कारण मॉडल: Difference between revisions

Latest revision as of 10:19, 11 August 2023

एफएमआरआई छवियों की व्याख्या के लिए उपयोग किए जाने वाले दो प्रतिस्पर्धी करणीय प्रारूप (डीसीएम, जीसीएम) की तुलना^[1]

विज्ञान के दर्शन में, कारणीय प्रारूप या संरचनात्मक कारणीय प्रारूप एक अवधारणात्मक प्रारूप है जो किसी प्रणाली के कारणीय यंत्र का वर्णन करता है। कारणीय प्रारूप स्वतंत्र चर भविष्यवाणी करने के लिए स्पष्ट निर्धारण नियम प्रदान करके अध्ययन योजनाओं को सुधार कर सकता हैं। यह निर्धारण नियम तय करते हैं कि कौन से स्वतंत्र मानकों को सम्मिलित और नियंत्रित करने की आवश्यकता है।

वे यादृच्छिक नियंत्रित परीक्षण जैसे पारंपरिक अध्ययन की आवश्यकता के बिना उपस्थित अवलोकन संबंधी डेटा से कुछ प्रश्नों के उत्तर देने की अनुमति दे सकते हैं। कुछ पारंपरिक अध्ययन नैतिक या व्यावहारिक करणीयों से अनुपयुक्त हैं, जिसका अर्थ है कि करणीय प्रारूप के बिना, कुछ परिकल्पनाओं का परीक्षण नहीं किया जा सकता है।

करणीय प्रारूप बाह्य वैधता के प्रश्न में मदद कर सकते हैं करणीय प्रारूप कई अध्ययनों से डेटा को विलय करने की अनुमति दे सकते हैं उन प्रश्नों का उत्तर देने के लिए जिनका उत्तर किसी भी व्यक्तिगत डेटा समुच्चय द्वारा नहीं दिया जा सकता है।

करणीय प्रारूप का उपयोग विज्ञापन प्रसंस्करण, महामारी विज्ञान और लर्निंग में मिला है।^[2]

परिभाषा

कारणीय मॉडलें गणितीय मॉडल होते हैं जो एक व्यक्तिगत प्रणाली या जनसंख्या के भीतर कारणीय संबंधों को प्रदर्शित करते हैं। इन्हें सांख्यिकीय डेटा से कारणीय संबंधों के बारे में निष्कर्ष निकालने में मदद करते हैं। ये हमें कारण के ज्ञान के बारे में काफी कुछ सिखा सकते हैं, और कारणीयता और प्रायभाविकता के बीच संबंध के बारे में भी। इन्हें तर्क के विषयों के लिए भी लागू किया गया है, जैसे पराकृतिय लक्षणों की तार्किकता, निर्णय सिद्धांत, और वास्तविक कारण के विश्लेषण के बारे में।.^[3]
— स्टैनफोर्ड इनसाइक्लोपीडिया ऑफ फिलॉसफी

जुडिया पर्ल एक करणीय प्रारूप को एक आदेशित ट्रिपल के रूप में परिभाषित करता है $\langle U,V,E\rangle$ , जहां यू बहिर्जात चर का एक समुच्चय है जिसका मान प्रारूप के बाहर के कारकों द्वारा निर्धारित किया जाता है; वी अंतर्जात चर का एक समुच्चय है जिसका मान प्रारूप के भीतर कारकों द्वारा निर्धारित किया जाता है; और ई संरचनात्मक समीकरण का एक समुच्चय है जो यू और वी में अन्य चर के मूल्यों के एक फलन के रूप में प्रत्येक अंतर्जात चर के मूल्य को व्यक्त करता है।^[2]

इतिहास

अरस्तू ने भौतिक, औपचारिक, कुशल और अंतिम करणीयों सहित कार्य-करणीय की वर्गीकरण को परिभाषित किया। ह्यूम ने प्रतितथ्यात्मक सशर्त के पक्ष में अरस्तू की वर्गीकरण को खारिज कर दिया। एक बिंदु पर, उन्होंने इस बात से इनकार किया कि वस्तुओं में ऐसी शक्तियाँ होती हैं जो एक को करणीय और दूसरे को प्रभाव बनाती हैं। बाद में उन्होंने अपनाया कि यदि पहली वस्तु नहीं थी, तो दूसरी कभी अस्तित्व में नहीं थी।

19वीं सदी के अंत में, सांख्यिकी की शाखा का विकसित होना प्रारंभ हुआ। जीवविज्ञानिक अनुगमन, बायोलॉजिकल इनहेरिटेंस जैसे क्षेत्रों के लिए कारणीय नियमों को पहचानने के लिए वर्षों तक का प्रयास करने के बाद, फ्रांसिस गैल्टन ने माध्य की ओर प्रतिगमन की अवधारणा को प्रस्तुत किया, जो बाद में उन्हें गैर-कारणीय संबंध के अवधारणा तक ले गया। प्रत्यक्षवाद के रूप में, कार्ल पियर्सन ने साहचर्य के एक अप्रमाणित विशेष स्थिति के रूप में विज्ञान के अधिकांश भाग से कार्य-करणीय की धारणा को समाप्त कर दिया और साहचर्य गुणांक को साहचर्य के मीट्रिक के रूप में प्रस्तुत किया। उन्होंने लिखा, गति के करणीय के रूप में बल ठीक उसी तरह है जैसे विकास के करणीय के रूप में वृक्ष देवता और वह करणीय आधुनिक विज्ञान के गूढ़ रहस्यों के बीच केवल एक आकर्षण था। पियर्सन ने यूनिवर्सिटी कॉलेज लंदन में बॉयोमेट्रिक्स और बायोमेट्रिक्स लैब की स्थापना की, जो सांख्यिकी के क्षेत्र में विश्व में अग्रणी बन गई।^[4]

1908 में जी. एच. हार्डी और विल्हेम वेनबर्ग ने मेंडेलियन वंशानुक्रम को पुनर्जीवित करके, हार्डी-वेनबर्ग सिद्धांत की समस्या को हल किया, जिसके करणीय गैल्टन ने कार्य-करणीय को त्याग दिया था।^[4]

1921 में सीवल राइट के पैथ विश्लेषण ने कारणीय मॉडलिंग और कारणीय आरेखों के ऐतिहासिक अज्ञातजनक पूर्वज के रूप में बना। उन्होंने इस दृष्टिकोण को विकसित किया जब उन्हें सूअर के बाल पैटर्न पर अनुवांशिकता, विकास और पर्यावरण के प्रत्यायित्व के अलग-अलग प्रभावों को विश्लेषण करने का प्रयास कर रहे थे। उन्होंने इसके समर्थन में तब हेरेटिकल दावे को समझाया जिसके जरिए ये विश्लेषण सूअर के जन्म वजन, गर्भाशय के समय और बच्चों की संख्या के बीच संबंध को समझा सकते हैं। मुख्य आंकड़ेशीय सांख्यिकियों के इन विचारों के विपरीत विरोध ने इन्हें आगामी 40 वर्षों के लिए अनदेखा किया। इसके अतिरिक्त वैज्ञानिक लोग सहस्त्राधिकारी फिशर के कहने पर ध्यान देते थे। एक अपवाद बारबरा स्टोडर्ड बर्क्स था, एक छात्रा जिसने 1926 में पहली बार माध्यमिक प्रभाव को प्रतिनिधित्व करने के लिए पथ आरेखों का प्रयोग किया और दावा किया कि एक माध्यमिक को स्थिर रखने से त्रुटियाँ आती हैं। प्रायः उन्होंने पथ आरेखों का आविष्कार स्वतंत्र रूप से किया था।^[4]^: 304

1923 में, जॉर्ज नेमन ने संभावित परिणाम की अवधारणा प्रस्तुत की, परंतु 1990 तक उनके पेपर का पोलिश से अंग्रेजी में अनुवाद नहीं किया गया था।^[4]^: 271

1958 में डेविड कॉक्स ने चेतावनी दी थी कि एक चर Z के लिए नियंत्रण केवल तभी मान्य है जब यह स्वतंत्र चर से प्रभावित होने की अत्यधिक संभावना नहीं है।^[4]^: 154

1960 के दशक में, ओटिस डडली डंकन, ह्यूबर्ट एम. ब्लालॉक जूनियर, आर्थर गोल्डबर्गर और अन्य ने पथ विश्लेषण को पुनः खोजा। पथ आरेखों पर ब्लॉक के काम को पढ़ते समय, डंकन को बीस साल पहले विलियम फील्डिंग ओगबर्न का एक व्याख्यान याद आया जिसमें राइट के एक पेपर का उल्लेख किया गया था जिसमें बदले में बर्क्स का उल्लेख किया गया था।^[4]^: 308

समाजशास्त्रियों ने मूल रूप से करणीय प्रारूप को संरचनात्मक समीकरण प्रारूपिंग कहा था, परंतु एक बार जब यह एक रटी हुई विधि बन गई, तो इसने अपनी उपयोगिता खो दी, जिसके करणीय कुछ चिकित्सकों ने कार्य-करणीय के साथ किसी भी संबंध को अस्वीकार कर दिया। अर्थशास्त्रियों ने पथ विश्लेषण के बीजगणितीय भाग को अपनाया, इसे एक साथ समीकरण प्रारूपिंग कहा। यद्यपि , अर्थशास्त्री अभी भी अपने समीकरणों को करणीयात्मक अर्थ देने से बचते रहे।^[4]

अपने पहले पेपर के साठ साल बाद, सैमुअल कार्लिन और अन्य की आलोचना के बाद, राइट ने एक टुकड़ा प्रकाशित किया, जिसमें इसे पुनरावर्तित गया था, जिसमें आपत्ति जताई गई थी कि यह केवल रैखिक संबंधों को संभालता है और डेटा की मजबूत, प्रारूप-मुक्त प्रस्तुतियाँ अधिक खुलासा करने वाली थीं।^[4]

1973 में डेविड लुईस (दार्शनिक) ने सहसंबंध को परंतु-करणीय-करणीय से बदलने की वकालत की। उन्होंने मनुष्यों की वैकल्पिक दुनिया की कल्पना करने की क्षमता का उल्लेख किया जिसमें कोई करणीय घटित हुआ या नहीं हुआ, और जिसमें कोई प्रभाव उसके करणीय के बाद ही प्रकट हुआ।^[4]^: 266 1974 में डोनाल्ड रुबिन ने करणीयात्मक प्रश्न पूछने की भाषा के रूप में संभावित परिणामों की धारणा प्रस्तुत की।^[4]^: 269

1983 में नैन्सी कार्टराईट ने प्रस्तावित किया कि कोई भी कारक जो किसी प्रभाव के लिए प्रासंगिक रूप से प्रासंगिक है, उसे एकमात्र मार्गदर्शक के रूप में सरल संभाव्यता से आगे बढ़ते हुए वातानुकूलित किया जाना चाहिए।^[4]^: 48

1986 में बैरन और केनी ने रैखिक समीकरणों की एक प्रणाली में मध्यस्थता का पता लगाने और उसका मूल्यांकन करने के लिए सिद्धांत प्रस्तुत किए। 2014 तक उनका पेपर अब तक का 33वां सबसे अधिक उद्धृत किया गया पेपर था।^[4]^: 324 उस वर्ष सैंडर ग्रीनलैंड और जेम्स रॉबिन्स ने प्रतितथ्यात्मक पर विचार करके उलझन से निपटने के लिए विनिमयशीलता दृष्टिकोण की शुरुआत की। उन्होंने यह आकलन करने का प्रस्ताव रखा कि यदि उपचार समूह को उपचार नहीं मिला होता तो उनका क्या होता और उस परिणाम की तुलना नियंत्रण समूह से की जाती। यदि वे मेल खाते थे, तो संकरण को अनुपस्थित कहा जाता था।^[4]^: 154

कार्य-करणीय की सीढ़ी

पर्ल के करणीय मेटाप्रारूपिंग में तीन-स्तरीय अमूर्तता सम्मिलित है जिसे वह कार्य-करणीय की सीढ़ी कहते हैं। निम्नतम स्तर, एसोसिएशन सहसंबंध के रूप में व्यक्त इनपुट डेटा में नियमितता या पैटर्न की अनुभूति पर जोर देता है। मध्य स्तर, हस्तक्षेप (करना), जानबूझकर किए गए कार्यों के प्रभावों की भविष्यवाणी करता है, जिसे करणीय संबंधों के रूप में व्यक्त किया जाता है। उच्चतम स्तर, प्रतितथ्यात्मक सशर्त में दुनिया के सिद्धांत का निर्माण सम्मिलित है जो बताता है कि विशिष्ट कार्यों का विशिष्ट प्रभाव क्यों होता है और ऐसे कार्यों की अनुपस्थिति में क्या होता है।^[4]

समिति

एक वस्तु दूसरी वस्तु से जुड़ी होती है यदि एक की अवलोकन करने से दूसरे की अवलोकन की संभावना बदल जाती है। उदाहरण: दांत मंजन खरीदने वाले ग्राहक डेंटल फ्लॉस भी खरीदने की संभावना अधिक होती है। गणितीय रूप से:

P(floss\vline toothpaste)

एक घटना के दो घटनाओं के संबंध की संभावना भी मापी जा सकती है, जैसे फ्लॉस और टूथपेस्ट दिए गए घटनाओं के संबंध की संभावना। संबंध का मापण दो घटनाओं के बीच संबंध की गणना करके भी किया जा सकता है। संबंधों का कारणांतरण के कोई प्रकार के कारणांतरण के प्रभाव नहीं होते हैं। एक घटना दूसरी की वजह सकती है, उलटे भी सच हो सकता है, या दोनों घटनाएं किसी तिसरी घटना के कारण हो सकती हैं।।^[4]

हस्तक्षेप

यह स्तर घटनाओं के बीच विशिष्ट करणीय संबंधों पर जोर देता है। किसी घटना को प्रभावित करने वाली किसी क्रिया को प्रयोगात्मक रूप से निष्पादित करके कार्य-करणीय का मूल्यांकन किया जाता है। उदाहरण: टूथपेस्ट की कीमत दोगुनी होने के बाद, खरीदारी की नई संभावना क्या होगी? इतिहास की जांच करके करणीयता स्थापित नहीं की जा सकती क्योंकि मूल्य परिवर्तन किसी अन्य करणीय से हो सकता है जो स्वयं दूसरी घटना को प्रभावित कर सकता है। गणितीय रूप से:

P(floss\vline do(toothpaste))

एक संचालक कहां है जो प्रयोगात्मक हस्तक्षेप का संकेत देता है।^[4]संचालक वांछित प्रभाव पैदा करने के लिए आवश्यक दुनिया में न्यूनतम परिवर्तन करने का संकेत देता है, प्रारूप पर एक मिनी-सर्जरी जिसमें वास्तविकता से जितना संभव हो उतना कम बदलाव होता है।^[5]

प्रतितथ्यात्मक

उच्चतम स्तर, प्रतितथ्यात्मक, में पिछली घटना के वैकल्पिक संस्करण पर विचार करना सम्मिलित है, या एक ही प्रयोगात्मक इकाई के लिए विभिन्न परिस्थितियों में क्या होगा। उदाहरण के लिए, क्या संभावना है कि, यदि किसी स्टोर ने फ्लॉस की कीमत दोगुनी कर दी होती, तो भी टूथपेस्ट खरीदने वाला खरीदार इसे खरीद लेता?

P(floss\vline toothpaste,price*2)

प्रतितथ्यात्मक बातें किसी करणीय-करणीय संबंध के अस्तित्व का संकेत दे सकती हैं। ऐसे प्रारूप जो प्रतितथ्यात्मक उत्तर दे सकते हैं, सटीक हस्तक्षेप की अनुमति देते हैं जिनके परिणामों की भविष्यवाणी की जा सकती है। चरम सीमा पर, ऐसे प्रारूपों को भौतिक नियमों के रूप में स्वीकार किया जाता है जैसे कि भौतिकी के नियम, उदाहरण के लिए, जड़ता, जो कहता है कि यदि किसी स्थिर वस्तु पर बल नहीं लगाया जाता है, तो वह गति नहीं करेगी।^[4]

करणीय-करणीय

कार्य-करणीय बनाम सहसंबंध

सांख्यिकी कई चरों के बीच संबंधों के विश्लेषण के इर्द-गिर्द घूमती है। परंपरागत रूप से, इन रिश्तों को सहसंबंध और निर्भरता के रूप में वर्णित किया जाता है, बिना किसी निहित करणीय संबंधों के संबंध। करणीय प्रारूप करणीय संबंधों की धारणा को जोड़कर इस ढांचे का विस्तार करने का प्रयास करते हैं, जिसमें एक चर में परिवर्तन दूसरों में परिवर्तन का करणीय बनता है।^[2]

बीसवीं शताब्दी में कार्य-करणीय की परिभाषाएँ पूर्णतया संभावनाओं/सहयोगों पर निर्भर थीं। एक घटना ( $X$ ) के बारे में कहा जाता था कि यह दूसरे $Y$ का करणीय बनता है यदि इससे दूसरे की संभावना बढ़ जाती है तो गणितीय रूप से इसे इस प्रकार व्यक्त किया जाता है:

P(Y\vline X)>P(Y)

.

ऐसी परिभाषाएँ अपर्याप्त हैं क्योंकि अन्य रिश्ते उदाहरण के लिए, एक सामान्य करणीय $X$ और $Y$ शर्त को पूरा कर सकता है। करणीयता दूसरी सीढ़ी के चरण के लिए प्रासंगिक है। एसोसिएशन पहले कदम पर हैं और बाद वाले को केवल साक्ष्य प्रदान करते हैं।^[4]

बाद की परिभाषा में पृष्ठभूमि कारकों पर अनुकूलन द्वारा इस अस्पष्टता को संबोधित करने का प्रयास किया गया। गणितीय रूप से:

P(Y\vline X,K=k)>P(Y|K=k)

,

यहाँ $K$ पृष्ठभूमि चर का समुच्चय है और $k$ एक विशिष्ट संदर्भ में उन चरों के मूल्यों का प्रतिनिधित्व करता है। यद्यपि, पृष्ठभूमि चर का आवश्यक समुच्चय अनिश्चित है (कई समुच्चय संभावना बढ़ा सकते हैं), जब तक संभावना ही एकमात्र मानदंड है.^[4]

कार्य-करणीय को परिभाषित करने के अन्य प्रयासों में ग्रेंजर कार्य-करणीय सम्मिलित है, एक सांख्यिकीय परिकल्पना परीक्षण जो कार्य-करणीय का आकलन किसी अन्य समय श्रृंखला के पूर्व मूल्यों का उपयोग करके एक समय श्रृंखला के भविष्य के मूल्यों की भविष्यवाणी करने की क्षमता को मापकर किया जा सकता है।^[4]

प्रकार

एक करणीय करणीयता आवश्यक और पर्याप्त करणी आवश्यक, पर्याप्त, अंशदायी या कुछ संयोजन हो सकता है।^[6]

आवश्यक

यदि x को y का आवश्यक कारण होने के लिए, y की उपस्थिति को x के पूर्व में होने की संकेत करना चाहिए। यद्यपि, x की उपस्थिति यह नहीं सुझाती है कि y होगा। आवश्यक कारण को "बट-फॉर" कारण भी कहा जाता है, जैसे y न होता यदि x न होता।^[4]^: 261

पर्याप्त करणीय

यदि x y का पूर्ण कारण होने के लिए, x की उपस्थिति से y के भविष्य में होने की संकेत करना चाहिए। यद्यपि, दूसरे कारण z ने य को स्वतंत्र रूप से पैदा किया हो सकता है। इसलिए y की उपस्थिति x के पूर्व होने को आवश्यक नहीं करती है।^[7]

अंशदायी करणीय

x के लिए y का अंशदायी करणीय होने के लिए, x की उपस्थिति से y की संभावना बढ़नी चाहिए। यदि संभावना 100% है, तो इसके अतिरिक्त x को पर्याप्त कहा जाता है। एक अंशदायी करणीय भी आवश्यक हो सकता है.^[8]

प्रारूप

करणीय आरेख

करणीय आरेख एक निर्देशित ग्राफ है जो करणीय प्रारूप में चर के बीच कार्य-करणीय संबंध प्रदर्शित करता है। एक करणीय आरेख में चर का एक समुच्चय सम्मिलित होता है। प्रत्येक नोड एक तीर द्वारा एक या अधिक अन्य नोड्स से जुड़ा होता है जिस पर इसका करणीयात्मक प्रभाव होता है। एक तीर का सिरा कार्य-करणीय की दिशा को चित्रित करता है, उदाहरण के लिए, चर को जोड़ने वाला एक तीर $A$ और $B$ पर तीर के सिरे के साथ $B$ में परिवर्तन का संकेत देता है $A$ में परिवर्तन का करणीय बनता है $B$ पथ करणीय तीरों के बाद दो नोड्स के बीच आरेख का एक ट्रैवर्सल है।^[4]

करणीय आरेखों में करणीय लूप आरेख, निर्देशित चक्रीय आरेख और इशिकावा आरेख सम्मिलित हैं।^[4]

करणीय आरेख उन मात्रात्मक संभावनाओं से स्वतंत्र होते हैं जो उन्हें सूचित करते हैं। उन संभावनाओं में बदलाव उदाहरण के लिए, तकनीकी सुधार के करणीय, के लिए प्रारूप में बदलाव की आवश्यकता नहीं है।^[4]

प्रारूप तत्व

करणीय प्रारूप में विशिष्ट गुणों वाले तत्वों के साथ औपचारिक संरचनाएं होती हैं।^[4]

जंक्शन पैटर्न

तीन नोड्स के तीन प्रकार के कनेक्शन रैखिक श्रृंखला, शाखा कांटे और विलय कोलाइडर हैं।^[4]

श्रृंखला

शृंखलाएँ एक सीधी रेखा संबंध है जिसमें तीर उस कारण से प्रभाव की ओर संकेत करते हैं। इस प्रारूप में, $B$ एक माध्यमिक है जो यह परिवर्तन का माध्यम बनता है जिसे अन्यथा $A$ ने $C$ पर होने वाले प्रभाव का मध्यस्थ बनाना होता।.^[4]^: 113

A\rightarrow B\rightarrow C

फोर्क्स

फोर्क्स में एक कारण के द्वारा एक से अधिक प्रभाव होते हैं। दो प्रभावों में एक सामान्य कारण होता है। अभिगमित संबंध अपने आप में $A$ और $C$ के बीच में होता है जो किसी विशेष मान के $B$ पर शर्त लगाने से समाप्त किया जा सकता है।^[4]^: 114

A\leftarrow B\rightarrow C

शर्त लगाने से $B$ का अर्थ दिया गया है "जबकि B दिया गया है" ।

एक फोर्क्स का विस्तार संकरण है:

A\leftarrow B\rightarrow C\rightarrow A

इस तरह के प्रारूपों में, $B$ का एक सामान्य करणीय है जो $A$ और $C$ का सामान्य करणीय है इसलिए $B$ को "कनफाउंडर" कहा जाता है।^[4]^: 114

कोलाइडर

कॉलाइडर में, एक परिणाम को कई कारणों का प्रभाव होता है। $B$ पर शर्त लगाने से प्रायः $A$ और $C$ के बीच एक गैर-कारणीय नकारात्मक सम्बंध प्रकट होता है। इस नकारात्मक सम्बंध को कॉलाइडर बायस और "इक्स्प्लेन-अवे" प्रभाव कहा जाता है क्योंकि $B$ ने $A$ और $C$ के बीच संबंध को समझाया। इस सम्बंध को सकारात्मक भी माना जा सकता है जब यहां परिभाषित किया जाता है कि $A$ और $C$ दोनों के योगदान की आवश्यकता होती है $B$ को प्रभावित करने के लिए।

