्रोबायोलॉजी के बाहर चरों की कार्य-कारणता का आकलन करने के लिए उपयोग किया गया है, हालांकि ये मानदंड भी कार्य-कारण निर्धारित करने के अनन्य तरीके नहीं हैं।

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

एक हालिया चलन आणविक रोग संबंधी महामारी विज्ञान (एमपीई) के उभरते अंतःविषय क्षेत्र में रोगग्रस्त ऊतक (जीव विज्ञान) या कोशिकाओं के भीतर आणविक विकृति पर जोखिम 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 मदद 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 बीच विषमता का उपयोग करके निपटाया गया है, एक्स → वाई और वाई → एक्स। 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 एक स्वतंत्र शोर शब्द शामिल करें।

परिकल्पना Y → X के लिए शोर E के साथ कुछ शोर मॉडल यहां दिए गए हैं: इन मॉडलों में आम धारणा हैं:
 * योगात्मक शोर: $$Y = F(X)+E$$
 * रैखिक शोर: $$Y = pX + qE$$
 * पोस्ट-नॉनलाइनियर: $$Y = G(F(X)+E)$$
 * विषमलैंगिक शोर: $$Y = F(X)+E.G(X)$$
 * कार्यात्मक शोर: $$Y = F(X,E)$$
 * वाई के कोई अन्य कारण नहीं हैं।
 * X और E का कोई सामान्य कारण नहीं है।
 * कारण का वितरण कारण तंत्र से स्वतंत्र है।

एक सहज स्तर पर, विचार यह है कि संयुक्त वितरण P(कारण, प्रभाव) का P(कारण)*P(प्रभाव | कारण) में गुणनखंडन आमतौर पर P(प्रभाव)*P में गुणनखंडन की तुलना में कम कुल जटिलता के मॉडल उत्पन्न करता है। (कारण | प्रभाव)। हालांकि जटिलता की धारणा सहज रूप से आकर्षक है, यह स्पष्ट नहीं है कि इसे ठीक से कैसे परिभाषित किया जाना चाहिए। विधियों का एक अलग परिवार बड़ी मात्रा में लेबल किए गए डेटा से कारण पदचिह्न खोजने का प्रयास करता है, और अधिक लचीले कारण संबंधों की भविष्यवाणी की अनुमति देता है।

सामाजिक विज्ञान
सामान्य तौर पर सामाजिक विज्ञान कार्य-कारण का आकलन करने के लिए मात्रात्मक ढांचे को शामिल करने की दिशा में तेजी 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 सिफारिश की कि शोधकर्ता मात्रात्मक और गुणात्मक दोनों तरीकों को लागू करते हैं और सांख्यिकीय अनुमान की भाषा को अपनाते हैं। रुचि के विषयों और विश्लेषण की इकाइयों के बारे में स्पष्ट रहें। मात्रात्मक तरीकों के समर्थकों ने डोनाल्ड रुबिन द्वारा विकसित रूबिन कारण मॉडल को तेजी से अपनाया है, जो कि कार्य-कारण का अनुमान लगाने के लिए एक मानक के रूप में है।