A\rightarrow B\leftarrow C

नोड प्रकार

मध्यस्थ

एक माध्यस्थ नोड अन्य कारणों के परिणाम पर प्रभाव डालता है^[4]^: 113 उदाहरण के लिए, उपरोक्त श्रृंखला उदाहरण में, $B$ एक मध्यस्थ है, क्योंकि यह $C$ परिणाम पर $A$ के $C$ पर प्रभाव को संशोधित करता है।

कन्फ़ाउंडर

एक कन्फ़ाउंडर नोड कई परिणामों को प्रभावित करता है, जिससे उनके बीच एक सकारात्मक सहसंबंध बनता है।^[4]^: 114

वाद्य चर

एक वाद्य चर अनुमान वह है जो:^[4]^: 246

परिणाम का एक मार्ग है;
करणीय चर के लिए कोई अन्य रास्ता नहीं है;
परिणाम पर कोई सीधा प्रभाव नहीं पड़ता,

प्रतिगमन गुणांक किसी परिणाम पर एक वाद्य चर के करणीय प्रभाव के अनुमान के रूप में काम कर सकते हैं जब तक कि वह प्रभाव भ्रमित न हो। इस तरह, वाद्य चर, भ्रमित डेटा के बिना करणीय कारकों को निर्धारित करने की अनुमति देते हैं।^[4]^: 249

उदाहरण के लिए, प्रारूप दिया गया:

Z\rightarrow X\rightarrow Y\leftarrow U\rightarrow X

$Z$ यह एक वाद्य चर है, क्योंकि इसमें परिणाम का एक मार्ग है $Y$ और निराधार है, उदाहरण के लिए, $U$ द्वारा।

उपरोक्त उदाहरण में, यदि $Z$ और $X$ बाइनरी मान लें, तो यह धारणा $Z=0,X=1$ नहीं होता है उसे एकरसता कहते हैं.^[4]^: 253

तकनीक में सुधार एक उपकरण बनाना सम्मिलित है अन्य चर पर अनुकूलन द्वारा ब्लौक करने के लिए रास्ते उपकरण और कन्फ़ाउंडर के बीच और एक एकल उपकरण बनाने के लिए कई चर को संयोजित करना है। ^: 257

मेंडेलियन यादृच्छिकीकरण

मेंडेलियन रैन्डमाइजेशन की परिभाषा: मेंडेलियन रैन्डमाइजेशन में प्रमाणित की गई जीनों की मापी गई विविधता का उपयोग किया जाता है जिससे अध्ययनात्मक अध्ययनों में एक बदलने योग्य प्रतिसंपर्क पर रोग के कारणीय प्रभाव की जांच की जाती है।^[9]^[10]

क्योंकि जीन जनजातियों में यादृच्छिक रूप से विविध होते हैं, इसलिए एक जीन की उपस्थिति आम तौर पर एक औद्योगिक चिह्नित चरण के रूप में मानी जाती है, जिससे कि अधिकांश स्थितियों में, कारणीयता को एक अध्ययनात्मक अध्ययन पर रिग्रेशन का उपयोग करके मापा जा सकता है।^[4]^: 255

एसोसिएशन

स्वतंत्रता की शर्तें

स्वतंत्रता की स्थितियाँ यह तय करने के लिए नियम हैं कि क्या दो चर एक दूसरे से स्वतंत्र हैं। चर स्वतंत्र होते हैं यदि एक का मान सीधे दूसरे के मान को प्रभावित नहीं करता है। एकाधिक करणीय प्रारूप स्वतंत्रता की स्थिति साझा कर सकते हैं। उदाहरण के लिए, प्रारूप

A\rightarrow B\rightarrow C

और

A\leftarrow B\rightarrow C

समान स्वतंत्रता की स्थितियाँ हैं, क्योंकि अनुकूलन चालू है $B$ पत्तियाँ $A$ और $C$ स्वतंत्र। यद्यपि, दोनों प्रारूपों का अर्थ समान नहीं है और इन्हें डेटा के आधार पर गलत ठहराया जा सकता है $A$ और $C$ अनुकूलन के बाद $B$ , तो दोनों प्रारूप गलत हैं। इसके विपरीत, डेटा यह नहीं दिखा सकता कि इन दोनों प्रारूपों में से कौन सा सही है, क्योंकि उनकी स्वतंत्रता की शर्तें समान हैं।

एक चर पर अनुकूलन काल्पनिक प्रयोगों के संचालन के लिए एक तंत्र है। एक चर पर अनुकूलन में वातानुकूलित चर के दिए गए मान के लिए अन्य चर के मूल्यों का विश्लेषण करना सम्मिलित है। पहले उदाहरण में, अनुकूलन चालू है $B$ तात्पर्य यह है कि किसी दिए गए मान के लिए अवलोकन $B$ के बीच कोई निर्भरता नहीं दिखानी चाहिए $A$ और $C$ . यदि ऐसी कोई निर्भरता उपस्थित है, तो प्रारूप गलत है। गैर-करणीय प्रारूप ऐसे भेद नहीं कर सकते, क्योंकि वे करणीय संबंधी दावे नहीं करते हैं।^[4]^{: 129–130}

कन्फ़ाउंडर/डीकॉनफ़ाउंडर

सहसंबंधी अध्ययन डिजाइन का एक अनिवार्य तत्व अध्ययन के तहत जनसांख्यिकी जैसे चर पर संभावित रूप से भ्रमित करने वाले प्रभावों की पहचान करना है। उन प्रभावों को ख़त्म करने के लिए इन चरों को नियंत्रित किया जाता है। यद्यपि, भ्रमित करने वाले चरों की सही सूची को प्राथमिकता से निर्धारित नहीं किया जा सकता है। इस प्रकार यह संभव है कि एक अध्ययन अप्रासंगिक चर या यहां तक कि अध्ययन के तहत चर को नियंत्रित कर सकता है।^[4]^: 139

कॉज़ल प्रारूप उपयुक्त भ्रमित करने वाले चर की पहचान करने के लिए एक मजबूत तकनीक प्रदान करते हैं। औपचारिक रूप से, Z एक कन्फ़ाउंडर है यदि Y, X से न गुजरने वाले पथों के माध्यम से Z के साथ जुड़ा हुआ है। इन्हें अक्सर अन्य अध्ययनों के लिए एकत्र किए गए डेटा का उपयोग करके निर्धारित किया जा सकता है। गणितीय रूप से, यदि

P(Y|X)\neq P(Y|do(X))

X और Y भ्रमित हैं ।^[4]^: 151

इससे पहले, कथित तौर पर कन्फ़ाउंडर की गलत परिभाषाओं में सम्मिलित हैं:^[4]^: 152

"X और Y दोनों के साथ संबंधित होने वाला कोई भी चर" है।
अनविधित (अनधिकृत) व्यक्तियों में Y Z के साथ जुड़ी हुई है।
गैर-कॉलैप्सिबिलिटी: "क्रूड रिलेटिव रिस्क" और "संभावित कनफाउंडर के समायोजन के बाद के रिलेटिव रिस्क" के बीच एक अंतर।
महामारी विज्ञान: बड़े पैमाने पर आबादी में X के साथ जुड़ा एक चर और X के संपर्क में नहीं आने वाले लोगों में Y के साथ जुड़ा हुआ है।

प्रारूप में यह देखते हुए उत्तरार्द्ध त्रुटिपूर्ण है:

X\rightarrow Z\rightarrow Y

Z परिभाषा से मेल खाता है, परंतु मध्यस्थ है, संस्थापक नहीं, और परिणाम को नियंत्रित करने का एक उदाहरण है।

प्रारूप में

X\leftarrow A\rightarrow B\leftarrow C\rightarrow Y

परंपरागत रूप से, बी को एक कन्फ्यूडर माना जाता था, क्योंकि यह X और Y के साथ जुड़ा हुआ है, परंतु यह करणीय पथ पर नहीं है और न ही यह करणीय पथ पर किसी भी चीज़ का वंशज है। B के लिए नियंत्रण करने से यह कन्फ्यूडर बन जाता है। इसे एम-पूर्वाग्रह के रूप में जाना जाता है।^[4]^: 161

"बैकडोर समायोजन"

एक करणीय प्रारूप में Y पर X के करणीय प्रभाव का विश्लेषण करने के लिए सभी कन्फ़ाउंडर चर को संबोधित किया जाना चाहिए । कन्फ़्यूडर के समुच्चय की पहचान करने के लिए, (1) एक्स और वाई के बीच प्रत्येक गैर-करणीय पथ को इस समुच्चय द्वारा अवरुद्ध किया जाना चाहिए; (2) किसी भी करणीय पथ को बाधित किए बिना; और (3) बिना कोई नकली रास्ता बनाए।^[4]^: 158

परिभाषा: चर X से Y तक एक बैकडोर पथ को X से शुरू होने वाला कोई भी पथ कहा जाता है जिसमें X की ओर संकेत करने वाला तीर हो।

परिभाषा: एक प्रारूप में चर की एक क्रमबद्ध जोड़ी को देखते हुए, कन्फ़ाउंडर चर Z का एक समुच्चय पिछले दरवाजे के मानदंड को पूरा करता है यदि (1) कोई कन्फ़ाउंडर चर Z, X का वंशज नहीं है और (2) X और Y के बीच सभी बैकडोर पथ कन्फ़ाउंडर्स के समुच्चय द्वारा अवरुद्ध हैं।

यदि पिछले दरवाजे का मानदंड (X , Y) के लिए संतुष्ट है, तो X और Y को भ्रमित चर के समुच्चय द्वारा डीकॉन्फाउंड किया जाता है। कन्फ़्यूडर के अतिरिक्त किसी अन्य चर के लिए नियंत्रण करना आवश्यक नहीं है।^[4]^: 158 Y पर X के करणीय प्रभाव के विश्लेषण को ख़ारिज करने के लिए चर Z का एक समुच्चय खोजने के लिए बैकडोर मानदंड एक पर्याप्त परंतु आवश्यक शर्त नहीं है।

जब करणीय प्रारूप वास्तविकता का एक प्रशंसनीय प्रतिनिधित्व है और पिछले दरवाजे की कसौटी संतुष्ट है, तो आंशिक प्रतिगमन गुणांक का उपयोग पथ गुणांक के रूप में किया जा सकता है।^[4]^: 223^[11]

P(Y|do(X))=\textstyle \sum _{z}\displaystyle P(Y|X,Z=z)P(Z=z)

^[4]^: 227

फ्रंटडोर समायोजन

यदि अवरुद्ध पथ के तत्व सभी अनुवेक्ष्य होते हैं, तो बैकडोर पथ की गणना संभव नहीं होती है,परंतु यदि $X\to Y$ से सभी फॉरवर्ड पथ के तत्वों में ऐसे $z$ होते हैं जिनसे कोई खुला पथ $z\to Y$ जुड़ा नहीं होता, तो $Z$ , सभी $z$ का समुच्चय, $P(Y|do(X))$ को माप सकता है। प्रभावी रूप से, कुछ स्थितियों में $Z$ $X$ के लिए प्रोक्सी के रूप में कार्य कर सकता है।

परिभाषा: एक फ्रंटडोर पथ एक सीधा कारणीय पथ होता है जिसके लिए सभी $z\in Z$ के लिए डेटा उपलब्ध होता है, $Z$ सभी $X$ से $Y$ के लिए निर्देशित पथों को काटता है, $Z$ से $Y$ तक कोई अवरोधित पथ नहीं है, और $Z$ से $Y$ तक सभी बैकडोर पथ $X$ द्वारा ब्लॉक होते हैं।^[12]निम्नलिखित फ्रंट-डोर पथ के साथ चर पर अनुकूलन द्वारा एकमुक्त अभिव्यक्ति के लिए अभिव्यक्ति में परिवर्तित करता है।^[4]^: 226

P(Y|do(X))=\textstyle \sum _{z}\left[\displaystyle P(Z=z|X)\textstyle \sum _{x}\displaystyle P(Y|X=x,Z=z)P(X=x)\right]

यह मानते हुए कि इन अवलोकनीय संभावनाओं के लिए डेटा उपलब्ध है, अंतिम संभाव्यता की गणना किसी प्रयोग के बिना, अन्य भ्रमित पथों के अस्तित्व की परवाह किए बिना और फ्रंटडोर समायोजन के बिना की जा सकती है।^[4]^: 226

हस्तक्षेप

प्रश्न

प्रश्न एक विशिष्ट प्रारूप पर आधारित प्रश्न पूछे जाते हैं। इनका उत्तर सामान्यतः प्रयोग करके दिया जाता है। हस्तक्षेप एक प्रारूप में एक चर के मूल्य को तय करने और परिणाम का अवलोकन करने का रूप लेते हैं। गणितीय रूप से, ऐसे प्रश्न निम्न रूप लेते हैं :^[4]^: 8

P({\text{floss}}\vline do({\text{toothpaste}}))

जहां do संचालक इंगित करता है कि प्रयोग ने टूथपेस्ट की कीमत को स्पष्ट रूप से संशोधित किया है। आरेखित रूप से, यह किसी भी करणीय कारक को रोकता है जो अन्यथा उस चर को प्रभावित करेगा। आरेखीय रूप से, यह प्रयोगात्मक चर की ओर संकेत करने वाले सभी करणीय तीरों को मिटा देता है।^[4]^: 40

अधिक जटिल प्रश्न संभव हैं, जिसमें संचालक को कई चर पर लागू किया जाता है ।

गणना करो

डू कैलकुलस वह समुच्चय है जिसका उपयोग एक अभिव्यक्ति को दूसरे में परिवर्तित करने के लिए किया जा सकता है, मुख्य उद्देश्य उन अभिव्यक्तियों को परिवर्तित करना है जो डू संचालक को सम्मिलित करते हैं और जिनमें डू संचालक का उल्लेख नहीं होता है। डू संचालक केसम्मिलित होने के बिना विवेकशील डेटा से अभिव्यक्तियों का अनुमान लगाया जा सकता है, जिसमें प्रयोगात्मक हस्तक्षेप की जरूरत नहीं होती, जो कि महंगा, लंबा या नैतिक रूप से गलत उदाहरण के लिए, सब्जेक्ट्स से सिगरेट पीने को कहना हो सकता है। इसका उपयोग इस प्रणाली में प्रत्येक सत्य कथन प्राप्त करने के लिए किया जा सकता है।^[4]^: 237 एक कलनविधि यह निर्धारित कर सकता है कि, किसी दिए गए प्रारूप के लिए, कोई समाधान समय जटिलता में गणना योग्य है या नहीं।^[4]^: 238

नियम

कैलकुलस में डू संचालक से जुड़े सशर्त संभाव्यता अभिव्यक्तियों के परिवर्तन के लिए तीन नियम सम्मिलित हैं।

नियम 1

नियम 1 टिप्पणियों को जोड़ने या हटाने की अनुमति देता है।^[4]^: 235

P(Y|do(X),Z,W)=P(Y|do(X),Z)

उस स्थिति में जब चर समुच्चय Z, W से Y तक सभी पथों को अवरुद्ध कर देता है और X की ओर जाने वाले सभी तीर हटा दिए गए हैं।^[4]^: 234

नियम 2

नियम 2 किसी हस्तक्षेप को किसी अवलोकन से बदलने या इसके विपरीत की अनुमति देता है:^[4]^: 235

P(Y|do(X),Z)=P(Y|X,Z)

उस स्थिति में जब Z #डीकॉन्फाउंडिंग|बैक-डोर मानदंड को पूरा करता है।^[4]^: 234

नियम 3

नियम 3 हस्तक्षेपों को हटाने या जोड़ने की अनुमति देता है।^[4]

P(Y|do(X))=P(Y)

उस स्थिति में जहां कोई करणीय पथ X और Y को नहीं जोड़ता है।^[4]^: 234 ^: 235

विस्तारण

नियमों का मतलब यह नहीं है कि किसी भी प्रश्न के डू ऑपरेटर हटा दिए जा सकते हैं। उन मामलों में, यह संभव हो सकता है कि एक ऐसा चर जिस पर हस्तक्षेप हो सकता है उदाहरण के लिए, आहार एक ऐसे चर की जगह पर प्रयोग किया जा सकता है जिस पर हस्तक्षेप नहीं हो सकता है उदाहरण के लिए, रक्त कोलेस्ट्रोल, जिसके बाद वे डू ऑपरेटर हटा दिए जा सकते हैं। उदाहरण:

P({\text{Heart disease}}|do({\text{blood cholesterol}}))=P({\text{Heart disease}}|do({\text{diet}}))

प्रतितथ्यात्मक

प्रतितथ्यात्मक लोग उन संभावनाओं पर विचार करते हैं जो डेटा में नहीं पाई जाती हैं, जैसे कि क्या धूम्रपान न करने वाले को कैंसर हो सकता था यदि वह भारी धूम्रपान करने वाला होता। वे पर्ल की कार्य-करणीय सीढ़ी पर सबसे ऊंचे चरण हैं।

संभावित परिणाम

परिभाषा: एक चर Y के लिए संभावित परिणाम वह मान है जो Y ने व्यक्ति के लिए लिया होगायू, क्या एक्स को मान एक्स सौंपा गया था। गणितीय रूप से:^[4]^: 270

Y_{X=x}(u)

या

Y_{x}(u)

.

संभावित परिणाम को व्यक्ति के स्तर पर परिभाषित किया जाता है।^[4]^: 270

संभावित परिणामों के लिए पारंपरिक दृष्टिकोण प्रारूप-चालित नहीं बल्कि डेटा-आधारित है, जो करणीय संबंधों को सुलझाने की इसकी क्षमता को सीमित करता है। यह करणीयात्मक प्रश्नों को लुप्त डेटा की समस्या मानता है और यहां तक कि मानक परिदृश्यों के लिए भी गलत उत्तर देता है।^[4]^: 275

करणीय अनुमान

करणीय प्रारूप के संदर्भ में, संभावित परिणामों की व्याख्या सांख्यिकीय के अतिरिक्त करणीय के आधार पर की जाती है।

कार्य-करणीय अनुमान का पहला नियम बताता है कि संभावित परिणाम

Y_{X}(u)

करणीय प्रारूप एम को संशोधित करके (एक्स में तीर हटाकर) और कुछ एक्स के परिणाम की गणना करके गणना की जा सकती है। औपचारिक रूप से:^[4]^: 280

Y_{X}(u)=Y_{Mx}(u)

प्रतितथ्यात्मक आचरण करना

करणीय प्रारूप का उपयोग करके प्रतितथ्यात्मक की जांच करने में तीन चरण सम्मिलित होते हैं।^[13] प्रारूप संबंधों के स्वरूप, रैखिक या अन्यथा की परवाह किए बिना दृष्टिकोण मान्य है। जब प्रारूप संबंध पूरी तरह से निर्दिष्ट होते हैं, तो बिंदु मानों की गणना की जा सकती है। अन्य स्थितियों में एक संभाव्यता-अंतराल विवरण की गणना की जा सकती है, जैसे कि गैर-धूम्रपान करने वाले x में कैंसर की 10-20% संभावना होगी।^[4]^: 279

प्रारूप दिया गया:

Y\leftarrow X\rightarrow M\rightarrow Y\leftarrow U

प्रतिगमन विश्लेषण या किसी अन्य तकनीक से प्राप्त ए और सी के मूल्यों की गणना के लिए समीकरणों को लागू किया जा सकता है, एक अवलोकन से ज्ञात मूल्यों को प्रतिस्थापित करना और अन्य चर (प्रतितथ्यात्मक) के मूल्य को ठीक करना।^[4]^: 278

अपहरण

यू का अनुमान लगाने के लिए अपहरणात्मक तर्क जो सबसे सरल/सबसे संभावित स्पष्टीकरण खोजने के लिए अवलोकन का उपयोग करता है को लागू करें, विशिष्ट अवलोकन पर न देखे गए चर के लिए प्रॉक्सी जो प्रतितथ्यात्मक का समर्थन करता है।^[4]^: 278 प्रस्तावित साक्ष्य दिए जाने पर आपकी संभावना की गणना करें।

अधिनियम

किसी विशिष्ट अवलोकन के लिए, प्रतितथ्यात्मक (जैसे, m=0) स्थापित करने के लिए डू संचालक का उपयोग करें, तदनुसार समीकरणों को संशोधित करें।^[4]^: 278

भविष्यवाणी

संशोधित समीकरणों का उपयोग करके आउटपुट (y) के मानों की गणना करें।^[4]^: 278

मध्यस्थता

प्रत्यक्ष और अप्रत्यक्ष (मध्यस्थ) करणीयों को केवल प्रतितथ्यात्मक आचरण के माध्यम से ही पहचाना जा सकता है।^[4]^: 301 मध्यस्थता को समझने के लिए प्रत्यक्ष करणीय पर हस्तक्षेप करते समय मध्यस्थ को स्थिर रखने की आवश्यकता होती है। प्रारूप में

$Y\leftarrow M\leftarrow X\rightarrow Y$

M, Y पर X के प्रभाव की मध्यस्थता करता है, जबकि X का भी Y पर बिना मध्यस्थता के प्रभाव पड़ता है। इस प्रकार M को स्थिर रखा जाता है, जबकि डू (X) की गणना की जाती है।

यदि मध्यस्थ और परिणाम भ्रमित हैं, तो मध्यस्थता भ्रांति में मध्यस्थ पर अनुकूलन सम्मिलित है, जैसा कि वे उपरोक्त प्रारूप में हैं।

रैखिक प्रारूप के लिए, अप्रत्यक्ष प्रभाव की गणना एक मध्यस्थ मार्ग के साथ सभी पथ गुणांकों के उत्पाद को लेकर की जा सकती है। कुल अप्रत्यक्ष प्रभाव की गणना व्यक्तिगत अप्रत्यक्ष प्रभावों के योग से की जाती है। रैखिक प्रारूप के लिए मध्यस्थता का संकेत तब दिया जाता है जब मध्यस्थ को सम्मिलित किए बिना फिट किए गए समीकरण के गुणांक उस समीकरण से काफी भिन्न होते हैं जिसमें मध्यस्थ सम्मिलित होता है।^[4]^: 324

सीधा प्रभाव

ऐसे प्रारूप पर प्रयोगों में, नियंत्रित प्रत्यक्ष प्रभाव (सीडीई) की गणना मध्यस्थ एम (डू (M = 0)) के मूल्य को मजबूर करके और X (डू X = 0), डू (X = 1),के प्रत्येक मान के लिए कुछ विषयों को यादृच्छिक रूप से निर्दिष्ट करके और Y के परिणामी मूल्यों को देखकर की जाती है।^[4]^: 317

CDE(0)=P(Y=1|do(X=1),do(M=0))-P(Y=1|do(X=0),do(M=0))

मध्यस्थ के प्रत्येक मान की एक संगत होती है।

यद्यपि, प्राकृतिक प्रत्यक्ष प्रभाव की गणना करना एक बेहतर प्रयोग है। यह X और Y के बीच के रिश्ते पर हस्तक्षेप करते समय X और एम के बीच के रिश्ते को अछूता छोड़कर निर्धारित किया गया प्रभाव है।^[4]^: 318

NDE=P(Y_{M=M0}=1|do(X=1))-P(Y_{M=M0}=1|do(X=0))

उदाहरण के लिए, हर दूसरे वर्ष से दंत स्वास्थिक विजिट (X) में वृद्धि के प्रत्यक्ष प्रभाव पर विचार करें, जो फ्लॉसिंग (M) को प्रोत्साहित करता है। मसूड़े (Y) स्वस्थ हो जाते हैं, या तो हाइजीनिस्ट या फ्लॉसिंग के करणीय होता है प्रयोग यह है कि स्वास्थ्य विशेषज्ञ की यात्रा को छोड़कर फ्लॉसिंग जारी रखी जाए।

अप्रत्यक्ष प्रभाव

Y पर X का अप्रत्यक्ष प्रभाव वह वृद्धि है जो हम Y में देखेंगे, जबकि X को स्थिर रखा जाएगा और M को उस मान तक बढ़ाया जाएगा जो M, X में एक इकाई वृद्धि के तहत प्राप्त करेगा।^[4]^: 328

अप्रत्यक्ष प्रभावों को नियंत्रित नहीं किया जा सकता क्योंकि प्रत्यक्ष पथ को किसी अन्य चर स्थिरांक को पकड़कर अक्षम नहीं किया जा सकता है। प्राकृतिक अप्रत्यक्ष प्रभाव (एनआईई) फ्लॉसिंग (M) से मसूड़ों के स्वास्थ्य (Y) पर प्रभाव है। एनआईई की गणना हाइजिनिस्ट और हाइजीनिस्ट के बिना फ्लॉसिंग की संभावना के बीच अंतर के योग के रूप में की जाती है, या^[4]^: 321

NIE=\sum _{m}[P(M=m|X=1)-P(M=m|X=0)]xxP(Y=1|X=0,M=m)

उपरोक्त एनडीई गणना में प्रतितथ्यात्मक सबस्क्रिप्ट सम्मिलित हैं ( $Y_{M=M0}$ ). अरेखीय प्रारूप के लिए, प्रतीत होता है स्पष्ट तुल्यता^[4]^: 322

{\mathsf {Total\ effect=Direct\ effect+Indirect\ effect}}

थ्रेशोल्ड प्रभाव और बाइनरी मान जैसी विसंगतियों के करणीय लागू नहीं होता है। यद्यपि ,

{\mathsf {Total\ effect}}(X=0\rightarrow X=1)=NDE(X=0\rightarrow X=1)-\ NIE(X=1\rightarrow X=0)

सभी प्रारूप संबंधों (रैखिक और अरेखीय) के लिए काम करता है। यह एनडीई को हस्तक्षेप या प्रतितथ्यात्मक सबस्क्रिप्ट के उपयोग के बिना सीधे अवलोकन डेटा से गणना करने की अनुमति देता है।^[4]^: 326

परिवहन क्षमता

करणीय प्रारूप डेटासमुच्चय में डेटा को एकीकृत करने के लिए एक वाहन प्रदान करते हैं, जिसे परिवहन के रूप में जाना जाता है, भले ही करणीय प्रारूप (और संबंधित डेटा) भिन्न हों। उदाहरण के लिए, सर्वेक्षण डेटा को यादृच्छिक, नियंत्रित परीक्षण डेटा के साथ विलय किया जा सकता है।^[4]^: 352परिवहन बाहरी वैधता के प्रश्न का समाधान प्रदान करता है, कि क्या एक अध्ययन को एक अलग संदर्भ में लागू किया जा सकता है।

जहां दो प्रारूप सभी प्रासंगिक चर पर मेल खाते हैं और एक प्रारूप का डेटा निष्पक्ष माना जाता है, एक जनसंख्या के डेटा का उपयोग दूसरे के बारे में निष्कर्ष निकालने के लिए किया जा सकता है। अन्य मामलों में, जहां डेटा को पक्षपाती माना जाता है, पुनर्भारित करने से डेटासमुच्चय को परिवहन की अनुमति मिल सकती है। तीसरे मामले में, अधूरे डेटासमुच्चय से निष्कर्ष निकाला जा सकता है। कुछ मामलों में, बिना मापी गई जनसंख्या के बारे में निष्कर्ष निकालने के लिए कई जनसंख्या के अध्ययन के डेटा को जोड़ा जा सकता है। कुछ स्थितियों में, कई अध्ययनों से अनुमान के संयोजन से निष्कर्ष की सटीकता बढ़ सकती है।^[4]^: 355

डू-कैलकुलस परिवहन के लिए एक सामान्य मानदंड प्रदान करता है: एक लक्ष्य चर को डू-ऑपरेशंस की एक श्रृंखला के माध्यम से किसी अन्य अभिव्यक्ति में परिवर्तित किया जा सकता है जिसमें कोई अंतर-उत्पादक चर सम्मिलित नहीं होता है ।^[4]^: 355 एक समान नियम उन अध्ययनों पर लागू होता है जिनमें प्रासंगिक रूप से भिन्न प्रतिभागी होते हैं।^[4]^: 356

बायेसियन नेटवर्क

किसी भी करणीय प्रारूप को बायेसियन नेटवर्क के रूप में कार्यान्वित किया जा सकता है। बायेसियन नेटवर्क का उपयोग किसी घटना की व्युत्क्रम संभावना प्रदान करने के लिए किया जा सकता है। इसके लिए एक सशर्त संभाव्यता तालिका तैयार करने की आवश्यकता होती है, जो सभी संभावित इनपुट और परिणामों को उनकी संबंधित संभावनाओं के साथ दिखाती है।^[4]^: 119

उदाहरण के लिए, रोग और परीक्षण के दो परिवर्तनीय प्रारूप को देखते हुए सशर्त संभाव्यता तालिका इस प्रकार बनती है:^[4]^: 117

किसी दिए गए रोग के लिए सकारात्मक परीक्षण की संभावना
	परीक्षण
रोग	सकारात्मक	नकारात्मक
नकारात्मक	12	88
सकारात्मक	73	27

इस तालिका के अनुसार, जब किसी मरीज को यह बीमारी नहीं होती है, तो सकारात्मक परीक्षण की संभावना 12% होती है।

यद्यपि यह छोटी समस्याओं के लिए सुव्यवस्थित है, जैसे-जैसे चरों की संख्या और उनसे जुड़ी अवस्थाएँ बढ़ती हैं, संभाव्यता तालिकातेजी से बढ़ती है।^[4]^: 121

बायेसियन नेटवर्क का उपयोग वायरलेस डेटा त्रुटि सुधार और डीएनए विश्लेषण जैसे अनुप्रयोगों में व्यावसायिक रूप से किया जाता है।^[4]^: 122

अपरिवर्तनीय/संदर्भ

एक अलग तत्वीकरण का अवधारणा कारणिता का अनुभवशीलता के अनुभवों के सन्दर्भ में शामिल होता है। हस्तलिखित अंकों की पहचान करने के मामले में, अंक का आकार अर्थ को नियंत्रित करता है, इसलिए आकार और अर्थ इनवेरिएंट होते हैं। आकार बदलने से अर्थ बदल जाता है। अन्य गुण जैसे, रंग ऐसा नहीं करते हैं। यह अपरिवर्तनीय भिन्न संदर्भों में उत्पन्न डेटा समुच्चय के संबंध में लागू होना चाहिए । संग्रहीत डेटा समुच्चय पर लर्निंग करने के अतिरिक्त, एक पर लर्निंग करने और दूसरे पर परीक्षण करने से अपरिवर्तनीय चर गुणों को अलग करने में मदद मिल सकती है।^[14]

यह भी देखें

बायेसियन नेटवर्क#कॉज़ल नेटवर्क - एक बायेसियन नेटवर्क जिसकी स्पष्ट आवश्यकता है कि संबंध करणीयात्मक हों
संरचनात्मक समीकरण प्रारूपिंग - करणीय संबंधों के परीक्षण और अनुमान के लिए एक सांख्यिकीय तकनीक
पथ विश्लेषण (सांख्यिकी)
बायेसियन नेटवर्क
करणीय मानचित्र
गतिशील करणीय प्रारूपिंग

संदर्भ

↑ Karl Friston (Feb 2009). "कार्यात्मक चुंबकीय अनुनाद इमेजिंग में कारण मॉडलिंग और मस्तिष्क कनेक्टिविटी". PLOS Biology. 7 (2): e1000033. doi:10.1371/journal.pbio.1000033. PMC 2642881. PMID 19226186.
↑ ^2.0 ^2.1 ^2.2 Pearl 2009.
↑ Hitchcock, Christopher (2018), "Causal Models", in Zalta, Edward N. (ed.), The Stanford Encyclopedia of Philosophy (Fall 2018 ed.), Metaphysics Research Lab, Stanford University, retrieved 2018-09-08
↑ ^4.00 ^4.01 ^4.02 ^4.03 ^4.04 ^4.05 ^4.06 ^4.07 ^4.08 ^4.09 ^4.10 ^4.11 ^4.12 ^4.13 ^4.14 ^4.15 ^4.16 ^4.17 ^4.18 ^4.19 ^4.20 ^4.21 ^4.22 ^4.23 ^4.24 ^4.25 ^4.26 ^4.27 ^4.28 ^4.29 ^4.30 ^4.31 ^4.32 ^4.33 ^4.34 ^4.35 ^4.36 ^4.37 ^4.38 ^4.39 ^4.40 ^4.41 ^4.42 ^4.43 ^4.44 ^4.45 ^4.46 ^4.47 ^4.48 ^4.49 ^4.50 ^4.51 ^4.52 ^4.53 ^4.54 ^4.55 ^4.56 ^4.57 ^4.58 ^4.59 ^4.60 ^4.61 ^4.62 ^4.63 ^4.64 ^4.65 ^4.66 ^4.67 ^4.68 ^4.69 ^4.70 ^4.71 ^4.72 ^4.73 ^4.74 ^4.75 ^4.76 ^4.77 ^4.78 ^4.79 ^4.80 Pearl, Judea; Mackenzie, Dana (2018-05-15). The Book of Why: The New Science of Cause and Effect (in English). Basic Books. ISBN 9780465097616.
↑ Pearl, Judea (29 Oct 2019). "कारणात्मक एवं प्रतितथ्यात्मक अनुमान" (PDF). Retrieved 14 December 2020. {{cite journal}}: Cite journal requires |journal= (help)
↑ Epp, Susanna S. (2004). अनुप्रयोगों के साथ पृथक गणित (in English). Thomson-Brooks/Cole. pp. 25–26. ISBN 9780534359454.
↑ "कारणात्मक तर्क". www.istarassessment.org. Retrieved 2 March 2016.
↑ Riegelman, R. (1979). "Contributory cause: Unnecessary and insufficient". Postgraduate Medicine. 66 (2): 177–179. doi:10.1080/00325481.1979.11715231. PMID 450828.
↑ Katan MB (March 1986). "एपोलिपोप्रोटीन ई आइसोफॉर्म, सीरम कोलेस्ट्रॉल, और कैंसर". Lancet. 1 (8479): 507–8. doi:10.1016/s0140-6736(86)92972-7. PMID 2869248. S2CID 38327985.
↑ Smith, George Davey; Ebrahim, Shah (2008). Mendelian Randomization: Genetic Variants as Instruments for Strengthening Causal Inference in Observational Studies (in English). National Academies Press (US).
↑ Pearl 2009, chapter 3-3 Controlling Confounding Bias.
↑ Pearl, Judea; Glymour, Madelyn; Jewell, Nicholas P (7 March 2016). Causal Inference in Statistics: A Primer. ISBN 978-1-119-18684-7.
↑ Pearl 2009, p. 207.
↑ Hao, Karen (May 8, 2019). "गहन अध्ययन से पता चल सकता है कि दुनिया इस तरह क्यों काम करती है". MIT Technology Review (in English). Retrieved February 10, 2020.

स्रोत

Pearl, Judea (2009-09-14). करणीय संबंध (in English). Cambridge University Press. ISBN 9781139643986.

बाहरी संबंध

Pearl, Judea (2010-02-26). "An Introduction to Causal Inference". The International Journal of Biostatistics. 6 (2): Article 7. doi:10.2202/1557-4679.1203. ISSN 1557-4679. PMC 2836213. PMID 20305706.
Causal modeling at PhilPapers
Falk, Dan (2019-03-17). "AI Algorithms Are Now Shockingly Good at Doing Science". Wired. ISSN 1059-1028. Retrieved 2019-03-20.
Maudlin, Tim (2019-08-30). "The Why of the World". Boston Review (in English). Retrieved 2019-09-09.
Hartnett, Kevin (15 May 2018). "To Build Truly Intelligent Machines, Teach Them Cause and Effect". Quanta Magazine. Retrieved 2019-09-19.
^[1]

↑ Learning Representations using Causal Invariance (in English), ICLR, February 2020, retrieved 2020-02-10

[1] Karl Friston (Feb 2009). "कार्यात्मक चुंबकीय अनुनाद इमेजिंग में कारण मॉडलिंग और मस्तिष्क कनेक्टिविटी". PLOS Biology. 7 (2): e1000033. doi:10.1371/journal.pbio.1000033. PMC 2642881. PMID 19226186.

[FOOTNOTEPearl2009-2] 2.0 ^2.1 ^2.2 Pearl 2009.

[3] Hitchcock, Christopher (2018), "Causal Models", in Zalta, Edward N. (ed.), The Stanford Encyclopedia of Philosophy (Fall 2018 ed.), Metaphysics Research Lab, Stanford University, retrieved 2018-09-08

[:1-4] 4.00 ^4.01 ^4.02 ^4.03 ^4.04 ^4.05 ^4.06 ^4.07 ^4.08 ^4.09 ^4.10 ^4.11 ^4.12 ^4.13 ^4.14 ^4.15 ^4.16 ^4.17 ^4.18 ^4.19 ^4.20 ^4.21 ^4.22 ^4.23 ^4.24 ^4.25 ^4.26 ^4.27 ^4.28 ^4.29 ^4.30 ^4.31 ^4.32 ^4.33 ^4.34 ^4.35 ^4.36 ^4.37 ^4.38 ^4.39 ^4.40 ^4.41 ^4.42 ^4.43 ^4.44 ^4.45 ^4.46 ^4.47 ^4.48 ^4.49 ^4.50 ^4.51 ^4.52 ^4.53 ^4.54 ^4.55 ^4.56 ^4.57 ^4.58 ^4.59 ^4.60 ^4.61 ^4.62 ^4.63 ^4.64 ^4.65 ^4.66 ^4.67 ^4.68 ^4.69 ^4.70 ^4.71 ^4.72 ^4.73 ^4.74 ^4.75 ^4.76 ^4.77 ^4.78 ^4.79 ^4.80 Pearl, Judea; Mackenzie, Dana (2018-05-15). The Book of Why: The New Science of Cause and Effect (in English). Basic Books. ISBN 9780465097616.

[5] Pearl, Judea (29 Oct 2019). "कारणात्मक एवं प्रतितथ्यात्मक अनुमान" (PDF). Retrieved 14 December 2020. {{cite journal}}: Cite journal requires |journal= (help)

[6] Epp, Susanna S. (2004). अनुप्रयोगों के साथ पृथक गणित (in English). Thomson-Brooks/Cole. pp. 25–26. ISBN 9780534359454.

[CR-7] "कारणात्मक तर्क". www.istarassessment.org. Retrieved 2 March 2016.

[Riegelman-8] Riegelman, R. (1979). "Contributory cause: Unnecessary and insufficient". Postgraduate Medicine. 66 (2): 177–179. doi:10.1080/00325481.1979.11715231. PMID 450828.

[Katan1986-9] Katan MB (March 1986). "एपोलिपोप्रोटीन ई आइसोफॉर्म, सीरम कोलेस्ट्रॉल, और कैंसर". Lancet. 1 (8479): 507–8. doi:10.1016/s0140-6736(86)92972-7. PMID 2869248. S2CID 38327985.

[10] Smith, George Davey; Ebrahim, Shah (2008). Mendelian Randomization: Genetic Variants as Instruments for Strengthening Causal Inference in Observational Studies (in English). National Academies Press (US).

[FOOTNOTEPearl2009[httpbayescsuclaeduBOOK-2Kch3-3pdf_chapter_3-3_Controlling_Confounding_Bias]-11] Pearl 2009, chapter 3-3 Controlling Confounding Bias.

[12] Pearl, Judea; Glymour, Madelyn; Jewell, Nicholas P (7 March 2016). Causal Inference in Statistics: A Primer. ISBN 978-1-119-18684-7.

[FOOTNOTEPearl2009207-13] Pearl 2009, p. 207.

[14] Hao, Karen (May 8, 2019). "गहन अध्ययन से पता चल सकता है कि दुनिया इस तरह क्यों काम करती है". MIT Technology Review (in English). Retrieved February 10, 2020.

[15] Learning Representations using Causal Invariance (in English), ICLR, February 2020, retrieved 2020-02-10

[1]

[2]

[3]

[4]

304

271

154

308

266

269

48

324

[5]

[6]

261

[7]

[8]

113

114

246

249

253

257

[9]

[10]

255

129–130

139

151

152

161

158

223

[11]

227

[12]

226

8

40

237

238

235

234

270

275

280

[13]

279

278

301

317

318

328

321

322

326

352

355

356

119

117

121

122

[14]

[1]