जबकि संभावित परिणाम ढांचे में सांख्यिकीय निष्कर्ष पर अधिक जोर दिया जाता है, सामाजिक विज्ञान पद्धतिविदों ने गुणात्मक और मात्रात्मक दोनों तरीकों के साथ कारणात्मक निष्कर्ष निकालने के लिए नए उपकरण विकसित किए हैं, जिन्हें कभी-कभी मिश्रित तरीके दृष्टिकोण कहा जाता है। विविध पद्धतिगत दृष्टिकोणों के समर्थकों का तर्क है कि विभिन्न पद्धतियां अध्ययन के विभिन्न विषयों के लिए बेहतर अनुकूल हैं। समाजशास्त्री हर्बर्ट स्मिथ और राजनीतिक वैज्ञानिक जेम्स महोनी और गैरी गोएर्ट्ज़ ने पॉल हॉलैंड, एक सांख्यिकीविद् और 1986 के लेख सांख्यिकी और कारण अनुमान के लेखक के अवलोकन का हवाला दिया है, कि सांख्यिकीय निष्कर्ष प्रभावों के कारणों के बजाय कारणों के प्रभावों का आकलन करने के लिए सबसे उपयुक्त है।. गुणात्मक पद्धतिविदों ने तर्क दिया है कि कार्य-कारण के औपचारिक मॉडल, जिसमें प्रक्रिया अनुरेखण और फजी सेट सिद्धांत शामिल हैं, मामले के अध्ययन के भीतर महत्वपूर्ण कारकों की पहचान के माध्यम से या कई केस अध्ययनों के बीच तुलना की प्रक्रिया के माध्यम से कार्य-कारण का अनुमान लगाने के अवसर प्रदान करते हैं। 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 दुनिया की जटिलता और नियंत्रित प्रयोगों के भीतर कई बड़े पैमाने की घटनाओं को फिर से बनाने में असमर्थता के कारण अर्थशास्त्र और राजनीतिक विज्ञान में कारण अनुमान अक्सर मुश्किल होता है। सामाजिक वैज्ञानिकों के लिए उपलब्ध प्रौद्योगिकी के बढ़े हुए स्तर, सामाजिक वैज्ञानिकों और अनुसंधान की संख्या में वृद्धि, और पूरे सामाजिक विज्ञानों में कारणात्मक अनुमान पद्धति में सुधार के कारण, आर्थिक और राजनीतिक विज्ञानों में कारणात्मक अनुमान में कार्यप्रणाली और कठोरता में सुधार जारी है। आर्थिक प्रणालियों में कार्य-कारण का निर्धारण करने में निहित कठिनाइयों के बावजूद, उन क्षेत्रों में कई व्यापक रूप से नियोजित तरीके मौजूद हैं।

सैद्धांतिक तरीके
अर्थशास्त्री और राजनीतिक वैज्ञानिक सिद्धांत का उपयोग कर सकते हैं (अक्सर सिद्धांत-संचालित अर्थमिति में अध्ययन किया जाता है) उन मामलों में अनुमानित कारण संबंधों के परिमाण का अनुमान लगाने के लिए जहां वे मानते हैं कि एक कारण संबंध मौजूद है। सिद्धांतवादी एक तंत्र को कारण मान सकते हैं और अपने प्रस्तावित सिद्धांत को सही ठहराने के लिए डेटा विश्लेषण का उपयोग करके प्रभावों का वर्णन कर सकते हैं। उदाहरण के लिए, सिद्धांतकार एक 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 लेकिन इसका विलोम सत्य नहीं है। हालांकि, विशुद्ध रूप से सैद्धांतिक दावों का उपयोग करना जो किसी भी भविष्यवाणिय अंतर्दृष्टि की पेशकश नहीं करते हैं, उन्हें पूर्व-वैज्ञानिक कहा गया है क्योंकि अनुमानित कारण गुणों के प्रभाव की भविष्यवाणी करने की कोई क्षमता नहीं है। 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, लेकिन 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 पहले एक अच्छी तरह से परिभाषित और तर्कपूर्ण कारण तंत्र से अनुपस्थित है।

वाद्य चर
वाद्य चर (IV) तकनीक कार्य-कारण का निर्धारण करने की एक विधि है जिसमें एक मॉडल के व्याख्यात्मक चर और मॉडल की त्रुटि अवधि के बीच संबंध को समाप्त करना शामिल 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। एक नए वाद्य चर के परिचय के माध्यम से इस सहसंबंध का उन्मूलन इस प्रकार पूरे मॉडल में मौजूद त्रुटि को कम करता है।