@@ Line 1: / Line 1: @@
 {{short description|Conceptual model in philosophy of science}}
-{{Cleanup rewrite|date=March 2020}}
+[[File:Diagram of Dynamic Causal Modelling - Causal Modelling and Brain Connectivity in Functional Magnetic Resonance Imaging by Karl Friston.png|thumb|300px|[[एफएमआरआई]] छवियों की व्याख्या के लिए उपयोग किए जाने वाले दो प्रतिस्पर्धी करणीय प्रारूप (डीसीएम, जीसीएम) की तुलना<ref>{{cite journal | doi=10.1371/journal.pbio.1000033 | pmid=19226186 | pmc=2642881 | author=Karl Friston | title=कार्यात्मक चुंबकीय अनुनाद इमेजिंग में कारण मॉडलिंग और मस्तिष्क कनेक्टिविटी| journal=[[PLOS Biology]] | volume=7 | number=2 | pages=e1000033 | date=Feb 2009 | author-link=Karl Friston }}</ref>]]विज्ञान के दर्शन में, '''कारणीय प्रारूप'''  या संरचनात्मक कारणीय प्रारूप  एक अवधारणात्मक प्रारूप  है जो किसी प्रणाली के कारणीय यंत्र का वर्णन करता है। कारणीय प्रारूप स्वतंत्र चर भविष्यवाणी करने के लिए स्पष्ट निर्धारण नियम प्रदान करके अध्ययन योजनाओं को सुधार कर सकता हैं। यह निर्धारण नियम तय करते हैं कि कौन से स्वतंत्र मानकों को सम्मिलित  और नियंत्रित करने की आवश्यकता है।
-[[File:Diagram of Dynamic Causal Modelling - Causal Modelling and Brain Connectivity in Functional Magnetic Resonance Imaging by Karl Friston.png|thumb|300px|[[एफएमआरआई]] छवियों की व्याख्या के लिए उपयोग किए जाने वाले दो प्रतिस्पर्धी कारण मॉडल (डीसीएम, जीसीएम) की तुलना<ref>{{cite journal | doi=10.1371/journal.pbio.1000033 | pmid=19226186 | pmc=2642881 | author=Karl Friston | title=कार्यात्मक चुंबकीय अनुनाद इमेजिंग में कारण मॉडलिंग और मस्तिष्क कनेक्टिविटी| journal=[[PLOS Biology]] | volume=7 | number=2 | pages=e1000033 | date=Feb 2009 | author-link=Karl Friston }}</ref>]]विज्ञान के दर्शन में, एक कारण मॉडल (या संरचनात्मक कारण मॉडल) एक वैचारिक मॉडल है जो किसी [[प्रणाली]] के कारण तंत्र का वर्णन करता है। कारण मॉडल यह तय करने के लिए स्पष्ट नियम प्रदान करके अध्ययन डिजाइन में सुधार कर सकते हैं कि किन स्वतंत्र चरों को शामिल/नियंत्रित करने की आवश्यकता है।
-वे यादृच्छिक नियंत्रित परीक्षण जैसे पारंपरिक अध्ययन की आवश्यकता के बिना मौजूदा अवलोकन संबंधी डेटा से कुछ प्रश्नों के उत्तर देने की अनुमति दे सकते हैं। कुछ पारंपरिक अध्ययन नैतिक या व्यावहारिक कारणों से अनुपयुक्त हैं, जिसका अर्थ है कि कारण मॉडल के बिना, कुछ परिकल्पनाओं का परीक्षण नहीं किया जा सकता है।
+वे यादृच्छिक नियंत्रित परीक्षण जैसे पारंपरिक अध्ययन की आवश्यकता के बिना उपस्थित अवलोकन संबंधी डेटा से कुछ प्रश्नों के उत्तर देने की अनुमति दे सकते हैं। कुछ पारंपरिक अध्ययन नैतिक या व्यावहारिक करणीयों से अनुपयुक्त हैं, जिसका अर्थ है कि करणीय प्रारूप के बिना, कुछ परिकल्पनाओं का परीक्षण नहीं किया जा सकता है।
-कारण मॉडल ''बाह्य वैधता'' के प्रश्न में मदद कर सकते हैं (क्या एक अध्ययन के परिणाम अअध्ययन न की गई आबादी पर लागू होते हैं)। कारण मॉडल कई अध्ययनों से डेटा को विलय करने की अनुमति दे सकते हैं (कुछ परिस्थितियों में) उन प्रश्नों का उत्तर देने के लिए जिनका उत्तर किसी भी व्यक्तिगत डेटा सेट द्वारा नहीं दिया जा सकता है।
+करणीय प्रारूप बाह्य वैधता के प्रश्न में मदद कर सकते हैं करणीय प्रारूप कई अध्ययनों से डेटा को विलय करने की अनुमति दे सकते हैं उन प्रश्नों का उत्तर देने के लिए जिनका उत्तर किसी भी व्यक्तिगत डेटा समुच्चय  द्वारा नहीं दिया जा सकता है।
-कारण मॉडल को [[ संकेत आगे बढ़ाना ]], [[महामारी विज्ञान]] और [[ यंत्र अधिगम ]] में अनुप्रयोग मिला है।{{sfn|Pearl|2009}}
+करणीय प्रारूप का उपयोग विज्ञापन[[ संकेत आगे बढ़ाना | प्रसंस्करण,]] [[महामारी विज्ञान]] और [[ यंत्र अधिगम |  लर्निंग में]] मिला है।{{sfn|Pearl|2009}}
 {{Toclimit|3}}
@@ Line 13: / Line 12: @@
 == परिभाषा ==
-{{Blockquote|text=Causal models are mathematical models representing causal relationships within an individual system or population. They facilitate inferences about causal relationships from statistical data. They can teach us a good deal about the epistemology of causation, and about the relationship between causation and probability. They have also been applied to topics of interest to philosophers, such as the logic of counterfactuals, decision theory, and the analysis of actual causation.<ref>{{Citation|last=Hitchcock|first=Christopher|title=Causal Models|date=2018|url=https://plato.stanford.edu/archives/fall2018/entries/causal-models/|encyclopedia=The Stanford Encyclopedia of Philosophy|editor-last=Zalta|editor-first=Edward N.|edition=Fall 2018|publisher=Metaphysics Research Lab, Stanford University|access-date=2018-09-08}}</ref>|sign=|source=Stanford Encyclopedia of Philosophy}} [[जुडिया पर्ल]] एक कारण मॉडल को एक आदेशित ट्रिपल के रूप में परिभाषित करता है <math>\langle U, V, E\rangle</math>, जहां यू [[बहिर्जात चर]] का एक सेट है जिसका मान मॉडल के बाहर के कारकों द्वारा निर्धारित किया जाता है; वी अंतर्जात चर का एक सेट है जिसका मान मॉडल के भीतर कारकों द्वारा निर्धारित किया जाता है; और ई [[संरचनात्मक समीकरण]]ों का एक सेट है जो यू और वी में अन्य चर के मूल्यों के एक फ़ंक्शन के रूप में प्रत्येक अंतर्जात चर के मूल्य को व्यक्त करता है।{{sfn|Pearl|2009}}
+{{Blockquote|text=कारणीय मॉडलें गणितीय मॉडल होते हैं जो एक व्यक्तिगत प्रणाली या जनसंख्या के भीतर कारणीय संबंधों को प्रदर्शित करते हैं। इन्हें सांख्यिकीय डेटा से कारणीय संबंधों के बारे में निष्कर्ष निकालने में मदद करते हैं। ये हमें कारण के ज्ञान के बारे में काफी कुछ सिखा सकते हैं, और कारणीयता और प्रायभाविकता के बीच संबंध के बारे में भी। इन्हें तर्क के विषयों के लिए भी लागू किया गया है, जैसे पराकृतिय लक्षणों की तार्किकता, निर्णय सिद्धांत, और वास्तविक कारण के विश्लेषण के बारे में।.<ref>{{Citation|last=Hitchcock|first=Christopher|title=Causal Models|date=2018|url=https://plato.stanford.edu/archives/fall2018/entries/causal-models/|encyclopedia=The Stanford Encyclopedia of Philosophy|editor-last=Zalta|editor-first=Edward N.|edition=Fall 2018|publisher=Metaphysics Research Lab, Stanford University|access-date=2018-09-08}}</ref>|sign=|source=स्टैनफोर्ड इनसाइक्लोपीडिया ऑफ फिलॉसफी}} [[जुडिया पर्ल]] एक करणीय प्रारूप को एक आदेशित ट्रिपल के रूप में परिभाषित करता है <math>\langle U, V, E\rangle</math>, जहां यू [[बहिर्जात चर]] का एक समुच्चय है जिसका मान प्रारूप के बाहर के कारकों द्वारा निर्धारित किया जाता है; वी अंतर्जात चर का एक समुच्चय  है जिसका मान प्रारूप के भीतर कारकों द्वारा निर्धारित किया जाता है; और ई [[संरचनात्मक समीकरण]] का एक समुच्चय  है जो यू और वी में अन्य चर के मूल्यों के एक फलन के रूप में प्रत्येक अंतर्जात चर के मूल्य को व्यक्त करता है।{{sfn|Pearl|2009}}
 == इतिहास ==
-[[अरस्तू]] ने भौतिक, औपचारिक, कुशल और अंतिम कारणों सहित कार्य-कारण की वर्गीकरण को परिभाषित किया। ह्यूम ने [[प्रतितथ्यात्मक सशर्त]] के पक्ष में अरस्तू की वर्गीकरण को खारिज कर दिया। एक बिंदु पर, उन्होंने इस बात से इनकार किया कि वस्तुओं में ऐसी शक्तियाँ होती हैं जो एक को कारण और दूसरे को प्रभाव बनाती हैं। बाद में उन्होंने अपनाया कि यदि पहली वस्तु नहीं थी, तो दूसरी कभी अस्तित्व में नहीं थी ([[अनिवार्यतः]]|लेकिन-कार्यकारण के लिए)।<ref name=":1" />
+[[अरस्तू]] ने भौतिक, औपचारिक, कुशल और अंतिम करणीयों सहित कार्य-करणीय की वर्गीकरण को परिभाषित किया। ह्यूम ने [[प्रतितथ्यात्मक सशर्त]] के पक्ष में अरस्तू की वर्गीकरण को खारिज कर दिया। एक बिंदु पर, उन्होंने इस बात से इनकार किया कि वस्तुओं में ऐसी शक्तियाँ होती हैं जो एक को करणीय और दूसरे को प्रभाव बनाती हैं। बाद में उन्होंने अपनाया कि यदि पहली वस्तु नहीं थी, तो दूसरी कभी अस्तित्व में नहीं थी।
-वीं सदी के अंत में सांख्यिकी का अनुशासन बनना शुरू हुआ। जैविक वंशानुक्रम जैसे डोमेन के लिए कारण नियमों की पहचान करने के वर्षों के लंबे प्रयास के बाद, [[फ्रांसिस गैल्टन]] ने [[माध्य की ओर प्रतिगमन]] की अवधारणा पेश की (खेल में द्वितीय वर्ष की गिरावट का प्रतीक) जो बाद में उन्हें सहसंबंध की गैर-कारण अवधारणा की ओर ले गई।<ref name=":1">{{Cite book|url={{google books |plainurl=y |id=9H0dDQAAQBAJ}} |title=The Book of Why: The New Science of Cause and Effect|last1=Pearl|first1=Judea|last2=Mackenzie|first2=Dana|date=2018-05-15|publisher=Basic Books|isbn=9780465097616|language=en|author-link=Judea Pearl}}</ref>
+वीं सदी के अंत में, सांख्यिकी की शाखा का विकसित होना प्रारंभ हुआ। जीवविज्ञानिक अनुगमन, बायोलॉजिकल इनहेरिटेंस जैसे क्षेत्रों के लिए कारणीय नियमों को पहचानने के लिए वर्षों तक का प्रयास करने के बाद, [[फ्रांसिस गैल्टन]] ने [[माध्य की ओर प्रतिगमन]]  की अवधारणा को प्रस्तुत किया, जो बाद में उन्हें गैर-कारणीय संबंध के अवधारणा तक ले गया। प्रत्यक्षवाद के रूप में, [[कार्ल पियर्सन]] ने साहचर्य के एक अप्रमाणित विशेष स्थिति के रूप में विज्ञान के अधिकांश भाग से कार्य-करणीय की धारणा को समाप्त कर दिया और साहचर्य गुणांक को साहचर्य के मीट्रिक के रूप में प्रस्तुत किया। उन्होंने लिखा, गति के करणीय के रूप में बल ठीक उसी तरह है जैसे विकास के करणीय के रूप में वृक्ष देवता और वह करणीय आधुनिक विज्ञान के गूढ़ रहस्यों के बीच केवल एक आकर्षण था। पियर्सन ने [[यूनिवर्सिटी कॉलेज लंदन]] में [[बॉयोमेट्रिक्स]] और बायोमेट्रिक्स लैब की स्थापना की, जो सांख्यिकी के क्षेत्र में विश्व में अग्रणी बन गई।<ref name=":1">{{Cite book|url={{google books |plainurl=y |id=9H0dDQAAQBAJ}} |title=The Book of Why: The New Science of Cause and Effect|last1=Pearl|first1=Judea|last2=Mackenzie|first2=Dana|date=2018-05-15|publisher=Basic Books|isbn=9780465097616|language=en|author-link=Judea Pearl}}</ref>
-प्रत्यक्षवाद के रूप में, [[कार्ल पियर्सन]] ने साहचर्य के एक अप्रमाणित विशेष मामले के रूप में विज्ञान के अधिकांश भाग से कार्य-कारण की धारणा को समाप्त कर दिया और साहचर्य गुणांक को साहचर्य के मीट्रिक के रूप में पेश किया। उन्होंने लिखा, गति के कारण के रूप में बल ठीक उसी तरह है जैसे विकास के कारण के रूप में वृक्ष देवता और वह कारण आधुनिक विज्ञान के गूढ़ रहस्यों के बीच केवल एक आकर्षण था। पियर्सन ने [[यूनिवर्सिटी कॉलेज लंदन]] में [[बॉयोमेट्रिक्स]] और बायोमेट्रिक्स लैब की स्थापना की, जो सांख्यिकी के क्षेत्र में विश्व में अग्रणी बन गई।<ref name=":1" />
-में जी. एच. हार्डी और [[विल्हेम वेनबर्ग]] ने मेंडेलियन वंशानुक्रम को पुनर्जीवित करके, हार्डी-वेनबर्ग सिद्धांत की समस्या को हल किया, जिसके कारण गैल्टन ने कार्य-कारण को त्याग दिया था।<ref name=":1" />
+में जी. एच. हार्डी और [[विल्हेम वेनबर्ग]] ने मेंडेलियन वंशानुक्रम को पुनर्जीवित करके, हार्डी-वेनबर्ग सिद्धांत की समस्या को हल किया, जिसके करणीय गैल्टन ने कार्य-करणीय को त्याग दिया था।<ref name=":1" />
-में [[सीवल राइट]] का [[पथ विश्लेषण (सांख्यिकी)]] कारण मॉडलिंग और कारण ग्राफ़ का सैद्धांतिक पूर्वज बन गया।<ref>{{Cite book|url={{google books |plainurl=y |id=yWWEIvNgUQ4C|page=707}} |title=कार्य-कारण की ऑक्सफ़ोर्ड हैंडबुक|volume=1 |editor-last=Beebee |editor-first=Helen|editor-last2=Hitchcock|editor-first2=Christopher|editor-last3=Menzies|editor-first3=Peter|date=2012-01-12|publisher=OUP Oxford|isbn=9780191629464|language=en|first=Samir |last=Okasha |chapter=Causation in Biology|chapter-url=http://www.oxfordhandbooks.com/view/10.1093/oxfordhb/9780199279739.001.0001/oxfordhb-9780199279739-e-0036|doi=10.1093/oxfordhb/9780199279739.001.0001 }}</ref> उन्होंने [[बलि का बकरा]] कोट पैटर्न पर आनुवंशिकता, विकास और पर्यावरण के सापेक्ष प्रभावों को सुलझाने का प्रयास करते हुए इस दृष्टिकोण को विकसित किया। उन्होंने अपने तत्कालीन विधर्मी दावों का समर्थन करते हुए दिखाया कि कैसे ऐसे विश्लेषण गिनी पिग के जन्म के वजन, [[गर्भाशय]] के समय और कूड़े के आकार के बीच संबंध को समझा सकते हैं। प्रमुख सांख्यिकीविदों द्वारा इन विचारों के विरोध के कारण उन्हें अगले 40 वर्षों तक (पशु प्रजनकों को छोड़कर) नजरअंदाज किया गया। इसके बजाय वैज्ञानिकों ने सहसंबंधों पर भरोसा किया, आंशिक रूप से राइट के आलोचक (और प्रमुख सांख्यिकीविद्), [[रोनाल्ड फिशर]] के आदेश पर।<ref name=":1" />एक अपवाद [[बारबरा स्टोडर्ड बर्क्स]] था, जो 1926 में एक छात्र था जिसने मध्यस्थ प्रभाव (मध्यस्थ) का प्रतिनिधित्व करने के लिए पथ आरेख लागू करने वाले पहले व्यक्ति थे और यह दावा किया था कि मध्यस्थ को स्थिर रखने से त्रुटियां उत्पन्न होती हैं। हो सकता है कि उसने स्वतंत्र रूप से पथ आरेखों का आविष्कार किया हो।<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=304}} 304]}}
+में [[सीवल राइट]] के पैथ विश्लेषण ने कारणीय मॉडलिंग और कारणीय आरेखों के ऐतिहासिक अज्ञातजनक पूर्वज के रूप में बना। उन्होंने इस दृष्टिकोण को विकसित किया जब उन्हें सूअर के बाल पैटर्न पर अनुवांशिकता, विकास और पर्यावरण के प्रत्यायित्व के अलग-अलग प्रभावों को विश्लेषण करने का प्रयास कर रहे थे। उन्होंने इसके समर्थन में तब हेरेटिकल दावे को समझाया जिसके जरिए ये विश्लेषण सूअर के जन्म वजन, गर्भाशय के समय और बच्चों की संख्या के बीच संबंध को समझा सकते हैं। मुख्य आंकड़ेशीय सांख्यिकियों के इन विचारों के विपरीत विरोध ने इन्हें आगामी 40 वर्षों के लिए अनदेखा किया। इसके अतिरिक्त वैज्ञानिक लोग सहस्त्राधिकारी फिशर के कहने पर ध्यान देते थे। एक अपवाद  [[बारबरा स्टोडर्ड बर्क्स]] था, एक छात्रा जिसने 1926 में पहली बार माध्यमिक प्रभाव को प्रतिनिधित्व करने के लिए पथ आरेखों का प्रयोग किया और दावा किया कि एक माध्यमिक को स्थिर रखने से त्रुटियाँ आती हैं। प्रायः उन्होंने पथ आरेखों का आविष्कार स्वतंत्र रूप से किया था।<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=304}} 304]}}
-में, [[जॉर्ज नेमन]] ने संभावित परिणाम की अवधारणा पेश की, लेकिन 1990 तक उनके पेपर का पोलिश से अंग्रेजी में अनुवाद नहीं किया गया था।<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=271}} 271]}}
+में, [[जॉर्ज नेमन]] ने संभावित परिणाम की अवधारणा प्रस्तुत की, परंतु 1990 तक उनके पेपर का पोलिश से अंग्रेजी में अनुवाद नहीं किया गया था।<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=271}} 271]}}
-में [[डेविड कॉक्स (सांख्यिकीविद्)]] ने चेतावनी दी थी कि एक चर Z के लिए नियंत्रण केवल तभी मान्य है जब यह स्वतंत्र चर से प्रभावित होने की अत्यधिक संभावना नहीं है।<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=154}} 154]}}
+में [[डेविड कॉक्स (सांख्यिकीविद्)|डेविड कॉक्स]] ने चेतावनी दी थी कि एक चर Z के लिए नियंत्रण केवल तभी मान्य है जब यह स्वतंत्र चर से प्रभावित होने की अत्यधिक संभावना नहीं है।<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=154}} 154]}}
-के दशक में, [[ओटिस डडली डंकन]], ह्यूबर्ट एम. ब्लालॉक जूनियर, [[आर्थर गोल्डबर्गर]] और अन्य ने पथ विश्लेषण को फिर से खोजा। पथ आरेखों पर ब्लालॉक के काम को पढ़ते समय, डंकन को बीस साल पहले [[विलियम फील्डिंग ओगबर्न]] का एक व्याख्यान याद आया जिसमें राइट के एक पेपर का उल्लेख किया गया था जिसमें बदले में बर्क्स का उल्लेख किया गया था।<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=308}} 308]}}
+के दशक में, [[ओटिस डडली डंकन]], ह्यूबर्ट एम. ब्लालॉक जूनियर, [[आर्थर गोल्डबर्गर]] और अन्य ने पथ विश्लेषण को पुनः खोजा। पथ आरेखों पर ब्लॉक के काम को पढ़ते समय, डंकन को बीस साल पहले [[विलियम फील्डिंग ओगबर्न]] का एक व्याख्यान याद आया जिसमें राइट के एक पेपर का उल्लेख किया गया था जिसमें बदले में बर्क्स का उल्लेख किया गया था।<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=308}} 308]}}
-समाजशास्त्रियों ने मूल रूप से कारण मॉडल को [[संरचनात्मक समीकरण मॉडलिंग]] कहा था, लेकिन एक बार जब यह एक रटी हुई विधि बन गई, तो इसने अपनी उपयोगिता खो दी, जिसके कारण कुछ चिकित्सकों ने कार्य-कारण के साथ किसी भी संबंध को अस्वीकार कर दिया। अर्थशास्त्रियों ने पथ विश्लेषण के बीजगणितीय भाग को अपनाया, इसे एक साथ समीकरण मॉडलिंग कहा। हालाँकि, अर्थशास्त्री अभी भी अपने समीकरणों को कारणात्मक अर्थ देने से बचते रहे।<ref name=":1" />
+समाजशास्त्रियों ने मूल रूप से करणीय प्रारूप को [[संरचनात्मक समीकरण मॉडलिंग|संरचनात्मक समीकरण प्रारूपिंग]] कहा था, परंतु एक बार जब यह एक रटी हुई विधि बन गई, तो इसने अपनी उपयोगिता खो दी, जिसके करणीय कुछ चिकित्सकों ने कार्य-करणीय के साथ किसी भी संबंध को अस्वीकार कर दिया। अर्थशास्त्रियों ने पथ विश्लेषण के बीजगणितीय भाग को अपनाया, इसे एक साथ समीकरण प्रारूपिंग कहा। यद्यपि      , अर्थशास्त्री अभी भी अपने समीकरणों को करणीयात्मक अर्थ देने से बचते रहे।<ref name=":1" />
-अपने पहले पेपर के साठ साल बाद, [[सैमुअल कार्लिन]] और अन्य की आलोचना के बाद, राइट ने एक टुकड़ा प्रकाशित किया, जिसमें इसे दोहराया गया था, जिसमें आपत्ति जताई गई थी कि यह केवल रैखिक संबंधों को संभालता है और डेटा की मजबूत, मॉडल-मुक्त प्रस्तुतियाँ अधिक खुलासा करने वाली थीं।<ref name=":1" />
+अपने पहले पेपर के साठ साल बाद, [[सैमुअल कार्लिन]] और अन्य की आलोचना के बाद, राइट ने एक टुकड़ा प्रकाशित किया, जिसमें इसे पुनरावर्तित गया था, जिसमें आपत्ति जताई गई थी कि यह केवल रैखिक संबंधों को संभालता है और डेटा की मजबूत, प्रारूप-मुक्त प्रस्तुतियाँ अधिक खुलासा करने वाली थीं।<ref name=":1" />
-में [[डेविड लुईस (दार्शनिक)]] ने सहसंबंध को परंतु-कारण-कारण (प्रतितथ्यात्मक) से बदलने की वकालत की। उन्होंने मनुष्यों की वैकल्पिक दुनिया की कल्पना करने की क्षमता का उल्लेख किया जिसमें कोई कारण घटित हुआ या नहीं हुआ, और जिसमें कोई प्रभाव उसके कारण के बाद ही प्रकट हुआ।<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=266}} 266]}} 1974 में [[डोनाल्ड रुबिन]] ने कारणात्मक प्रश्न पूछने की भाषा के रूप में संभावित परिणामों की धारणा पेश की।<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=269}} 269]}}
+में [[डेविड लुईस (दार्शनिक)]] ने सहसंबंध को परंतु-करणीय-करणीय से बदलने की वकालत की। उन्होंने मनुष्यों की वैकल्पिक दुनिया की कल्पना करने की क्षमता का उल्लेख किया जिसमें कोई करणीय घटित हुआ या नहीं हुआ, और जिसमें कोई प्रभाव उसके करणीय के बाद ही प्रकट हुआ।<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=266}} 266]}} 1974 में [[डोनाल्ड रुबिन]] ने करणीयात्मक प्रश्न पूछने की भाषा के रूप में संभावित परिणामों की धारणा प्रस्तुत की।<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=269}} 269]}}
-में [[नैन्सी कार्टराईट (दार्शनिक)]] ने प्रस्तावित किया कि कोई भी कारक जो किसी प्रभाव के लिए प्रासंगिक रूप से प्रासंगिक है, उसे एकमात्र मार्गदर्शक के रूप में सरल संभाव्यता से आगे बढ़ते हुए वातानुकूलित किया जाना चाहिए।<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=48}} 48]}}
+में [[नैन्सी कार्टराईट (दार्शनिक)|नैन्सी कार्टराईट]] ने प्रस्तावित किया कि कोई भी कारक जो किसी प्रभाव के लिए प्रासंगिक रूप से प्रासंगिक है, उसे एकमात्र मार्गदर्शक के रूप में सरल संभाव्यता से आगे बढ़ते हुए वातानुकूलित किया जाना चाहिए।<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=48}} 48]}}
-में बैरन और केनी ने रैखिक समीकरणों की एक प्रणाली में मध्यस्थता का पता लगाने और उसका मूल्यांकन करने के लिए सिद्धांत पेश किए। 2014 तक उनका पेपर अब तक का 33वां सबसे अधिक उद्धृत किया गया पेपर था।<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=324}} 324]}} उस वर्ष [[सैंडर ग्रीनलैंड]] और [[जेम्स रॉबिन्स]] ने प्रतितथ्यात्मक पर विचार करके उलझन से निपटने के लिए विनिमयशीलता दृष्टिकोण की शुरुआत की। उन्होंने यह आकलन करने का प्रस्ताव रखा कि यदि उपचार समूह को उपचार नहीं मिला होता तो उनका क्या होता और उस परिणाम की तुलना नियंत्रण समूह से की जाती। यदि वे मेल खाते थे, तो कन्फ़ाउंडिंग को अनुपस्थित कहा जाता था।<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=154}} 154]}}
+में बैरन और केनी ने रैखिक समीकरणों की एक प्रणाली में मध्यस्थता का पता लगाने और उसका मूल्यांकन करने के लिए सिद्धांत प्रस्तुत किए। 2014 तक उनका पेपर अब तक का 33वां सबसे अधिक उद्धृत किया गया पेपर था।<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=324}} 324]}} उस वर्ष [[सैंडर ग्रीनलैंड]] और [[जेम्स रॉबिन्स]] ने प्रतितथ्यात्मक पर विचार करके उलझन से निपटने के लिए विनिमयशीलता दृष्टिकोण की शुरुआत की। उन्होंने यह आकलन करने का प्रस्ताव रखा कि यदि उपचार समूह को उपचार नहीं मिला होता तो उनका क्या होता और उस परिणाम की तुलना नियंत्रण समूह से की जाती। यदि वे मेल खाते थे, तो संकरण को अनुपस्थित कहा जाता था।<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=154}} 154]}}
-== कार्य-कारण की सीढ़ी ==
+== कार्य-करणीय की सीढ़ी ==
-पर्ल के कारण [[मेटामॉडलिंग]] में तीन-स्तरीय अमूर्तता शामिल है जिसे वह कार्य-कारण की सीढ़ी कहते हैं। निम्नतम स्तर, एसोसिएशन (देखना/अवलोकन करना), सहसंबंध के रूप में व्यक्त इनपुट डेटा में नियमितता या पैटर्न की अनुभूति पर जोर देता है। मध्य स्तर, हस्तक्षेप (करना), जानबूझकर किए गए कार्यों के प्रभावों की भविष्यवाणी करता है, जिसे कारण संबंधों के रूप में व्यक्त किया जाता है। उच्चतम स्तर, प्रतितथ्यात्मक सशर्त (कल्पना) में दुनिया के (भाग के) सिद्धांत का निर्माण शामिल है जो बताता है कि विशिष्ट कार्यों का विशिष्ट प्रभाव क्यों होता है और ऐसे कार्यों की अनुपस्थिति में क्या होता है।<ref name=":1" />
+पर्ल के करणीय [[मेटामॉडलिंग|मेटाप्रारूपिंग]] में तीन-स्तरीय अमूर्तता सम्मिलित है जिसे वह कार्य-करणीय की सीढ़ी कहते हैं। निम्नतम स्तर, एसोसिएशन  सहसंबंध के रूप में व्यक्त इनपुट डेटा में नियमितता या पैटर्न की अनुभूति पर जोर देता है। मध्य स्तर, हस्तक्षेप (करना), जानबूझकर किए गए कार्यों के प्रभावों की भविष्यवाणी करता है, जिसे करणीय संबंधों के रूप में व्यक्त किया जाता है। उच्चतम स्तर, प्रतितथ्यात्मक सशर्त  में दुनिया के सिद्धांत का निर्माण सम्मिलित है जो बताता है कि विशिष्ट कार्यों का विशिष्ट प्रभाव क्यों होता है और ऐसे कार्यों की अनुपस्थिति में क्या होता है।<ref name=":1" />
-=== एसोसिएशन ===
+=== समिति ===
-एक वस्तु दूसरे से जुड़ी होती है यदि एक का अवलोकन करने से दूसरे के अवलोकन की [[संभावना]] बदल जाती है। उदाहरण: जो खरीदार टूथपेस्ट खरीदते हैं, उनके डेंटल फ्लॉस भी खरीदने की अधिक संभावना होती है। गणितीय रूप से:
+एक वस्तु दूसरी वस्तु से जुड़ी होती है यदि एक की अवलोकन करने से दूसरे की अवलोकन की संभावना बदल जाती है। उदाहरण: दांत मंजन खरीदने वाले ग्राहक डेंटल फ्लॉस भी खरीदने की संभावना अधिक होती है। गणितीय रूप से:
 :<math>P (floss \vline toothpaste) </math>
-या टूथपेस्ट दिए जाने पर फ्लॉस (खरीदने) की (खरीदने) की संभावना। संघों को दो घटनाओं के [[सहसंबंध और निर्भरता]] की गणना के माध्यम से भी मापा जा सकता है। संघों का कोई कारणात्मक निहितार्थ नहीं है। एक घटना दूसरे का कारण बन सकती है, उलटा सच हो सकता है, या दोनों घटनाएं किसी तीसरी घटना के कारण हो सकती हैं (नाखुश स्वच्छता विशेषज्ञ दुकानदार को अपने मुंह का बेहतर इलाज करने से शर्मिंदा करते हैं)।<ref name=":1" />