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। मॉडल विनिर्देश उस कार्य-कारण का निर्धारण करने में उपयोगी हो सकता है जो उभरने में धीमा है, जहां एक अवधि में कार्रवाई के प्रभाव केवल बाद की अवधि में महसूस 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 एक 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 कार्य-कारण प्रभावों से पहले होते हैं, इसलिए सामाजिक वैज्ञानिक एक ऐसे मॉडल का उपयोग कर सकते हैं जो विशेष रूप से समय की अवधि में एक चर के दूसरे पर प्रभाव के लिए दिखता है। इससे उपचार प्रभाव के रूप में पहले हो रही घटनाओं का प्रतिनिधित्व करने वाले चर का उपयोग होता है, जहां अर्थमितीय परीक्षणों का उपयोग डेटा में बाद के परिवर्तनों को देखने के लिए किया जाता है जो ऐसे उपचार प्रभावों के प्रभाव के लिए जिम्मेदार होते हैं, जहां उपचार प्रभावों में सार्थक अंतर के बाद परिणामों में सार्थक अंतर होता है। उपचार प्रभाव और मापा प्रभाव (उदाहरण के लिए, ग्रेंजर-कारण परीक्षण) के बीच कार्य-कारण का संकेत दे सकता है। इस तरह के अध्ययन समय श्रृंखला|समय-श्रृंखला विश्लेषण के उदाहरण हैं।

संवेदनशीलता विश्लेषण
प्रतिगमन विश्लेषण में अन्य चर, या प्रतिगामी, या तो शामिल हैं या एक ही मॉडल के विभिन्न कार्यान्वयनों में शामिल नहीं हैं ताकि यह सुनिश्चित किया जा सके कि भिन्नता के विभिन्न स्रोतों का एक दूसरे से अधिक अलग अध्ययन किया जा सकता है। यह संवेदनशीलता विश्लेषण का एक रूप है: यह इस बात का अध्ययन है कि एक या एक से अधिक नए चरों को जोड़ने के लिए एक मॉडल का कार्यान्वयन कितना संवेदनशील है। संवेदनशीलता विश्लेषण के उपयोग में एक प्रमुख प्रेरक चिंता भ्रामक चरों की खोज का प्रयास है। जटिल चर वे चर होते हैं जिनका एक सांख्यिकीय परीक्षण के परिणामों पर बड़ा प्रभाव पड़ता है, लेकिन वे चर नहीं होते हैं जो अध्ययन करने की कोशिश कर रहे हैं। भ्रमित करने वाले चर एक कार्यान्वयन में एक प्रतिगामी महत्वपूर्ण प्रतीत हो सकते हैं, लेकिन दूसरे में नहीं।

बहुसंरेखता
संवेदनशीलता विश्लेषण के उपयोग का एक अन्य कारण बहुसंरेखता का पता लगाना है। बहुसंरेखता वह घटना है जहां दो चर के बीच संबंध बहुत अधिक होता है। दो चरों के बीच एक उच्च स्तर का सहसंबंध एक सांख्यिकीय विश्लेषण के परिणाम को नाटकीय रूप से प्रभावित कर सकता है, जहां अत्यधिक सहसंबद्ध डेटा में छोटे बदलाव एक चर के प्रभाव को सकारात्मक दिशा से नकारात्मक दिशा में, या इसके विपरीत बदल सकते हैं। यह विचरण परीक्षण की एक 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 शामिल करने के परिणामस्वरूप होने वाले परिणामों में नाटकीय परिवर्तन को रोका जा सकता है। हालाँकि, 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 एक पर्याप्त जटिल प्रणाली में सभी जटिल कारकों को शामिल करना या यहां तक ​​​​कि मापना असंभव है, अर्थमितीय मॉडल सामान्य-कारण भ्रम के लिए अतिसंवेदनशील होते हैं, जहां कारण प्रभावों को गलत चर के लिए गलत तरीके से जिम्मेदार ठहराया जाता है क्योंकि सही चर को कैप्चर नहीं किया गया था मूल डेटा। यह एक सत्यानाशी के लिए खाते में विफलता का एक उदाहरण है।

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

कारणात्मक अनुमान में कदाचार
कार्य-कारण निर्धारित करने के लिए उपयोग की जाने वाली पद्धतियों के विकास में प्रगति के बावजूद, कार्य-कारण के निर्धारण में महत्वपूर्ण कमजोरियाँ बनी हुई हैं। इन कमजोरियों को जटिल प्रणालियों में कारण संबंधों को निर्धारित करने की अंतर्निहित कठिनाई के साथ-साथ वैज्ञानिक कदाचार के मामलों के लिए भी जिम्मेदार ठहराया जा सकता है।