+एक घटना के दो घटनाओं के संबंध की संभावना भी मापी जा सकती है, जैसे फ्लॉस और टूथपेस्ट दिए गए घटनाओं के संबंध की संभावना। संबंध का मापण दो घटनाओं के बीच संबंध की गणना करके भी किया जा सकता है। संबंधों का कारणांतरण के कोई प्रकार के कारणांतरण के प्रभाव नहीं होते हैं। एक घटना दूसरी की वजह सकती है, उलटे भी सच हो सकता है, या दोनों घटनाएं किसी तिसरी घटना के कारण हो सकती हैं।।<ref name=":1" />
 === हस्तक्षेप ===
-यह स्तर घटनाओं के बीच विशिष्ट कारण संबंधों पर जोर देता है। किसी घटना को प्रभावित करने वाली किसी क्रिया को प्रयोगात्मक रूप से निष्पादित करके कार्य-कारण का मूल्यांकन किया जाता है। उदाहरण: टूथपेस्ट की कीमत दोगुनी होने के बाद, खरीदारी की नई संभावना क्या होगी? (मूल्य परिवर्तन के) इतिहास की जांच करके कारणता स्थापित नहीं की जा सकती क्योंकि मूल्य परिवर्तन किसी अन्य कारण से हो सकता है जो स्वयं दूसरी घटना (एक टैरिफ जो दोनों वस्तुओं की कीमत बढ़ाता है) को प्रभावित कर सकता है। गणितीय रूप से:
+यह स्तर घटनाओं के बीच विशिष्ट करणीय संबंधों पर जोर देता है। किसी घटना को प्रभावित करने वाली किसी क्रिया को प्रयोगात्मक रूप से निष्पादित करके कार्य-करणीय का मूल्यांकन किया जाता है। उदाहरण: टूथपेस्ट की कीमत दोगुनी होने के बाद, खरीदारी की नई संभावना क्या होगी? इतिहास की जांच करके करणीयता स्थापित नहीं की जा सकती क्योंकि मूल्य परिवर्तन किसी अन्य करणीय से हो सकता है जो स्वयं दूसरी घटना को प्रभावित कर सकता है। गणितीय रूप से:
 :<math>P (floss \vline do(toothpaste)) </math>
-एक ऑपरेटर कहां है जो प्रयोगात्मक हस्तक्षेप (कीमत को दोगुना करने) का संकेत देता है।<ref name=":1" />ऑपरेटर वांछित प्रभाव पैदा करने के लिए आवश्यक दुनिया में न्यूनतम परिवर्तन करने का संकेत देता है, मॉडल पर एक मिनी-सर्जरी जिसमें वास्तविकता से जितना संभव हो उतना कम बदलाव होता है।<ref>{{cite journal |last1=Pearl |first1=Judea |title=कारणात्मक एवं प्रतितथ्यात्मक अनुमान|date=29 Oct 2019 |url=https://ftp.cs.ucla.edu/pub/stat_ser/r485.pdf |access-date=14 December 2020}}</ref>
+एक संचालक कहां है जो प्रयोगात्मक हस्तक्षेप का संकेत देता है।<ref name=":1" />संचालक वांछित प्रभाव पैदा करने के लिए आवश्यक दुनिया में न्यूनतम परिवर्तन करने का संकेत देता है, प्रारूप पर एक मिनी-सर्जरी जिसमें वास्तविकता से जितना संभव हो उतना कम बदलाव होता है।<ref>{{cite journal |last1=Pearl |first1=Judea |title=कारणात्मक एवं प्रतितथ्यात्मक अनुमान|date=29 Oct 2019 |url=https://ftp.cs.ucla.edu/pub/stat_ser/r485.pdf |access-date=14 December 2020}}</ref>
 === प्रतितथ्यात्मक ===
-उच्चतम स्तर, प्रतितथ्यात्मक, में पिछली घटना के वैकल्पिक संस्करण पर विचार करना शामिल है, या एक ही प्रयोगात्मक इकाई के लिए विभिन्न परिस्थितियों में क्या होगा। उदाहरण के लिए, क्या संभावना है कि, यदि किसी स्टोर ने फ्लॉस की कीमत दोगुनी कर दी होती, तो भी टूथपेस्ट खरीदने वाला खरीदार इसे खरीद लेता?
+उच्चतम स्तर, प्रतितथ्यात्मक, में पिछली घटना के वैकल्पिक संस्करण पर विचार करना सम्मिलित है, या एक ही प्रयोगात्मक इकाई के लिए विभिन्न परिस्थितियों में क्या होगा। उदाहरण के लिए, क्या संभावना है कि, यदि किसी स्टोर ने फ्लॉस की कीमत दोगुनी कर दी होती, तो भी टूथपेस्ट खरीदने वाला खरीदार इसे खरीद लेता?
 :<math>P (floss \vline toothpaste, price*2) </math>
-प्रतितथ्यात्मक बातें किसी कारण-कारण संबंध के अस्तित्व का संकेत दे सकती हैं। ऐसे मॉडल जो प्रतितथ्यात्मक उत्तर दे सकते हैं, सटीक हस्तक्षेप की अनुमति देते हैं जिनके परिणामों की भविष्यवाणी की जा सकती है। चरम सीमा पर, ऐसे मॉडलों को भौतिक नियमों के रूप में स्वीकार किया जाता है (जैसे कि भौतिकी के नियम, उदाहरण के लिए, जड़ता, जो कहता है कि यदि किसी स्थिर वस्तु पर बल नहीं लगाया जाता है, तो वह गति नहीं करेगी)।<ref name=":1" />
+प्रतितथ्यात्मक बातें किसी करणीय-करणीय संबंध के अस्तित्व का संकेत दे सकती हैं। ऐसे प्रारूप जो प्रतितथ्यात्मक उत्तर दे सकते हैं, सटीक हस्तक्षेप की अनुमति देते हैं जिनके परिणामों की भविष्यवाणी की जा सकती है। चरम सीमा पर, ऐसे प्रारूपों को भौतिक नियमों के रूप में स्वीकार किया जाता है जैसे कि भौतिकी के नियम, उदाहरण के लिए, जड़ता, जो कहता है कि यदि किसी स्थिर वस्तु पर बल नहीं लगाया जाता है, तो वह गति नहीं करेगी।<ref name=":1" />
-==कारण-कारण==
+==करणीय-करणीय==
-=== कार्य-कारण बनाम सहसंबंध ===
+=== कार्य-करणीय बनाम सहसंबंध ===
-सांख्यिकी कई चरों के बीच संबंधों के विश्लेषण के इर्द-गिर्द घूमती है। परंपरागत रूप से, इन रिश्तों को सहसंबंध और निर्भरता के रूप में वर्णित किया जाता है, बिना किसी निहित कारण संबंधों के संबंध। कारण मॉडल कारण संबंधों की धारणा को जोड़कर इस ढांचे का विस्तार करने का प्रयास करते हैं, जिसमें एक चर में परिवर्तन दूसरों में परिवर्तन का कारण बनता है।{{sfn|Pearl|2009}}
+सांख्यिकी कई चरों के बीच संबंधों के विश्लेषण के इर्द-गिर्द घूमती है। परंपरागत रूप से, इन रिश्तों को सहसंबंध और निर्भरता के रूप में वर्णित किया जाता है, बिना किसी निहित करणीय संबंधों के संबंध। करणीय प्रारूप करणीय संबंधों की धारणा को जोड़कर इस ढांचे का विस्तार करने का प्रयास करते हैं, जिसमें एक चर में परिवर्तन दूसरों में परिवर्तन का करणीय बनता है।{{sfn|Pearl|2009}}
-बीसवीं शताब्दी में कार्य-कारण की परिभाषाएँ पूर्णतया संभावनाओं/सहयोगों पर निर्भर थीं। एक घटना (<math>X</math>) के बारे में कहा जाता था कि यह दूसरे का कारण बनता है यदि इससे दूसरे की संभावना बढ़ जाती है (<math>Y</math>). गणितीय रूप से इसे इस प्रकार व्यक्त किया जाता है:
+बीसवीं शताब्दी में कार्य-करणीय की परिभाषाएँ पूर्णतया संभावनाओं/सहयोगों पर निर्भर थीं। एक घटना (<math>X</math>) के बारे में कहा जाता था कि यह दूसरे <math>Y</math> का करणीय बनता है यदि इससे दूसरे की संभावना बढ़ जाती है तो गणितीय रूप से इसे इस प्रकार व्यक्त किया जाता है:
 :<math>P (Y \vline X) > P(Y) </math>.
-ऐसी परिभाषाएँ अपर्याप्त हैं क्योंकि अन्य रिश्ते (उदाहरण के लिए, एक सामान्य कारण) <math>X</math> और <math>Y</math>) शर्त को पूरा कर सकता है। कारणता दूसरी सीढ़ी के चरण के लिए प्रासंगिक है। एसोसिएशन पहले कदम पर हैं और बाद वाले को केवल साक्ष्य प्रदान करते हैं।<ref name=":1" />
+ऐसी परिभाषाएँ अपर्याप्त हैं क्योंकि अन्य रिश्ते उदाहरण के लिए, एक सामान्य करणीय <math>X</math> और <math>Y</math> शर्त को पूरा कर सकता है। करणीयता दूसरी सीढ़ी के चरण के लिए प्रासंगिक है। एसोसिएशन पहले कदम पर हैं और बाद वाले को केवल साक्ष्य प्रदान करते हैं।<ref name=":1" />
-बाद की परिभाषा में पृष्ठभूमि कारकों पर कंडीशनिंग द्वारा इस अस्पष्टता को संबोधित करने का प्रयास किया गया। गणितीय रूप से:
+बाद की परिभाषा में पृष्ठभूमि कारकों पर अनुकूलन       द्वारा इस अस्पष्टता को संबोधित करने का प्रयास किया गया। गणितीय रूप से:
 :<math>P (Y \vline X, K = k) > P(Y|K=k) </math>,
-कहाँ <math>K</math> पृष्ठभूमि चर का सेट है और <math>k</math> एक विशिष्ट संदर्भ में उन चरों के मूल्यों का प्रतिनिधित्व करता है। हालाँकि, पृष्ठभूमि चर का आवश्यक सेट अनिश्चित है (कई सेट संभावना बढ़ा सकते हैं), जब तक संभावना ही एकमात्र मानदंड है{{clarify|reason=What do we mean by indeterminate? What does it mean "as long as probability is the only criterion"? Criterion for what?|date=January 2019}}.<ref name=":1" />
+यहाँ <math>K</math> पृष्ठभूमि चर का समुच्चय है और <math>k</math> एक विशिष्ट संदर्भ में उन चरों के मूल्यों का प्रतिनिधित्व करता है। यद्यपि, पृष्ठभूमि चर का आवश्यक समुच्चय  अनिश्चित है (कई समुच्चय  संभावना बढ़ा सकते हैं), जब तक संभावना ही एकमात्र मानदंड है.<ref name=":1" />
-कार्य-कारण को परिभाषित करने के अन्य प्रयासों में ग्रेंजर कार्य-कारण शामिल है, एक [[सांख्यिकीय परिकल्पना परीक्षण]] जो कार्य-कारण ([[अर्थशास्त्र]] में) का आकलन किसी अन्य समय श्रृंखला के पूर्व मूल्यों का उपयोग करके एक समय श्रृंखला के भविष्य के मूल्यों की भविष्यवाणी करने की क्षमता को मापकर किया जा सकता है।<ref name=":1" />
+कार्य-करणीय को परिभाषित करने के अन्य प्रयासों में ग्रेंजर कार्य-करणीय सम्मिलित है, एक [[सांख्यिकीय परिकल्पना परीक्षण]] जो कार्य-करणीय का आकलन किसी अन्य समय श्रृंखला के पूर्व मूल्यों का उपयोग करके एक समय श्रृंखला के भविष्य के मूल्यों की भविष्यवाणी करने की क्षमता को मापकर किया जा सकता है।<ref name=":1" />
 === प्रकार ===
-एक कारण कारणता#आवश्यक और पर्याप्त कारण|आवश्यक, पर्याप्त, अंशदायी या कुछ संयोजन हो सकता है।<ref>{{Cite book|url={{google books |plainurl=y |id=skIZAQAAIAAJ|page=25}} |title=अनुप्रयोगों के साथ पृथक गणित|last=Epp|first=Susanna S.|date=2004|publisher=Thomson-Brooks/Cole|isbn=9780534359454|language=en|pages= 25–26}}</ref>
+एक करणीय करणीयता आवश्यक और पर्याप्त करणी आवश्यक, पर्याप्त, अंशदायी या कुछ संयोजन हो सकता है।<ref>{{Cite book|url={{google books |plainurl=y |id=skIZAQAAIAAJ|page=25}} |title=अनुप्रयोगों के साथ पृथक गणित|last=Epp|first=Susanna S.|date=2004|publisher=Thomson-Brooks/Cole|isbn=9780534359454|language=en|pages= 25–26}}</ref>
 ==== आवश्यक ====
-x को y का एक आवश्यक कारण होने के लिए, y की उपस्थिति को x की पूर्व घटना का संकेत देना चाहिए। हालाँकि, x की उपस्थिति का अर्थ यह नहीं है कि y घटित होगा।<ref name="CR">{{Cite web|url=http://www.istarassessment.org/srdims/causal-reasoning-2/|title=कारणात्मक तर्क|website=www.istarassessment.org|access-date=2 March 2016}}</ref> आवश्यक कारणों को परंतु-के लिए कारणों के रूप में भी जाना जाता है, जैसे कि x के घटित होने के बिना y घटित नहीं होता।<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=261}} 261]}}
+यदि x को y का आवश्यक कारण होने के लिए, y की उपस्थिति को x के पूर्व में होने की संकेत करना चाहिए। यद्यपि, x की उपस्थिति यह नहीं सुझाती है कि y होगा। आवश्यक कारण को "बट-फॉर" कारण भी कहा जाता है, जैसे y न होता यदि x न होता।<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=261}} 261]}}
-==== पर्याप्त कारण ====
+==== पर्याप्त करणीय ====
-x को y का पर्याप्त कारण होने के लिए, x की उपस्थिति को y की बाद की घटना का संकेत देना चाहिए। हालाँकि, एक अन्य कारण z स्वतंत्र रूप से y का कारण बन सकता है। इस प्रकार y की उपस्थिति के लिए x की पूर्व घटना की आवश्यकता नहीं है।<ref name="CR" />
+यदि x y का पूर्ण कारण होने के लिए, x की उपस्थिति से y के भविष्य में होने की संकेत करना चाहिए। यद्यपि, दूसरे कारण z ने य को स्वतंत्र रूप से पैदा किया हो सकता है। इसलिए y की उपस्थिति x के पूर्व होने को आवश्यक नहीं करती है।<ref name="CR">{{Cite web|url=http://www.istarassessment.org/srdims/causal-reasoning-2/|title=कारणात्मक तर्क|website=www.istarassessment.org|access-date=2 March 2016}}</ref>
-==== अंशदायी कारण ====
+==== अंशदायी करणीय ====
-x के लिए y का अंशदायी कारण होने के लिए, x की उपस्थिति से y की संभावना बढ़नी चाहिए। यदि संभावना 100% है, तो इसके बजाय x को पर्याप्त कहा जाता है। एक अंशदायी कारण भी आवश्यक हो सकता है.<ref name="Riegelman">{{Cite journal|last1=Riegelman|first1=R.|year=1979|title=Contributory cause: Unnecessary and insufficient|journal=Postgraduate Medicine|volume=66|issue=2|pages=177–179|doi=10.1080/00325481.1979.11715231|pmid=450828}}</ref>
+x के लिए y का अंशदायी करणीय होने के लिए, x की उपस्थिति से y की संभावना बढ़नी चाहिए। यदि संभावना 100% है, तो इसके अतिरिक्त x को पर्याप्त कहा जाता है। एक अंशदायी करणीय भी आवश्यक हो सकता है.<ref name="Riegelman">{{Cite journal|last1=Riegelman|first1=R.|year=1979|title=Contributory cause: Unnecessary and insufficient|journal=Postgraduate Medicine|volume=66|issue=2|pages=177–179|doi=10.1080/00325481.1979.11715231|pmid=450828}}</ref>
-== मॉडल ==
+== प्रारूप ==
-=== कारण आरेख ===
+=== करणीय आरेख ===
-कारण आरेख एक [[निर्देशित ग्राफ]]़ है जो कारण मॉडल में [[चर (गणित)]] के बीच कार्य-कारण संबंध प्रदर्शित करता है। एक कारण आरेख में चर (या नोड (ग्राफ़ सिद्धांत)) का एक सेट शामिल होता है। प्रत्येक नोड एक तीर द्वारा एक या अधिक अन्य नोड्स से जुड़ा होता है जिस पर इसका कारणात्मक प्रभाव होता है। एक तीर का सिरा कार्य-कारण की दिशा को चित्रित करता है, उदाहरण के लिए, चर को जोड़ने वाला एक तीर <math>A</math> और <math>B</math> पर तीर के सिरे के साथ <math>B</math> में परिवर्तन का संकेत देता है <math>A</math> में परिवर्तन का कारण बनता है <math>B</math> (संबद्ध संभावना के साथ)। पथ कारण तीरों के बाद दो नोड्स के बीच ग्राफ़ का एक ट्रैवर्सल है।<ref name=":1" />
+करणीय आरेख एक [[निर्देशित ग्राफ]] है जो करणीय प्रारूप में [[चर (गणित)|चर]]  के बीच कार्य-करणीय संबंध प्रदर्शित करता है। एक करणीय आरेख में चर  का एक समुच्चय  सम्मिलित होता है। प्रत्येक नोड एक तीर द्वारा एक या अधिक अन्य नोड्स से जुड़ा होता है जिस पर इसका करणीयात्मक प्रभाव होता है। एक तीर का सिरा कार्य-करणीय की दिशा को चित्रित करता है, उदाहरण के लिए, चर को जोड़ने वाला एक तीर <math>A</math> और <math>B</math> पर तीर के सिरे के साथ <math>B</math> में परिवर्तन का संकेत देता है <math>A</math> में परिवर्तन का करणीय बनता है <math>B</math> पथ करणीय तीरों के बाद दो नोड्स के बीच आरेख  का एक ट्रैवर्सल है।<ref name=":1" />
-कारण आरेखों में [[कारण लूप आरेख]], निर्देशित चक्रीय ग्राफ़ और [[इशिकावा]] आरेख शामिल हैं।<ref name=":1" />
+करणीय आरेखों में [[कारण लूप आरेख|करणीय लूप आरेख]], निर्देशित चक्रीय आरेख और [[इशिकावा]] आरेख सम्मिलित हैं।<ref name=":1" />
-कारण आरेख उन मात्रात्मक संभावनाओं से स्वतंत्र होते हैं जो उन्हें सूचित करते हैं। उन संभावनाओं में बदलाव (उदाहरण के लिए, तकनीकी सुधार के कारण) के लिए मॉडल में बदलाव की आवश्यकता नहीं है।<ref name=":1" />
+करणीय आरेख उन मात्रात्मक संभावनाओं से स्वतंत्र होते हैं जो उन्हें सूचित करते हैं। उन संभावनाओं में बदलाव उदाहरण के लिए, तकनीकी सुधार के करणीय, के लिए प्रारूप में बदलाव की आवश्यकता नहीं है।<ref name=":1" />
-=== मॉडल तत्व ===
+=== प्रारूप तत्व ===
-कारण मॉडल में विशिष्ट गुणों वाले तत्वों के साथ औपचारिक संरचनाएं होती हैं।<ref name=":1" />
+करणीय प्रारूप में विशिष्ट गुणों वाले तत्वों के साथ औपचारिक संरचनाएं होती हैं।<ref name=":1" />
@@ Line 136: / Line 134: @@
 ===== श्रृंखला =====
-शृंखलाएँ कारण से प्रभाव की ओर इंगित करने वाले तीरों के साथ सीधी रेखा वाले कनेक्शन हैं। इस मॉडल में, <math>B</math> इसमें एक मध्यस्थ है जो परिवर्तन में मध्यस्थता करता है <math>A</math> अन्यथा चालू होता <math>C</math>.<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=113}} 113]}}
+शृंखलाएँ एक सीधी रेखा संबंध है जिसमें तीर उस कारण से प्रभाव की ओर संकेत करते हैं।  इस प्रारूप में, <math>B</math>  एक माध्यमिक है जो यह परिवर्तन का माध्यम बनता है जिसे अन्यथा <math>A</math> ने  <math>C</math> पर होने वाले प्रभाव का मध्यस्थ बनाना होता।.<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=113}} 113]}}
 :<math>A \rightarrow B \rightarrow C</math>
-===== कांटा =====
+===== फोर्क्स =====
-फोर्क्स में, एक कारण के कई प्रभाव होते हैं। दोनों प्रभावों का एक सामान्य कारण है। के बीच एक (गैर-कारणात्मक) [[नकली सहसंबंध]] मौजूद है <math>A</math> और <math>C</math> जिसे कंडीशनिंग द्वारा समाप्त किया जा सकता है <math>B</math> (के एक विशिष्ट मूल्य के लिए <math>B</math>).<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=114}} 114]}}
+फोर्क्स में एक कारण के द्वारा एक से अधिक प्रभाव होते हैं। दो प्रभावों में एक सामान्य कारण होता है। अभिगमित संबंध अपने आप में  <math>A</math> और <math>C</math>  के बीच में होता है जो किसी विशेष मान के <math>B</math> पर शर्त लगाने से समाप्त किया जा सकता है।<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=114}} 114]}}
 :<math>A \leftarrow B \rightarrow C</math>
-कंडीशनिंग चालू <math>B</math>मतलब दिया गया <math>B</math>(अर्थात्, का मान दिया गया है <math>B</math>).
+शर्त लगाने से <math>B</math> का अर्थ  दिया गया है "जबकि B दिया गया है" ।
-एक कांटा का विस्तार कन्फ़ाउंडर है:
+एक फोर्क्स का विस्तार संकरण है:
 :<math>A \leftarrow B \rightarrow C \rightarrow A </math>
-ऐसे मॉडलों में, <math>B</math> का एक सामान्य कारण है <math>A</math> और <math>C</math> (जिसका कारण भी है <math>A</math>), बनाना <math>B</math> भ्रमित करने वाला{{clarify|reason=Why is this case interesting? Why is B called a cofounder?|date=January 2019}}.<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=114}} 114]}}
+इस तरह के प्रारूपों में, <math>B</math> का एक सामान्य करणीय है जो <math>A</math> और <math>C</math> का सामान्य करणीय है इसलिए <math>B</math> को "कनफाउंडर" कहा जाता है।<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=114}} 114]}}
 ===== कोलाइडर =====
-[[कोलाइडर (सांख्यिकी)]] में, कई कारण एक परिणाम को प्रभावित करते हैं। कंडीशनिंग चालू <math>B</math> (के एक विशिष्ट मूल्य के लिए <math>B</math>) के बीच अक्सर एक गैर-कारणात्मक नकारात्मक सहसंबंध का पता चलता है <math>A</math> और <math>C</math>. इस नकारात्मक सहसंबंध को कोलाइडर बायस और एक्सप्लेन-अवे प्रभाव कहा गया है <math>B</math> के बीच संबंध को दूर करता है <math>A</math> और <math>C</math>.<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=115}} 115]}} सहसंबंध उस स्थिति में सकारात्मक हो सकता है जहां दोनों का योगदान हो <math>A</math> और <math>C</math> प्रभावित करना आवश्यक है <math>B</math>.<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=197}} 197]}}
+[[कॉलाइडर (सांख्यिकी)|कॉलाइडर]] में, एक परिणाम को कई कारणों का प्रभाव होता है। <math>B</math> पर शर्त लगाने से प्रायः <math>A</math> और <math>C</math> के बीच एक गैर-कारणीय नकारात्मक सम्बंध प्रकट होता है। इस नकारात्मक सम्बंध को कॉलाइडर बायस और "इक्स्प्लेन-अवे" प्रभाव कहा जाता है क्योंकि <math>B</math> ने <math>A</math> और <math>C</math> के बीच संबंध को समझाया। इस सम्बंध को सकारात्मक भी माना जा सकता है जब यहां परिभाषित किया जाता है कि <math>A</math> और <math>C</math> दोनों के योगदान की आवश्यकता होती है <math>B</math> को प्रभावित करने के लिए।
 :<math>A \rightarrow B \leftarrow C</math>
@@ Line 164: / Line 171: @@
 ===== मध्यस्थ =====
-एक मध्यस्थ नोड किसी परिणाम पर अन्य कारणों के प्रभाव को संशोधित करता है (केवल परिणाम को प्रभावित करने के विपरीत)।<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=113}} 113]}} उदाहरण के लिए, उपरोक्त श्रृंखला उदाहरण में, <math>B</math> एक मध्यस्थ है, क्योंकि यह के प्रभाव को संशोधित करता है <math>A</math> (अप्रत्यक्ष कारण) <math>C</math>) पर <math>C</math> (ये परिणाम)।
+एक माध्यस्थ नोड अन्य कारणों के परिणाम पर प्रभाव डालता है<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=113}} 113]}} उदाहरण के लिए, उपरोक्त श्रृंखला उदाहरण में, <math>B</math> एक मध्यस्थ है, क्योंकि यह <math>C</math> परिणाम पर <math>A</math> के  <math>C</math> पर प्रभाव को संशोधित करता है।
 ===== कन्फ़ाउंडर =====
@@ Line 175: / Line 182: @@
 *परिणाम का एक मार्ग है;
-* कारण चर के लिए कोई अन्य रास्ता नहीं है;
+* करणीय चर के लिए कोई अन्य रास्ता नहीं है;
-*परिणाम पर कोई सीधा प्रभाव नहीं पड़ता.
+*परिणाम पर कोई सीधा प्रभाव नहीं पड़ता,
-प्रतिगमन गुणांक किसी परिणाम पर एक वाद्य चर के कारण प्रभाव के अनुमान के रूप में काम कर सकते हैं जब तक कि वह प्रभाव भ्रमित न हो। इस तरह, वाद्य चर, कन्फ़्यूडर पर डेटा के बिना कारण कारकों को निर्धारित करने की अनुमति देते हैं।<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=249}} 249]}}
+प्रतिगमन गुणांक किसी परिणाम पर एक वाद्य चर के करणीय प्रभाव के अनुमान के रूप में काम कर सकते हैं जब तक कि वह प्रभाव भ्रमित न हो। इस तरह, वाद्य चर, भ्रमित डेटा के बिना करणीय कारकों को निर्धारित करने की अनुमति देते हैं।<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=249}} 249]}}
-उदाहरण के लिए, मॉडल दिया गया:
+उदाहरण के लिए, प्रारूप दिया गया:
 :<math>Z \rightarrow X \rightarrow Y \leftarrow U \rightarrow X</math>
-<math>Z</math> यह एक वाद्य चर है, क्योंकि इसमें परिणाम का एक मार्ग है <math>Y</math> और निराधार है, उदाहरण के लिए, द्वारा <math>U</math>.
+<math>Z</math> यह एक वाद्य चर है, क्योंकि इसमें परिणाम का एक मार्ग है <math>Y</math> और निराधार है, उदाहरण के लिए, <math>U</math> द्वारा।
-उपरोक्त उदाहरण में, यदि <math>Z</math> और <math>X</math> बाइनरी मान लें, फिर यह धारणा <math>Z = 0, X = 1</math> नहीं होता है उसे एकरसता कहते हैं{{clarify|reason=What does this definition have to do with instrumental variables?|date=January 2019}}.<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=253}} 253]}}
+उपरोक्त उदाहरण में, यदि <math>Z</math> और <math>X</math> बाइनरी मान लें, तो यह धारणा <math>Z = 0, X = 1</math> नहीं होता है उसे एकरसता कहते हैं.<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=253}} 253]}}
-तकनीक में सुधार{{clarify|reason=What technique?|date=January 2019}} एक उपकरण बनाना शामिल है{{clarify|reason=What is an instrument?|date=January 2019}} अन्य चर पर कंडीशनिंग द्वारा{{clarify|reason=What other variable are we talking about?|date=January 2019}} ब्लौक करने के लिए{{clarify|reason=What does it mean to "block a path"?|date=January 2019}} रास्ते{{clarify|reason=What is the exact definition of a path?|date=January 2019}} उपकरण और कन्फ़ाउंडर के बीच{{clarify|reason=What cofounder are we talking about?|date=January 2019}} और एक एकल उपकरण बनाने के लिए कई चर को संयोजित करना{{clarify|date=January 2019}}.<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=257}} 257]}}
+तकनीक में सुधार एक उपकरण बनाना सम्मिलित है अन्य चर पर अनुकूलन द्वारा ब्लौक करने के लिए रास्ते उपकरण और कन्फ़ाउंडर के बीच और एक एकल उपकरण बनाने के लिए कई चर को संयोजित करना है।  {{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=257}} 257]}}
 ==== [[मेंडेलियन यादृच्छिकीकरण]] ====
-परिभाषा: मेंडेलियन रैंडमाइजेशन अवलोकन संबंधी अध्ययनों में बीमारी पर एक परिवर्तनीय जोखिम के कारण प्रभाव की जांच करने के लिए ज्ञात फ़ंक्शन के जीन में मापी गई भिन्नता का उपयोग करता है।<ref name="Katan1986">{{cite journal|author=Katan MB|date=March 1986|title=एपोलिपोप्रोटीन ई आइसोफॉर्म, सीरम कोलेस्ट्रॉल, और कैंसर|journal=Lancet|volume=1|issue=8479|pages=507–8|doi=10.1016/s0140-6736(86)92972-7|pmid=2869248|s2cid=38327985}}</ref><ref>{{Cite book|url=https://www.ncbi.nlm.nih.gov/books/NBK62433/|title=Mendelian Randomization: Genetic Variants as Instruments for Strengthening Causal Inference in Observational Studies|last1=Smith|first1=George Davey|last2=Ebrahim|first2=Shah|date=2008|publisher=National Academies Press (US)|language=en}}</ref>
+मेंडेलियन रैन्डमाइजेशन की परिभाषा: मेंडेलियन रैन्डमाइजेशन में प्रमाणित की गई जीनों की मापी गई विविधता का उपयोग किया जाता है जिससे अध्ययनात्मक अध्ययनों में एक बदलने योग्य प्रतिसंपर्क पर रोग के कारणीय प्रभाव की जांच की जाती है।<ref name="Katan1986">{{cite journal|author=Katan MB|date=March 1986|title=एपोलिपोप्रोटीन ई आइसोफॉर्म, सीरम कोलेस्ट्रॉल, और कैंसर|journal=Lancet|volume=1|issue=8479|pages=507–8|doi=10.1016/s0140-6736(86)92972-7|pmid=2869248|s2cid=38327985}}</ref><ref>{{Cite book|url=https://www.ncbi.nlm.nih.gov/books/NBK62433/|title=Mendelian Randomization: Genetic Variants as Instruments for Strengthening Causal Inference in Observational Studies|last1=Smith|first1=George Davey|last2=Ebrahim|first2=Shah|date=2008|publisher=National Academies Press (US)|language=en}}</ref>
-क्योंकि आबादी में जीन बेतरतीब ढंग से भिन्न होते हैं, जीन की उपस्थिति आम तौर पर एक वाद्य चर के रूप में योग्य होती है, जिसका अर्थ है कि कई मामलों में, एक अवलोकन अध्ययन पर प्रतिगमन का उपयोग करके कार्य-कारण की मात्रा निर्धारित की जा सकती है।<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=255}} 255]}}
+क्योंकि जीन जनजातियों में यादृच्छिक रूप से विविध होते हैं, इसलिए एक जीन की उपस्थिति आम तौर पर एक औद्योगिक चिह्नित चरण के रूप में मानी जाती है, जिससे कि अधिकांश स्थितियों में, कारणीयता को एक अध्ययनात्मक अध्ययन पर रिग्रेशन का उपयोग करके मापा जा सकता है।<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=255}} 255]}}
 == एसोसिएशन ==
@@ Line 199: / Line 207: @@
 === स्वतंत्रता की शर्तें ===
-स्वतंत्रता की स्थितियाँ यह तय करने के लिए नियम हैं कि क्या दो चर एक दूसरे से स्वतंत्र हैं। चर स्वतंत्र होते हैं यदि एक का मान सीधे दूसरे के मान को प्रभावित नहीं करता है। एकाधिक कारण मॉडल स्वतंत्रता की स्थिति साझा कर सकते हैं। उदाहरण के लिए, मॉडल
+स्वतंत्रता की स्थितियाँ यह तय करने के लिए नियम हैं कि क्या दो चर एक दूसरे से स्वतंत्र हैं। चर स्वतंत्र होते हैं यदि एक का मान सीधे दूसरे के मान को प्रभावित नहीं करता है। एकाधिक करणीय प्रारूप स्वतंत्रता की स्थिति साझा कर सकते हैं। उदाहरण के लिए, प्रारूप
 :<math>A \rightarrow B \rightarrow C</math>
@@ Line 205: / Line 213: @@
 :<math>A \leftarrow B \rightarrow C</math>
-समान स्वतंत्रता की स्थितियाँ हैं, क्योंकि कंडीशनिंग चालू है <math>B</math> पत्तियाँ <math>A</math> और <math>C</math> स्वतंत्र। हालाँकि, दोनों मॉडलों का अर्थ समान नहीं है और इन्हें डेटा के आधार पर गलत ठहराया जा सकता है (अर्थात्, यदि अवलोकन डेटा इनके बीच संबंध दिखाता है) <math>A</math> और <math>C</math> कंडीशनिंग के बाद <math>B</math>, तो दोनों मॉडल गलत हैं)। इसके विपरीत, डेटा यह नहीं दिखा सकता कि इन दोनों मॉडलों में से कौन सा सही है, क्योंकि उनकी स्वतंत्रता की शर्तें समान हैं।
+समान स्वतंत्रता की स्थितियाँ हैं, क्योंकि अनुकूलन  चालू है <math>B</math> पत्तियाँ <math>A</math> और <math>C</math> स्वतंत्र। यद्यपि, दोनों प्रारूपों का अर्थ समान नहीं है और इन्हें डेटा के आधार पर गलत ठहराया जा सकता है  <math>A</math> और <math>C</math> अनुकूलन के बाद <math>B</math>, तो दोनों प्रारूप गलत हैं। इसके विपरीत, डेटा यह नहीं दिखा सकता कि इन दोनों प्रारूपों में से कौन सा सही है, क्योंकि उनकी स्वतंत्रता की शर्तें समान हैं।
-एक चर पर कंडीशनिंग काल्पनिक प्रयोगों के संचालन के लिए एक तंत्र है। एक चर पर कंडीशनिंग में वातानुकूलित चर के दिए गए मान के लिए अन्य चर के मूल्यों का विश्लेषण करना शामिल है। पहले उदाहरण में, कंडीशनिंग चालू है <math>B</math> तात्पर्य यह है कि किसी दिए गए मान के लिए अवलोकन <math>B</math> के बीच कोई निर्भरता नहीं दिखानी चाहिए <math>A</math> और <math>C</math>. यदि ऐसी कोई निर्भरता मौजूद है, तो मॉडल गलत है। गैर-कारण मॉडल ऐसे भेद नहीं कर सकते, क्योंकि वे कारण संबंधी दावे नहीं करते हैं।<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=129}} 129–130]}}
+एक चर पर अनुकूलन काल्पनिक प्रयोगों के संचालन के लिए एक तंत्र है। एक चर पर अनुकूलन में वातानुकूलित चर के दिए गए मान के लिए अन्य चर के मूल्यों का विश्लेषण करना सम्मिलित है। पहले उदाहरण में, अनुकूलन चालू है <math>B</math> तात्पर्य यह है कि किसी दिए गए मान के लिए अवलोकन <math>B</math> के बीच कोई निर्भरता नहीं दिखानी चाहिए <math>A</math> और <math>C</math>. यदि ऐसी कोई निर्भरता उपस्थित है, तो प्रारूप गलत है। गैर-करणीय प्रारूप ऐसे भेद नहीं कर सकते, क्योंकि वे करणीय संबंधी दावे नहीं करते हैं।<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=129}} 129–130]}}
 === कन्फ़ाउंडर/डीकॉनफ़ाउंडर ===
-सहसंबंधी अध्ययन डिजाइन का एक अनिवार्य तत्व अध्ययन के तहत जनसांख्यिकी जैसे चर पर संभावित रूप से भ्रमित करने वाले प्रभावों की पहचान करना है। उन प्रभावों को ख़त्म करने के लिए इन चरों को नियंत्रित किया जाता है। हालाँकि, भ्रमित करने वाले चरों की सही सूची को प्राथमिकता से निर्धारित नहीं किया जा सकता है। इस प्रकार यह संभव है कि एक अध्ययन अप्रासंगिक चर या यहां तक कि (अप्रत्यक्ष रूप से) अध्ययन के तहत चर को नियंत्रित कर सकता है।<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=139}} 139]}}
+सहसंबंधी अध्ययन डिजाइन का एक अनिवार्य तत्व अध्ययन के तहत जनसांख्यिकी जैसे चर पर संभावित रूप से भ्रमित करने वाले प्रभावों की पहचान करना है। उन प्रभावों को ख़त्म करने के लिए इन चरों को नियंत्रित किया जाता है। यद्यपि, भ्रमित करने वाले चरों की सही सूची को प्राथमिकता से निर्धारित नहीं किया जा सकता है। इस प्रकार यह संभव है कि एक अध्ययन अप्रासंगिक चर या यहां तक कि  अध्ययन के तहत चर को नियंत्रित कर सकता है।<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=139}} 139]}}
-कॉज़ल मॉडल उपयुक्त भ्रमित करने वाले चर की पहचान करने के लिए एक मजबूत तकनीक प्रदान करते हैं। औपचारिक रूप से, Z एक कन्फ़ाउंडर है यदि Y, X से न गुजरने वाले पथों के माध्यम से Z के साथ जुड़ा हुआ है। इन्हें अक्सर अन्य अध्ययनों के लिए एकत्र किए गए डेटा का उपयोग करके निर्धारित किया जा सकता है। गणितीय रूप से, यदि
+कॉज़ल प्रारूप उपयुक्त भ्रमित करने वाले चर की पहचान करने के लिए एक मजबूत तकनीक प्रदान करते हैं। औपचारिक रूप से, Z एक कन्फ़ाउंडर है यदि Y, X से न गुजरने वाले पथों के माध्यम से Z के साथ जुड़ा हुआ है। इन्हें अक्सर अन्य अध्ययनों के लिए एकत्र किए गए डेटा का उपयोग करके निर्धारित किया जा सकता है। गणितीय रूप से, यदि
 :<math>P(Y|X) \ne P(Y|do(X))</math>
-एक्स और वाई भ्रमित हैं (कुछ कन्फ्यूडर वेरिएबल जेड द्वारा)।<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=151}} 151]}}
+X और Y भ्रमित हैं ।<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=151}} 151]}}
-इससे पहले, कथित तौर पर कन्फ़ाउंडर की गलत परिभाषाओं में शामिल हैं:<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=152}} 152]}}
+इससे पहले, कथित तौर पर कन्फ़ाउंडर की गलत परिभाषाओं में सम्मिलित हैं:<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=152}} 152]}}
-* कोई भी वेरिएबल जो X और Y दोनों से सहसंबद्ध है।
+* "X और Y दोनों के साथ संबंधित होने वाला कोई भी चर" है।
-* अनएक्सपोज़्ड के बीच Y, Z के साथ जुड़ा हुआ है।
+* अनविधित (अनधिकृत) व्यक्तियों में Y Z के साथ जुड़ी हुई है।
-* नॉनकोलैप्सिबिलिटी: कच्चे तेल के सापेक्ष जोखिम और संभावित कन्फ्यूडर के समायोजन के बाद उत्पन्न होने वाले सापेक्ष जोखिम के बीच अंतर।
+* गैर-कॉलैप्सिबिलिटी: "क्रूड रिलेटिव रिस्क" और "संभावित कनफाउंडर के समायोजन के बाद के रिलेटिव रिस्क" के बीच एक अंतर।
-* महामारी विज्ञान: बड़े पैमाने पर आबादी में एक्स के साथ जुड़ा एक चर और एक्स के संपर्क में नहीं आने वाले लोगों में वाई के साथ जुड़ा हुआ है।
+* महामारी विज्ञान: बड़े पैमाने पर आबादी में X के साथ जुड़ा एक चर और X के संपर्क में नहीं आने वाले लोगों में  Y के साथ जुड़ा हुआ है।
-मॉडल में यह देखते हुए उत्तरार्द्ध त्रुटिपूर्ण है:
+प्रारूप में यह देखते हुए उत्तरार्द्ध त्रुटिपूर्ण है:
 :<math>X \rightarrow Z \rightarrow Y</math>
-Z परिभाषा से मेल खाता है, लेकिन मध्यस्थ है, संस्थापक नहीं, और परिणाम को नियंत्रित करने का एक उदाहरण है।
+Z परिभाषा से मेल खाता है, परंतु मध्यस्थ है, संस्थापक नहीं, और परिणाम को नियंत्रित करने का एक उदाहरण है।
-मॉडल में
+प्रारूप में
 :<math>X \leftarrow A \rightarrow B \leftarrow C \rightarrow Y</math>
-परंपरागत रूप से, बी को एक कन्फ्यूडर माना जाता था, क्योंकि यह एक्स और वाई के साथ जुड़ा हुआ है, लेकिन यह कारण पथ पर नहीं है और न ही यह कारण पथ पर किसी भी चीज़ का वंशज है। बी के लिए नियंत्रण करने से यह कन्फ्यूडर बन जाता है। इसे एम-पूर्वाग्रह के रूप में जाना जाता है।<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=161}} 161]}}
+परंपरागत रूप से, बी को एक कन्फ्यूडर माना जाता था, क्योंकि यह X और Y के साथ जुड़ा हुआ है, परंतु  यह करणीय पथ पर नहीं है और न ही यह करणीय पथ पर किसी भी चीज़ का वंशज है। B के लिए नियंत्रण करने से यह कन्फ्यूडर बन जाता है। इसे एम-पूर्वाग्रह के रूप में जाना जाता है।<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=161}} 161]}}
-==== पिछले दरवाजे से समायोजन ====
+==== "बैकडोर समायोजन" ====
-एक कारण मॉडल में Y पर X के कारण प्रभाव का विश्लेषण करने के लिए सभी कन्फ़ाउंडर चर को संबोधित किया जाना चाहिए (डीकॉन्फ़ाउंडिंग)। कन्फ़्यूडर के सेट की पहचान करने के लिए, (1) एक्स और वाई के बीच प्रत्येक गैर-कारण पथ को इस सेट द्वारा अवरुद्ध किया जाना चाहिए; (2) किसी भी कारण पथ को बाधित किए बिना; और (3) बिना कोई नकली रास्ता बनाए।<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=158}} 158]}}
+एक करणीय प्रारूप में Y पर X के करणीय प्रभाव का विश्लेषण करने के लिए सभी कन्फ़ाउंडर चर को संबोधित किया जाना चाहिए । कन्फ़्यूडर के समुच्चय की पहचान करने के लिए, (1) एक्स और वाई के बीच प्रत्येक गैर-करणीय पथ को इस समुच्चय  द्वारा अवरुद्ध किया जाना चाहिए; (2) किसी भी करणीय पथ को बाधित किए बिना; और (3) बिना कोई नकली रास्ता बनाए।<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=158}} 158]}}
-परिभाषा: वेरिएबल<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=158}} 158]}}
+'''परिभाषा''': चर  X से Y तक एक बैकडोर पथ को X से शुरू होने वाला कोई भी पथ कहा जाता है जिसमें X की ओर संकेत         करने वाला तीर हो।
-परिभाषा: एक मॉडल में वेरिएबल्स (एक्स, वाई) की एक क्रमबद्ध जोड़ी को देखते हुए, कन्फ़ाउंडर वेरिएबल्स Z का एक सेट पिछले दरवाजे के मानदंड को पूरा करता है यदि (1) कोई कन्फ़ाउंडर वेरिएबल Z, X का वंशज नहीं है और (2) X और Y के बीच सभी पिछले दरवाजे पथ कन्फ़ाउंडर्स के सेट द्वारा अवरुद्ध हैं।
+परिभाषा: एक प्रारूप में चर की एक क्रमबद्ध जोड़ी को देखते हुए, कन्फ़ाउंडर चर Z का एक समुच्चय  पिछले दरवाजे के मानदंड को पूरा करता है यदि (1) कोई कन्फ़ाउंडर चर Z, X का वंशज नहीं है और (2) X और Y के बीच सभी बैकडोर पथ कन्फ़ाउंडर्स के समुच्चय  द्वारा अवरुद्ध हैं।
-यदि पिछले दरवाजे का मानदंड (एक्स, वाई) के लिए संतुष्ट है, तो एक्स और वाई को कन्फ्यूडर वेरिएबल्स के सेट द्वारा डीकॉन्फाउंड किया जाता है। कन्फ़्यूडर के अलावा किसी अन्य चर के लिए नियंत्रण करना आवश्यक नहीं है।<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=158}} 158]}} Y पर X के कारण प्रभाव के विश्लेषण को ख़ारिज करने के लिए चर Z का एक सेट खोजने के लिए बैकडोर मानदंड एक पर्याप्त लेकिन आवश्यक शर्त नहीं है।
+यदि पिछले दरवाजे का मानदंड (X , Y) के लिए संतुष्ट है, तो X और Y को भ्रमित चर के समुच्चय  द्वारा डीकॉन्फाउंड किया जाता है। कन्फ़्यूडर के अतिरिक्त किसी अन्य चर के लिए नियंत्रण करना आवश्यक नहीं है।<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=158}} 158]}} Y पर X के करणीय प्रभाव के विश्लेषण को ख़ारिज करने के लिए चर Z का एक समुच्चय  खोजने के लिए बैकडोर मानदंड एक पर्याप्त परंतु आवश्यक शर्त नहीं है।
-जब कारण मॉडल वास्तविकता का एक प्रशंसनीय प्रतिनिधित्व है और पिछले दरवाजे की कसौटी संतुष्ट है, तो आंशिक प्रतिगमन गुणांक का उपयोग (कारण) पथ गुणांक (रैखिक संबंधों के लिए) के रूप में किया जा सकता है।<ref name=":1"/>{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=223}} 223]}}{{sfn|Pearl|2009|loc=[http://bayes.cs.ucla.edu/BOOK-2K/ch3-3.pdf chapter 3-3 Controlling Confounding Bias]}}
+जब करणीय प्रारूप वास्तविकता का एक प्रशंसनीय प्रतिनिधित्व है और पिछले दरवाजे की कसौटी संतुष्ट है, तो आंशिक प्रतिगमन गुणांक का उपयोग पथ गुणांक के रूप में किया जा सकता है।<ref name=":1"/>{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=223}} 223]}}{{sfn|Pearl|2009|loc=[http://bayes.cs.ucla.edu/BOOK-2K/ch3-3.pdf chapter 3-3 Controlling Confounding Bias]}}
 :<math>P(Y|do(X)) = \textstyle \sum_{z} \displaystyle P(Y|X, Z=z) P(Z=z)</math><ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=227}} 227]}}
 ==== फ्रंटडोर समायोजन ====
-यदि अवरुद्ध पथ के सभी तत्व अप्राप्य हैं, तो पिछले दरवाजे का पथ गणना योग्य नहीं है, लेकिन यदि आगे के सभी पथ <math>X\to Y</math> तत्व हैं <math>z</math> जहां कोई खुला रास्ता नहीं जुड़ता <math>z\to Y</math>, तब <math>Z</math>, सभी का सेट <math>z</math>एस, माप सकते हैं <math>P(Y|do(X))</math>. प्रभावी रूप से, ऐसी स्थितियाँ हैं जहाँ <math>Z</math> के लिए प्रॉक्सी के रूप में कार्य कर सकता है <math>X</math>.
+यदि अवरुद्ध पथ के तत्व सभी अनुवेक्ष्य होते हैं, तो बैकडोर पथ की गणना संभव नहीं होती है,परंतु यदि <math>X\to Y</math> से सभी फॉरवर्ड पथ के तत्वों में ऐसे <math>z</math> होते हैं जिनसे कोई खुला पथ <math>z\to Y</math> जुड़ा नहीं होता, तो <math>Z</math>, सभी <math>z</math> का समुच्चय, <math>P(Y|do(X))</math> को माप सकता है। प्रभावी रूप से, कुछ स्थितियों में <math>Z</math> <math>X</math> के लिए प्रोक्सी के रूप में कार्य कर सकता है।
-परिभाषा: फ्रंटडोर पथ एक प्रत्यक्ष कारण पथ है जिसके लिए डेटा सभी के लिए उपलब्ध है <math>z\in Z</math>,<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=226}} 226]}} <math>Z</math> सभी निर्देशित पथों को रोकता है <math>X</math> को <math>Y</math>, यहां से कोई भी अनवरोधित पथ नहीं है <math>Z</math> को <math>Y</math>, और सभी पिछले दरवाजे के रास्ते <math>Z</math> को <math>Y</math> द्वारा अवरुद्ध हैं <math>X</math>.
+परिभाषा: एक फ्रंटडोर पथ एक सीधा कारणीय पथ होता है जिसके लिए सभी <math>z\in Z</math> के लिए डेटा उपलब्ध होता है, <math>Z</math> सभी <math>X</math> से <math>Y</math> के लिए निर्देशित पथों को काटता है, <math>Z</math> से <math>Y</math> तक कोई अवरोधित पथ नहीं है, और <math>Z</math> से <math>Y</math> तक सभी बैकडोर पथ <math>X</math> द्वारा ब्लॉक होते हैं।<ref>{{Cite book|title=Causal Inference in Statistics: A Primer|isbn=978-1-119-18684-7|last1=Pearl|first1=Judea|last2=Glymour|first2=Madelyn|first3=Nicholas P|last3=Jewell|date=7 March 2016 }}</ref>निम्नलिखित फ्रंट-डोर पथ के साथ चर पर अनुकूलन द्वारा एकमुक्त अभिव्यक्ति के लिए अभिव्यक्ति  में परिवर्तित करता है।<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=226}} 226]}}
- <ref>{{Cite book|title=Causal Inference in Statistics: A Primer|isbn=978-1-119-18684-7|last1=Pearl|first1=Judea|last2=Glymour|first2=Madelyn|first3=Nicholas P|last3=Jewell|date=7 March 2016 }}</ref>
-निम्नलिखित फ्रंट-डोर पथ के साथ चर पर कंडीशनिंग द्वारा एक डू एक्सप्रेशन को डू-फ्री एक्सप्रेशन में परिवर्तित करता है।<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=226}} 226]}}
 :<math>P(Y|do(X)) = \textstyle \sum_{z} \left[\displaystyle P(Z=z|X) \textstyle \sum_{x} \displaystyle P(Y|X=x, Z=z) P(X=x)\right]</math>
-यह मानते हुए कि इन अवलोकनीय संभावनाओं के लिए डेटा उपलब्ध है, अंतिम संभाव्यता की गणना किसी प्रयोग के बिना, अन्य भ्रमित पथों के अस्तित्व की परवाह किए बिना और पिछले दरवाजे समायोजन के बिना की जा सकती है।<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=226}} 226]}}
+यह मानते हुए कि इन अवलोकनीय संभावनाओं के लिए डेटा उपलब्ध है, अंतिम संभाव्यता की गणना किसी प्रयोग के बिना, अन्य भ्रमित पथों के अस्तित्व की परवाह किए बिना और फ्रंटडोर समायोजन के बिना की जा सकती है।<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=226}} 226]}}
 ==हस्तक्षेप ==
@@ Line 263: / Line 279: @@
 === प्रश्न ===
-प्रश्न एक विशिष्ट मॉडल पर आधारित प्रश्न पूछे जाते हैं। इनका उत्तर आम तौर पर प्रयोग (हस्तक्षेप) करके दिया जाता है। हस्तक्षेप एक मॉडल में एक चर के मूल्य को तय करने और परिणाम का अवलोकन करने का रूप लेते हैं। गणितीय रूप से, ऐसे प्रश्न निम्न रूप लेते हैं (उदाहरण से):<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=8}} 8]}}
+प्रश्न एक विशिष्ट प्रारूप पर आधारित प्रश्न पूछे जाते हैं। इनका उत्तर सामान्यतः प्रयोग  करके दिया जाता है। हस्तक्षेप एक प्रारूप में एक चर के मूल्य को तय करने और परिणाम का अवलोकन करने का रूप लेते हैं। गणितीय रूप से, ऐसे प्रश्न निम्न रूप लेते हैं :<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=8}} 8]}}
 :<math>P (\text{floss} \vline do(\text{toothpaste})) </math>
-जहां do ऑपरेटर इंगित करता है कि प्रयोग ने टूथपेस्ट की कीमत को स्पष्ट रूप से संशोधित किया है। ग्राफ़िक रूप से, यह किसी भी कारण कारक को रोकता है जो अन्यथा उस चर को प्रभावित करेगा। आरेखीय रूप से, यह प्रयोगात्मक चर की ओर इशारा करने वाले सभी कारण तीरों को मिटा देता है।<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=40}} 40]}}
+जहां do संचालक  इंगित करता है कि प्रयोग ने टूथपेस्ट की कीमत को स्पष्ट रूप से संशोधित किया है। आरेखित रूप से, यह किसी भी करणीय कारक को रोकता है जो अन्यथा उस चर को प्रभावित करेगा। आरेखीय रूप से, यह प्रयोगात्मक चर की ओर संकेत करने वाले सभी करणीय तीरों को मिटा देता है।<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=40}} 40]}}
-अधिक जटिल प्रश्न संभव हैं, जिसमें do ऑपरेटर को कई वेरिएबल्स पर लागू किया जाता है (मान निश्चित होता है)।
+अधिक जटिल प्रश्न संभव हैं, जिसमें संचालक को कई चर पर लागू किया जाता है ।
 ===गणना करो ===
-डू कैलकुलस उन जोड़तोड़ों का सेट है जो एक अभिव्यक्ति को दूसरे में बदलने के लिए उपलब्ध हैं, उन अभिव्यक्तियों को बदलने के सामान्य लक्ष्य के साथ जिनमें डू ऑपरेटर होता है उन अभिव्यक्तियों में जो नहीं करते हैं। जिन अभिव्यक्तियों में डू ऑपरेटर शामिल नहीं है, उनका अनुमान प्रयोगात्मक हस्तक्षेप की आवश्यकता के बिना अकेले अवलोकन संबंधी डेटा से लगाया जा सकता है, जो महंगा, लंबा या अनैतिक भी हो सकता है (उदाहरण के लिए, विषयों को धूम्रपान करने के लिए कहना)।<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=231}} 231]}} नियमों का सेट पूरा हो गया है (इसका उपयोग इस प्रणाली में प्रत्येक सत्य कथन प्राप्त करने के लिए किया जा सकता है)।<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=237}} 237]}} एक एल्गोरिदम यह निर्धारित कर सकता है कि, किसी दिए गए मॉडल के लिए, कोई समाधान समय जटिलता में गणना योग्य है या नहीं।<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=238}} 238]}}
+डू कैलकुलस वह समुच्चय है जिसका उपयोग एक अभिव्यक्ति को दूसरे में परिवर्तित करने के लिए किया जा सकता है, मुख्य उद्देश्य उन अभिव्यक्तियों को परिवर्तित करना है जो डू संचालक को सम्मिलित करते हैं और जिनमें डू संचालक का उल्लेख नहीं होता है। डू संचालक केसम्मिलित होने के बिना विवेकशील डेटा से अभिव्यक्तियों का अनुमान लगाया जा सकता है, जिसमें प्रयोगात्मक हस्तक्षेप की जरूरत नहीं होती, जो कि महंगा, लंबा या नैतिक रूप से गलत उदाहरण के लिए, सब्जेक्ट्स से सिगरेट पीने को कहना हो सकता है। इसका उपयोग इस प्रणाली में प्रत्येक सत्य कथन प्राप्त करने के लिए किया जा सकता है।<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=237}} 237]}} एक कलनविधि यह निर्धारित कर सकता है कि, किसी दिए गए प्रारूप के लिए, कोई समाधान समय जटिलता में गणना योग्य है या नहीं।<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=238}} 238]}}
 ==== नियम ====
-कैलकुलस में do ऑपरेटर से जुड़े सशर्त संभाव्यता अभिव्यक्तियों के परिवर्तन के लिए तीन नियम शामिल हैं।
+कैलकुलस में डू संचालक से जुड़े सशर्त संभाव्यता अभिव्यक्तियों के परिवर्तन के लिए तीन नियम सम्मिलित हैं।
 ===== नियम 1 =====
@@ Line 282: / Line 298: @@
 :<math>P(Y|do(X), Z, W) = P(Y|do(X),Z)</math>
-उस स्थिति में जब चर सेट Z, W से Y तक सभी पथों को अवरुद्ध कर देता है और X की ओर जाने वाले सभी तीर हटा दिए गए हैं।<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=234}} 234]}}
+उस स्थिति में जब चर समुच्चय  Z, W से Y तक सभी पथों को अवरुद्ध कर देता है और X की ओर जाने वाले सभी तीर हटा दिए गए हैं।<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=234}} 234]}}
 ===== नियम 2 =====
@@ Line 294: / Line 310: @@
 :<math>P(Y|do(X)) = P(Y)</math>
-उस स्थिति में जहां कोई कारण पथ X और Y को नहीं जोड़ता है।<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=234}} 234]}} {{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=235}} 235]}}
+उस स्थिति में जहां कोई करणीय पथ X और Y को नहीं जोड़ता है।<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=234}} 234]}} {{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=235}} 235]}}
-==== एक्सटेंशन ====
+==== विस्तारण ====
-नियमों का तात्पर्य यह नहीं है कि किसी भी क्वेरी से उसके ऑपरेटरों को हटाया जा सकता है। उन मामलों में, ऐसे चर को प्रतिस्थापित करना संभव हो सकता है जो हेरफेर के अधीन है (उदाहरण के लिए, आहार) उस चर के स्थान पर जो हेरफेर के अधीन नहीं है (उदाहरण के लिए, रक्त कोलेस्ट्रॉल), जिसे बाद में हटाने के लिए रूपांतरित किया जा सकता है। उदाहरण:
+नियमों का मतलब यह नहीं है कि किसी भी प्रश्न के डू ऑपरेटर हटा दिए जा सकते हैं। उन मामलों में, यह संभव हो सकता है कि एक ऐसा चर जिस पर हस्तक्षेप हो सकता है उदाहरण के लिए, आहार एक ऐसे चर की जगह पर प्रयोग किया जा सकता है जिस पर हस्तक्षेप नहीं हो सकता है उदाहरण के लिए, रक्त कोलेस्ट्रोल, जिसके बाद वे डू ऑपरेटर हटा दिए जा सकते हैं। उदाहरण:
 :<math>P(\text{Heart disease} |do(\text{blood cholesterol})) = P(\text{Heart disease}|do(\text{diet}))</math>
@@ Line 305: / Line 321: @@
 == प्रतितथ्यात्मक ==
-प्रतितथ्यात्मक लोग उन संभावनाओं पर विचार करते हैं जो डेटा में नहीं पाई जाती हैं, जैसे कि क्या धूम्रपान न करने वाले को कैंसर हो सकता था यदि वह भारी धूम्रपान करने वाला होता। वे पर्ल की कार्य-कारण सीढ़ी पर सबसे ऊंचे चरण हैं।
+प्रतितथ्यात्मक लोग उन संभावनाओं पर विचार करते हैं जो डेटा में नहीं पाई जाती हैं, जैसे कि क्या धूम्रपान न करने वाले को कैंसर हो सकता था यदि वह भारी धूम्रपान करने वाला होता। वे पर्ल की कार्य-करणीय सीढ़ी पर सबसे ऊंचे चरण हैं।
 === संभावित परिणाम ===
-परिभाषा: एक चर Y के लिए संभावित परिणाम वह मान है जो Y ने व्यक्ति के लिए लिया होगा{{clarify|reason=What is an individual in this context?|date=January 2019}}यू, क्या एक्स को मान एक्स सौंपा गया था। गणितीय रूप से:<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=270}} 270]}}
+परिभाषा: एक चर Y के लिए संभावित परिणाम वह मान है जो Y ने व्यक्ति के लिए लिया होगायू, क्या एक्स को मान एक्स सौंपा गया था। गणितीय रूप से:<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=270}} 270]}}
 :<math>Y_{X =  x}(u)</math> या <math>Y_x(u)</math>.
@@ Line 314: / Line 330: @@