कारणात्मक अनुमान की कठिनाइयों से अलग, यह धारणा कि सामाजिक विज्ञानों में बड़ी संख्या में विद्वान गैर-वैज्ञानिक पद्धति में संलग्न हैं, सामाजिक वैज्ञानिकों के कुछ बड़े समूहों के बीच मौजूद है। अर्थशास्त्रियों और सामाजिक वैज्ञानिकों की आलोचना, वर्णनात्मक अध्ययनों को कार्य-कारण अध्ययन के रूप में छोड़ देना उन क्षेत्रों में व्याप्त है।

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 एक व्यापक विषय है, एक शोधकर्ता की गलती के बिना एक कारण अनुमान को कम करने के लिए सैद्धांतिक रूप से असीम तरीके हैं। बहरहाल, वैज्ञानिकों के बीच चिंता बनी हुई है कि बड़ी संख्या में शोधकर्ता बुनियादी कर्तव्यों का पालन नहीं करते हैं या कारण अनुमान में पर्याप्त रूप से विविध तरीकों का अभ्यास नहीं करते हैं। सामान्य गैर-कारणात्मक पद्धति का एक प्रमुख उदाहरण कारण गुणों के रूप में सहसंबंधी गुणों की गलत धारणा है। संबंधित घटना में कोई अंतर्निहित कारण नहीं है। प्रतिगमन मॉडल एक सैद्धांतिक मॉडल के सापेक्ष डेटा के भीतर विचरण को मापने के लिए डिज़ाइन किए गए हैं: यह सुझाव 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 एक यादृच्छिक असाइनमेंट के साथ प्रस्तावित कारण तंत्र का अभाव)। त्रुटिपूर्ण कार्यप्रणाली के उपयोग को व्यापक होने का दावा किया गया है, इस तरह 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। यह पूर्वधारणा कि दो सहसंबद्ध घटनाएं स्वाभाविक रूप से संबंधित हैं, एक तार्किक भ्रम है जिसे नकली संबंध के रूप में जाना जाता है। कुछ सामाजिक वैज्ञानिकों का दावा 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, हालांकि बेहतर कार्यप्रणाली से उत्पन्न सुधारों को नोट किया गया है।

वैज्ञानिक अध्ययनों का एक 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 तरह की गैर-पुनरुत्पादन योग्यता निष्कर्षों का एक 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 पिछले, विशेष स्वभाव वाले सहसंबंध शामिल नहीं होते हैं। कदाचार के प्रभाव बनाम कार्य-कारण की खोज की अंतर्निहित कठिनाइयों के प्रभाव पर बहस जारी है। व्यापक रूप से प्रचलित पद्धतियों के आलोचकों का तर्क है कि शोधकर्ताओं ने उन लेखों को प्रकाशित करने के लिए सांख्यिकीय हेरफेर किया है जो कथित रूप से कार्य-कारण के साक्ष्य प्रदर्शित करते हैं, लेकिन वास्तव में नकली सहसंबंध के उदाहरण हैं जिन्हें कार्य-कारण के प्रमाण के रूप में बताया जा रहा है: ऐसे प्रयासों को डेटा ड्रेजिंग के रूप में संदर्भित किया जा सकता है। इसे रोकने के लिए, कुछ ने वकालत की है कि शोधकर्ता अपने अध्ययन करने से पहले अपने अनुसंधान डिजाइनों को पूर्व-पंजीकृत करते हैं ताकि वे अनजाने में एक गैर-पुनरुत्पादनीय खोज पर अधिक जोर न दें जो जांच का प्रारंभिक विषय नहीं था लेकिन डेटा विश्लेषण के दौरान सांख्यिकीय रूप से महत्वपूर्ण पाया गया था।

यह भी देखें

 * कारण विश्लेषण
 * कारण मॉडल
 * ग्रेंजर कारणता
 * बहुभिन्नरूपी आँकड़े
 * आंशिक न्यूनतम वर्ग प्रतिगमन
 * रोगजनन
 * विकृति विज्ञान
 * प्रतिगमन विश्लेषण
 * स्थानांतरण एन्ट्रापी

बाहरी संबंध

 * NIPS 2013 Workshop on Causality
 * Causal inference at the Max Planck Institute for Intelligent Systems Tübingen