 संभावित परिणाम को व्यक्ति के स्तर पर परिभाषित किया जाता है।<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=270}} 270]}}
-संभावित परिणामों के लिए पारंपरिक दृष्टिकोण मॉडल-चालित नहीं बल्कि डेटा-आधारित है, जो कारण संबंधों को सुलझाने की इसकी क्षमता को सीमित करता है। यह कारणात्मक प्रश्नों को लुप्त डेटा की समस्या मानता है और यहां तक कि मानक परिदृश्यों के लिए भी गलत उत्तर देता है।<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=275}} 275]}}
+संभावित परिणामों के लिए पारंपरिक दृष्टिकोण प्रारूप-चालित नहीं बल्कि डेटा-आधारित है, जो करणीय संबंधों को सुलझाने की इसकी क्षमता को सीमित करता है। यह करणीयात्मक प्रश्नों को लुप्त डेटा की समस्या मानता है और यहां तक कि मानक परिदृश्यों के लिए भी गलत उत्तर देता है।<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=275}} 275]}}
-===[[कारण अनुमान]] ===
+===[[कारण अनुमान|करणीय अनुमान]] ===
-कारण मॉडल के संदर्भ में, संभावित परिणामों की व्याख्या सांख्यिकीय के बजाय कारण के आधार पर की जाती है।
+करणीय प्रारूप के संदर्भ में, संभावित परिणामों की व्याख्या सांख्यिकीय के अतिरिक्त करणीय के आधार पर की जाती है।
-कार्य-कारण अनुमान का पहला नियम बताता है कि संभावित परिणाम
+कार्य-करणीय अनुमान का पहला नियम बताता है कि संभावित परिणाम
 :<math>Y_X(u) </math>
-कारण मॉडल एम को संशोधित करके (एक्स में तीर हटाकर) और कुछ एक्स के परिणाम की गणना करके गणना की जा सकती है। औपचारिक रूप से:<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=280}} 280]}}
+करणीय प्रारूप एम को संशोधित करके (एक्स में तीर हटाकर) और कुछ एक्स के परिणाम की गणना करके गणना की जा सकती है। औपचारिक रूप से:<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=280}} 280]}}
 :<math>Y_X(u) = Y_{Mx}(u)</math>
@@ Line 329: / Line 345: @@
 === प्रतितथ्यात्मक आचरण करना ===
-कारण मॉडल का उपयोग करके प्रतितथ्यात्मक की जांच करने में तीन चरण शामिल होते हैं।{{sfn|Pearl|2009|p=207}} मॉडल संबंधों के स्वरूप, रैखिक या अन्यथा की परवाह किए बिना दृष्टिकोण मान्य है। जब मॉडल संबंध पूरी तरह से निर्दिष्ट होते हैं, तो बिंदु मानों की गणना की जा सकती है। अन्य मामलों में (उदाहरण के लिए, जब केवल संभावनाएँ उपलब्ध हों) एक संभाव्यता-अंतराल विवरण की गणना की जा सकती है, जैसे कि गैर-धूम्रपान करने वाले x में कैंसर की 10-20% संभावना होगी।<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=279}} 279]}}
+करणीय प्रारूप का उपयोग करके प्रतितथ्यात्मक की जांच करने में तीन चरण सम्मिलित होते हैं।{{sfn|Pearl|2009|p=207}} प्रारूप संबंधों के स्वरूप, रैखिक या अन्यथा की परवाह किए बिना दृष्टिकोण मान्य है। जब प्रारूप संबंध पूरी तरह से निर्दिष्ट होते हैं, तो बिंदु मानों की गणना की जा सकती है। अन्य स्थितियों में एक संभाव्यता-अंतराल विवरण की गणना की जा सकती है, जैसे कि गैर-धूम्रपान करने वाले x में कैंसर की 10-20% संभावना होगी।<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=279}} 279]}}
-मॉडल दिया गया:
+प्रारूप दिया गया:
 :<math>Y \leftarrow X \rightarrow M \rightarrow Y \leftarrow U </math>
@@ Line 338: / Line 354: @@
 ==== अपहरण ====
-यू का अनुमान लगाने के लिए [[अपहरणात्मक तर्क]] ([[तार्किक अनुमान]] जो सबसे सरल/सबसे संभावित स्पष्टीकरण खोजने के लिए अवलोकन का उपयोग करता है) को लागू करें, विशिष्ट अवलोकन पर न देखे गए चर के लिए प्रॉक्सी जो प्रतितथ्यात्मक का समर्थन करता है।<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=278}} 278]}} प्रस्तावित साक्ष्य दिए जाने पर आपकी संभावना की गणना करें।
+यू का अनुमान लगाने के लिए [[अपहरणात्मक तर्क]] जो सबसे सरल/सबसे संभावित स्पष्टीकरण खोजने के लिए अवलोकन का उपयोग करता है को लागू करें, विशिष्ट अवलोकन पर न देखे गए चर के लिए प्रॉक्सी जो प्रतितथ्यात्मक का समर्थन करता है।<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=278}} 278]}} प्रस्तावित साक्ष्य दिए जाने पर आपकी संभावना की गणना करें।
 ==== अधिनियम ====
-किसी विशिष्ट अवलोकन के लिए, प्रतितथ्यात्मक (जैसे, m=0) स्थापित करने के लिए do ऑपरेटर का उपयोग करें, तदनुसार समीकरणों को संशोधित करें।<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=278}} 278]}}
+किसी विशिष्ट अवलोकन के लिए, प्रतितथ्यात्मक (जैसे, m=0) स्थापित करने के लिए डू  संचालक का उपयोग करें, तदनुसार समीकरणों को संशोधित करें।<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=278}} 278]}}
 ==== भविष्यवाणी ====
@@ Line 350: / Line 366: @@
 === मध्यस्थता ===
-प्रत्यक्ष और अप्रत्यक्ष (मध्यस्थ) कारणों को केवल प्रतितथ्यात्मक आचरण के माध्यम से ही पहचाना जा सकता है।<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=301}} 301]}} मध्यस्थता को समझने के लिए प्रत्यक्ष कारण पर हस्तक्षेप करते समय मध्यस्थ को स्थिर रखने की आवश्यकता होती है। मॉडल में
+प्रत्यक्ष और अप्रत्यक्ष (मध्यस्थ) करणीयों को केवल प्रतितथ्यात्मक आचरण के माध्यम से ही पहचाना जा सकता है।<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=301}} 301]}} मध्यस्थता को समझने के लिए प्रत्यक्ष करणीय पर हस्तक्षेप करते समय मध्यस्थ को स्थिर रखने की आवश्यकता होती है। प्रारूप में
 <math>Y \leftarrow M \leftarrow X \rightarrow Y </math>
-M, Y पर X के प्रभाव की मध्यस्थता करता है, जबकि X का भी Y पर बिना मध्यस्थता के प्रभाव पड़ता है। इस प्रकार M को स्थिर रखा जाता है, जबकि do(X) की गणना की जाती है।
-यदि मध्यस्थ और परिणाम भ्रमित हैं, तो मध्यस्थता भ्रांति में मध्यस्थ पर कंडीशनिंग शामिल है, जैसा कि वे उपरोक्त मॉडल में हैं।
+M, Y पर X के प्रभाव की मध्यस्थता करता है, जबकि X का भी Y पर बिना मध्यस्थता के प्रभाव पड़ता है। इस प्रकार M को स्थिर रखा जाता है, जबकि डू (X) की गणना की जाती है।
-रैखिक मॉडल के लिए, अप्रत्यक्ष प्रभाव की गणना एक मध्यस्थ मार्ग के साथ सभी पथ गुणांकों के उत्पाद को लेकर की जा सकती है। कुल अप्रत्यक्ष प्रभाव की गणना व्यक्तिगत अप्रत्यक्ष प्रभावों के योग से की जाती है। रैखिक मॉडल के लिए मध्यस्थता का संकेत तब दिया जाता है जब मध्यस्थ को शामिल किए बिना फिट किए गए समीकरण के गुणांक उस समीकरण से काफी भिन्न होते हैं जिसमें मध्यस्थ शामिल होता है।<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=324}} 324]}}
+यदि मध्यस्थ और परिणाम भ्रमित हैं, तो मध्यस्थता भ्रांति में मध्यस्थ पर अनुकूलन सम्मिलित है, जैसा कि वे उपरोक्त प्रारूप में हैं।
+रैखिक प्रारूप के लिए, अप्रत्यक्ष प्रभाव की गणना एक मध्यस्थ मार्ग के साथ सभी पथ गुणांकों के उत्पाद को लेकर की जा सकती है। कुल अप्रत्यक्ष प्रभाव की गणना व्यक्तिगत अप्रत्यक्ष प्रभावों के योग से की जाती है। रैखिक प्रारूप के लिए मध्यस्थता का संकेत तब दिया जाता है जब मध्यस्थ को सम्मिलित किए बिना फिट किए गए समीकरण के गुणांक उस समीकरण से काफी भिन्न होते हैं जिसमें मध्यस्थ सम्मिलित होता है।<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=324}} 324]}}
 ==== सीधा प्रभाव ====
-ऐसे मॉडल पर प्रयोगों में, नियंत्रित प्रत्यक्ष प्रभाव (सीडीई) की गणना मध्यस्थ एम (डीओ (एम = 0)) के मूल्य को मजबूर करके और एक्स (डीओ (एक्स = 0), डू (एक्स = 1), ...) के प्रत्येक मान के लिए कुछ विषयों को यादृच्छिक रूप से निर्दिष्ट करके और वाई के परिणामी मूल्यों को देखकर की जाती है।<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=317}} 317]}}
+ऐसे प्रारूप पर प्रयोगों में, नियंत्रित प्रत्यक्ष प्रभाव (सीडीई) की गणना मध्यस्थ एम (डू (M = 0)) के मूल्य को मजबूर करके और X (डू  X = 0), डू (X = 1),के प्रत्येक मान के लिए कुछ विषयों को यादृच्छिक रूप से निर्दिष्ट करके और Y के परिणामी मूल्यों को देखकर की जाती है।<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=317}} 317]}}
 :<math>CDE(0) = P(Y=1|do(X=1), do(M=0)) - P(Y=1|do(X=0), do(M=0)) </math>
-मध्यस्थ के प्रत्येक मान की एक संगत CDE होती है।
+मध्यस्थ के प्रत्येक मान की एक संगत होती है।
-हालाँकि, प्राकृतिक प्रत्यक्ष प्रभाव की गणना करना एक बेहतर प्रयोग है। (एनडीई) यह एक्स और वाई के बीच के रिश्ते पर हस्तक्षेप करते समय एक्स और एम के बीच के रिश्ते को अछूता छोड़कर निर्धारित किया गया प्रभाव है।<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=318}} 318]}}
+यद्यपि, प्राकृतिक प्रत्यक्ष प्रभाव की गणना करना एक बेहतर प्रयोग है। यह X और Y के बीच के रिश्ते पर हस्तक्षेप करते समय X और एम के बीच के रिश्ते को अछूता छोड़कर निर्धारित किया गया प्रभाव है।<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=318}} 318]}}
 :<math>NDE = P(Y_{M=M0}=1|do(X=1)) - P(Y_{M=M0}=1|do(X=0)) </math>
-उदाहरण के लिए, हर दूसरे वर्ष से [[दंत स्वास्थिक]] विजिट (एक्स) में वृद्धि के प्रत्यक्ष प्रभाव पर विचार करें, जो फ्लॉसिंग (एम) को प्रोत्साहित करता है। मसूड़े (वाई) स्वस्थ हो जाते हैं, या तो हाइजीनिस्ट (प्रत्यक्ष) या फ्लॉसिंग (मध्यस्थ/अप्रत्यक्ष) के कारण। प्रयोग यह है कि स्वास्थ्य विशेषज्ञ की यात्रा को छोड़कर फ्लॉसिंग जारी रखी जाए।
+उदाहरण के लिए, हर दूसरे वर्ष से [[दंत स्वास्थिक]] विजिट (X) में वृद्धि के प्रत्यक्ष प्रभाव पर विचार करें, जो फ्लॉसिंग (M) को प्रोत्साहित करता है। मसूड़े (Y) स्वस्थ हो जाते हैं, या तो हाइजीनिस्ट या फ्लॉसिंग के करणीय होता है प्रयोग यह है कि स्वास्थ्य विशेषज्ञ की यात्रा को छोड़कर फ्लॉसिंग जारी रखी जाए।
 ==== अप्रत्यक्ष प्रभाव ====
@@ Line 375: / Line 392: @@
 Y पर X का अप्रत्यक्ष प्रभाव वह वृद्धि है जो हम Y में देखेंगे, जबकि X को स्थिर रखा जाएगा और M को उस मान तक बढ़ाया जाएगा जो M, X में एक इकाई वृद्धि के तहत प्राप्त करेगा।<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=328}} 328]}}
-अप्रत्यक्ष प्रभावों को नियंत्रित नहीं किया जा सकता क्योंकि प्रत्यक्ष पथ को किसी अन्य चर स्थिरांक को पकड़कर अक्षम नहीं किया जा सकता है। प्राकृतिक अप्रत्यक्ष प्रभाव (एनआईई) फ्लॉसिंग (एम) से मसूड़ों के स्वास्थ्य (वाई) पर प्रभाव है। एनआईई की गणना हाइजिनिस्ट और हाइजीनिस्ट के बिना फ्लॉसिंग की संभावना के बीच अंतर (फ्लॉस और नो-फ्लॉस मामलों) के योग के रूप में की जाती है, या:<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=321}} 321]}}
+अप्रत्यक्ष प्रभावों को नियंत्रित नहीं किया जा सकता क्योंकि प्रत्यक्ष पथ को किसी अन्य चर स्थिरांक को पकड़कर अक्षम नहीं किया जा सकता है। प्राकृतिक अप्रत्यक्ष प्रभाव (एनआईई) फ्लॉसिंग (M) से मसूड़ों के स्वास्थ्य (Y) पर प्रभाव है। एनआईई की गणना हाइजिनिस्ट और हाइजीनिस्ट के बिना फ्लॉसिंग की संभावना के बीच अंतर  के योग के रूप में की जाती है, या<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=321}} 321]}}
 :<math>NIE = \sum_m[P(M=m|X=1)-P(M=m|X=0)] x x P(Y=1|X=0,M=m) </math>
-उपरोक्त एनडीई गणना में प्रतितथ्यात्मक सबस्क्रिप्ट शामिल हैं (<math>Y_{M=M0} </math>). अरेखीय मॉडल के लिए, प्रतीत होता है स्पष्ट तुल्यता<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=322}} 322]}}
+उपरोक्त एनडीई गणना में प्रतितथ्यात्मक सबस्क्रिप्ट सम्मिलित हैं (<math>Y_{M=M0} </math>). अरेखीय प्रारूप के लिए, प्रतीत होता है स्पष्ट तुल्यता<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=322}} 322]}}
 :<math>\mathsf{Total \ effect = Direct \ effect + Indirect \ effect} </math>
-थ्रेशोल्ड प्रभाव और बाइनरी मान जैसी विसंगतियों के कारण लागू नहीं होता है। हालाँकि,
+थ्रेशोल्ड प्रभाव और बाइनरी मान जैसी विसंगतियों के करणीय लागू नहीं होता है। यद्यपि      ,
 :<math>\mathsf{Total \ effect}(X=0 \rightarrow X = 1) = NDE(X=0 \rightarrow X = 1) - \ NIE(X=1 \rightarrow X=0) </math>
-सभी मॉडल संबंधों (रैखिक और अरेखीय) के लिए काम करता है। यह एनडीई को हस्तक्षेप या प्रतितथ्यात्मक सबस्क्रिप्ट के उपयोग के बिना सीधे अवलोकन डेटा से गणना करने की अनुमति देता है।<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=326}} 326]}}
+सभी प्रारूप संबंधों (रैखिक और अरेखीय) के लिए काम करता है। यह एनडीई को हस्तक्षेप या प्रतितथ्यात्मक सबस्क्रिप्ट के उपयोग के बिना सीधे अवलोकन डेटा से गणना करने की अनुमति देता है।<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=326}} 326]}}
 == परिवहन क्षमता ==
-कारण मॉडल डेटासेट में डेटा को एकीकृत करने के लिए एक वाहन प्रदान करते हैं, जिसे परिवहन के रूप में जाना जाता है, भले ही कारण मॉडल (और संबंधित डेटा) भिन्न हों। उदाहरण के लिए, सर्वेक्षण डेटा को यादृच्छिक, नियंत्रित परीक्षण डेटा के साथ विलय किया जा सकता है।<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=352}} 352]}}परिवहन बाहरी वैधता के प्रश्न का समाधान प्रदान करता है, कि क्या एक अध्ययन को एक अलग संदर्भ में लागू किया जा सकता है।
+करणीय प्रारूप डेटासमुच्चय  में डेटा को एकीकृत करने के लिए एक वाहन प्रदान करते हैं, जिसे परिवहन के रूप में जाना जाता है, भले ही करणीय प्रारूप (और संबंधित डेटा) भिन्न हों। उदाहरण के लिए, सर्वेक्षण डेटा को यादृच्छिक, नियंत्रित परीक्षण डेटा के साथ विलय किया जा सकता है।<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=352}} 352]}}परिवहन बाहरी वैधता के प्रश्न का समाधान प्रदान करता है, कि क्या एक अध्ययन को एक अलग संदर्भ में लागू किया जा सकता है।
-जहां दो मॉडल सभी प्रासंगिक चर पर मेल खाते हैं और एक मॉडल का डेटा निष्पक्ष माना जाता है, एक आबादी के डेटा का उपयोग दूसरे के बारे में निष्कर्ष निकालने के लिए किया जा सकता है। अन्य मामलों में, जहां डेटा को पक्षपाती माना जाता है, पुनर्भारित करने से डेटासेट को परिवहन की अनुमति मिल सकती है। तीसरे मामले में, अधूरे डेटासेट से निष्कर्ष निकाला जा सकता है। कुछ मामलों में, बिना मापी गई जनसंख्या के बारे में निष्कर्ष निकालने के लिए कई आबादी के अध्ययन के डेटा को (परिवहन के माध्यम से) जोड़ा जा सकता है। कुछ मामलों में, कई अध्ययनों से अनुमान (उदाहरण के लिए, पी(डब्ल्यू|एक्स)) के संयोजन से निष्कर्ष की सटीकता बढ़ सकती है।<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=355}} 355]}}
+जहां दो प्रारूप सभी प्रासंगिक चर पर मेल खाते हैं और एक प्रारूप का डेटा निष्पक्ष माना जाता है, एक जनसंख्या के डेटा का उपयोग दूसरे के बारे में निष्कर्ष निकालने के लिए किया जा सकता है। अन्य मामलों में, जहां डेटा को पक्षपाती माना जाता है, पुनर्भारित करने से डेटासमुच्चय  को परिवहन की अनुमति मिल सकती है। तीसरे मामले में, अधूरे डेटासमुच्चय  से निष्कर्ष निकाला जा सकता है। कुछ मामलों में, बिना मापी गई जनसंख्या के बारे में निष्कर्ष निकालने के लिए कई  जनसंख्या के अध्ययन के डेटा को जोड़ा जा सकता है। कुछ स्थितियों में, कई अध्ययनों से अनुमान के संयोजन से निष्कर्ष की सटीकता बढ़ सकती है।<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=355}} 355]}}
-डू-कैलकुलस परिवहन के लिए एक सामान्य मानदंड प्रदान करता है: एक लक्ष्य चर को डू-ऑपरेशंस की एक श्रृंखला के माध्यम से किसी अन्य अभिव्यक्ति में परिवर्तित किया जा सकता है जिसमें कोई अंतर-उत्पादक चर शामिल नहीं होता है (वे जो दो आबादी को अलग करते हैं)।<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=355}} 355]}} एक समान नियम उन अध्ययनों पर लागू होता है जिनमें प्रासंगिक रूप से भिन्न प्रतिभागी होते हैं।<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=356}} 356]}}
+डू-कैलकुलस परिवहन के लिए एक सामान्य मानदंड प्रदान करता है: एक लक्ष्य चर को डू-ऑपरेशंस की एक श्रृंखला के माध्यम से किसी अन्य अभिव्यक्ति में परिवर्तित किया जा सकता है जिसमें कोई अंतर-उत्पादक चर सम्मिलित नहीं होता है  ।<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=355}} 355]}} एक समान नियम उन अध्ययनों पर लागू होता है जिनमें प्रासंगिक रूप से भिन्न प्रतिभागी होते हैं।<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=356}} 356]}}
 == बायेसियन नेटवर्क ==
-{{Main|Bayesian network}}
+{{Main|मुख्य लेख: बायेसियन नेटवर्क}}
-किसी भी कारण मॉडल को बायेसियन नेटवर्क के रूप में कार्यान्वित किया जा सकता है। बायेसियन नेटवर्क का उपयोग किसी घटना की व्युत्क्रम संभावना प्रदान करने के लिए किया जा सकता है (परिणाम दिया गया है, किसी विशिष्ट कारण की संभावनाएं क्या हैं)। इसके लिए एक सशर्त संभाव्यता तालिका तैयार करने की आवश्यकता होती है, जो सभी संभावित इनपुट और परिणामों को उनकी संबंधित संभावनाओं के साथ दिखाती है।<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=119}} 119]}}
+किसी भी करणीय प्रारूप को बायेसियन नेटवर्क के रूप में कार्यान्वित किया जा सकता है। बायेसियन नेटवर्क का उपयोग किसी घटना की व्युत्क्रम संभावना प्रदान करने के लिए किया जा सकता है। इसके लिए एक सशर्त संभाव्यता तालिका तैयार करने की आवश्यकता होती है, जो सभी संभावित इनपुट और परिणामों को उनकी संबंधित संभावनाओं के साथ दिखाती है।<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=119}} 119]}}
-उदाहरण के लिए, रोग और परीक्षण (बीमारी के लिए) के दो परिवर्तनीय मॉडल को देखते हुए सशर्त संभाव्यता तालिका इस प्रकार बनती है:<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=117}} 117]}}
+उदाहरण के लिए, रोग और परीक्षण के दो परिवर्तनीय प्रारूप को देखते हुए सशर्त संभाव्यता तालिका इस प्रकार बनती है:<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=117}} 117]}}
   {| class="wikitable"
-|+Probability of a positive test for a given disease
+|+किसी दिए गए रोग के लिए सकारात्मक परीक्षण की संभावना
 !
-!colspan="2"|Test
+!colspan="2"|परीक्षण
 |-
-!Disease
+!रोग
-!Positive
+!सकारात्मक
-!Negative
+!नकारात्मक
 |-
-|Negative
+|नकारात्मक
 |12
@@ Line 427: / Line 444: @@
 |-
-|Positive
+!सकारात्मक
 |73
@@ Line 436: / Line 453: @@
 इस तालिका के अनुसार, जब किसी मरीज को यह बीमारी नहीं होती है, तो सकारात्मक परीक्षण की संभावना 12% होती है।
-हालाँकि यह छोटी समस्याओं के लिए सुव्यवस्थित है, जैसे-जैसे चरों की संख्या और उनसे जुड़ी अवस्थाएँ बढ़ती हैं, संभाव्यता तालिका (और संबंधित गणना समय) तेजी से बढ़ती है।<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=121}} 121]}}
+यद्यपि यह छोटी समस्याओं के लिए सुव्यवस्थित है, जैसे-जैसे चरों की संख्या और उनसे जुड़ी अवस्थाएँ बढ़ती हैं, संभाव्यता तालिकातेजी से बढ़ती है।<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=121}} 121]}}
 बायेसियन नेटवर्क का उपयोग वायरलेस डेटा त्रुटि सुधार और डीएनए विश्लेषण जैसे अनुप्रयोगों में व्यावसायिक रूप से किया जाता है।<ref name=":1" />{{rp|[{{google books|plainurl=y|id=9H0dDQAAQBAJ|page=122}} 122]}}
 == अपरिवर्तनीय/संदर्भ ==
-कार्य-कारण की एक अलग अवधारणा में अपरिवर्तनीय संबंधों की धारणा शामिल है। हस्तलिखित अंकों की पहचान के मामले में, अंकों का आकार अर्थ को नियंत्रित करता है, इस प्रकार आकार और अर्थ अपरिवर्तनीय हैं। रूप बदलने से अर्थ बदल जाता है। अन्य गुण (जैसे, रंग) नहीं हैं। इस अपरिवर्तनीयता को विभिन्न संदर्भों में उत्पन्न डेटासेट में ले जाना चाहिए (गैर-अपरिवर्तनीय गुण संदर्भ बनाते हैं)। एकत्रित डेटा सेट का उपयोग करके सीखने (कारण-कारण का आकलन करने) के बजाय, एक पर सीखना और दूसरे पर परीक्षण करने से वेरिएंट को अपरिवर्तनीय गुणों से अलग करने में मदद मिल सकती है।<ref>{{Cite web|url=https://www.technologyreview.com/s/613502/deep-learning-could-reveal-why-the-world-works-the-way-it-does/|title=गहन अध्ययन से पता चल सकता है कि दुनिया इस तरह क्यों काम करती है|last=Hao|first=Karen|date=May 8, 2019|website=MIT Technology Review|language=en-US|access-date=February 10, 2020}}</ref>
+एक अलग तत्वीकरण का अवधारणा कारणिता का अनुभवशीलता के अनुभवों के सन्दर्भ में शामिल होता है। हस्तलिखित अंकों की पहचान करने के मामले में, अंक का आकार अर्थ को नियंत्रित करता है, इसलिए आकार और अर्थ इनवेरिएंट होते हैं। आकार बदलने से अर्थ बदल जाता है। अन्य गुण जैसे, रंग ऐसा नहीं करते हैं। यह अपरिवर्तनीय भिन्न संदर्भों में उत्पन्न डेटा समुच्चय के संबंध में लागू होना चाहिए । संग्रहीत डेटा समुच्चय पर लर्निंग करने के अतिरिक्त, एक पर लर्निंग करने और दूसरे पर परीक्षण करने से अपरिवर्तनीय चर  गुणों को अलग करने में मदद मिल सकती है।<ref>{{Cite web|url=https://www.technologyreview.com/s/613502/deep-learning-could-reveal-why-the-world-works-the-way-it-does/|title=गहन अध्ययन से पता चल सकता है कि दुनिया इस तरह क्यों काम करती है|last=Hao|first=Karen|date=May 8, 2019|website=MIT Technology Review|language=en-US|access-date=February 10, 2020}}</ref>
 == यह भी देखें ==
-*[[बायेसियन नेटवर्क]]#कॉज़ल नेटवर्क - एक बायेसियन नेटवर्क जिसकी स्पष्ट आवश्यकता है कि संबंध कारणात्मक हों
+*[[बायेसियन नेटवर्क]]#कॉज़ल नेटवर्क - एक बायेसियन नेटवर्क जिसकी स्पष्ट आवश्यकता है कि संबंध करणीयात्मक हों
-*संरचनात्मक समीकरण मॉडलिंग - कारण संबंधों के परीक्षण और अनुमान के लिए एक सांख्यिकीय तकनीक
+*संरचनात्मक समीकरण प्रारूपिंग - करणीय संबंधों के परीक्षण और अनुमान के लिए एक सांख्यिकीय तकनीक
 * पथ विश्लेषण (सांख्यिकी)
 *बायेसियन नेटवर्क
-*[[कारण मानचित्र]]
+*[[कारण मानचित्र|करणीय मानचित्र]]
-*[[गतिशील कारण मॉडलिंग]]
+*[[गतिशील कारण मॉडलिंग|गतिशील करणीय प्रारूपिंग]]
 ==संदर्भ==
@@ Line 470: / Line 487: @@
 *<ref>{{Citation|publisher=ICLR|title=Learning Representations using Causal Invariance|date=February 2020 |url=https://www.facebook.com/iclr.cc/videos/534780673594799|language=en|access-date=2020-02-10}}</ref>
-{{DEFAULTSORT:Causal Model}}[[Category: कारण आरेख]] [[Category: करणीय संबंध]] [[Category: वैज्ञानिक मॉडल]]
+{{DEFAULTSORT:Causal Model}}
-[[Category: Machine Translated Page]]
+[[Category:Articles with hatnote templates targeting a nonexistent page|Causal Model]]
-[[Category:Created On 24/07/2023]]
+[[Category:Articles with invalid date parameter in template|Causal Model]]
+[[Category:CS1 English-language sources (en)|Causal Model]]
+[[Category:CS1 errors|Causal Model]]
+[[Category:Citation Style 1 templates|M]]
+[[Category:Collapse templates|Causal Model]]
+[[Category:Created On 24/07/2023|Causal Model]]
+[[Category:Lua-based templates|Causal Model]]
+[[Category:Machine Translated Page|Causal Model]]
+[[Category:Navigational boxes| ]]
+[[Category:Navigational boxes without horizontal lists|Causal Model]]
+[[Category:Pages with script errors|Causal Model]]
+[[Category:Short description with empty Wikidata description|Causal Model]]
+[[Category:Sidebars with styles needing conversion|Causal Model]]
+[[Category:Template documentation pages|Documentation/doc]]
+[[Category:Templates Vigyan Ready|Causal Model]]
+[[Category:Templates based on the Citation/CS1 Lua module|Causal Model]]
+[[Category:Templates generating COinS|Cite magazine]]
+[[Category:Templates generating microformats|Causal Model]]
+[[Category:Templates that add a tracking category|Causal Model]]
+[[Category:Templates that are not mobile friendly|Causal Model]]
+[[Category:Templates that generate short descriptions|Causal Model]]
+[[Category:Templates using TemplateData|Causal Model]]
+[[Category:Wikipedia fully protected templates|Cite magazine]]
+[[Category:Wikipedia metatemplates|Causal Model]]
+[[Category:करणीय संबंध|Causal Model]]
+[[Category:कारण आरेख|Causal Model]]
+[[Category:वैज्ञानिक मॉडल|Causal Model]]

Anonymous

Search

कारण मॉडल: Difference between revisions

Latest revision as of 10:19, 11 August 2023

परिभाषा

इतिहास

कार्य-करणीय की सीढ़ी

समिति

हस्तक्षेप

प्रतितथ्यात्मक

करणीय-करणीय

कार्य-करणीय बनाम सहसंबंध

प्रकार

आवश्यक

पर्याप्त करणीय

अंशदायी करणीय

प्रारूप

करणीय आरेख

प्रारूप तत्व

जंक्शन पैटर्न

श्रृंखला

फोर्क्स

कोलाइडर

नोड प्रकार

मध्यस्थ

कन्फ़ाउंडर

वाद्य चर

मेंडेलियन यादृच्छिकीकरण

एसोसिएशन

स्वतंत्रता की शर्तें

कन्फ़ाउंडर/डीकॉनफ़ाउंडर

"बैकडोर समायोजन"

फ्रंटडोर समायोजन

हस्तक्षेप

प्रश्न

गणना करो

नियम

नियम 1

नियम 2

नियम 3

विस्तारण

प्रतितथ्यात्मक

संभावित परिणाम

करणीय अनुमान

प्रतितथ्यात्मक आचरण करना

अपहरण

अधिनियम

भविष्यवाणी

मध्यस्थता

सीधा प्रभाव

अप्रत्यक्ष प्रभाव

परिवहन क्षमता

बायेसियन नेटवर्क

अपरिवर्तनीय/संदर्भ

यह भी देखें

संदर्भ

स्रोत

बाहरी संबंध

Navigation

Wiki tools

Page tools

Other projects

Categories