📈 economics

Donut Regression Discontinuity Designs

यह शोध पत्र डोनट रिग्रेशन डिसकंटीन्यूटी डिजाइन्स के लिए एक सैद्धांतिक ढांचा प्रदान करता है, जो यह प्रदर्शित करता है कि कटऑफ के पास के अवलोकनों को बाहर करने से पूर्वाग्रह (bias) और विचरण (variance) पर क्या प्रभाव पड़ता है, साथ ही यह भी दिखाता है कि मौजूदा पूर्वाग्रह-सचेत अनुमान विधियाँ वैध बनी रहती हैं और पारंपरिक एवं डोनट अनुमानकों की तुलना के लिए विनिर्देश परीक्षणों (specification tests) को औपचारिक रूप देता है।

मूल लेखक: Cladia Noack, Chistoph Rothe

प्रकाशित 2026-08-12

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Cladia Noack, Chistoph Rothe

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक जासूस हैं जो यह पता लगाने की कोशिश कर रहे हैं कि कुछ क्यों हुआ, लेकिन आप एक नियंत्रित प्रयोग (controlled experiment) नहीं कर सकते। आपको केवल "अवलोकन संबंधी डेटा" (observational data) पर निर्भर रहना होगा—बस वास्तविक दुनिया में जो होता है उसे देखना। अर्थशास्त्र और सामाजिक विज्ञान की दुनिया में, एक चतुर तरकीब है जिसे रिग्रेशन डिसकंटीन्यूटी (RD) डिज़ाइन कहा जाता है। इसे एक विशिष्ट क्लब के सख्त बाउंसर की तरह समझें। बाउंसर का एक नियम है: "यदि आप 18 वर्ष या उससे अधिक आयु के हैं, तो आप अंदर जा सकते हैं; यदि आप 17 वर्ष और 364 दिन के हैं, तो आप बाहर ही रहेंगे।"

चूंकि नियम इतना सटीक है, इसलिए वे लोग जो बमुश्किल पर्याप्त उम्र के हैं (18 वर्ष और 1 दिन) और वे लोग जो बमुश्किल बहुत कम उम्र के हैं (17 वर्ष और 364 दिन), हर मामले में लगभग जुड़वां भाई-बहनों की तरह समान हैं, सिवाय उनकी आयु के उस एक दिन के। इसलिए आप उनके परिणामों की तुलना कर सकते—जैसे कि वे बाद में जीवन में कितना पैसा कमाते हैं—ताकि आप 18 वर्ष होने के प्रभाव को अलग कर सकें। यह एक प्राकृतिक प्रयोग की तरह है जहाँ एकमात्र चीज़ जो बदलती है, वह है "उपचार" (treatment) (क्लब में प्रवेश मिलना)।

लेकिन यहाँ एक पेंच है: कभी-कभी डेटा गड़बड़ा जाता है। लोग अपनी उम्र के बारे में झूठ बोल सकते हैं, या बाउंसर भ्रमित हो सकता है और 18 साल दिखने वाले 17 साल के व्यक्ति को अंदर आने दे सकता है, या शायद ठीक 18 वर्ष के लोग किसी अन्य तरीके से अजीब हो सकते हैं। जब शोधकर्ताओं को संदेह होता है कि "कटऑफ" लाइन के ठीक पास का डेटा खराब या हेरफेर किया गया है, तो वे अक्सर एक रणनीति का उपयोग करते हैं जिसे "डोनट" (Donut) RD डिज़ाइन कहा जाता है। यह वह जगह है जहाँ आप रेखा के बहुत करीब के सभी डेटा बिंदुओं को हटा देते हैं, जिससे अपने डेटा के बीच में एक छेद बन जाता है—एक डोनट की तरह। फिर वे अनुमान लगाने की कोशिश करते हैं कि केंद्र में क्या हुआ होगा, उन लोगों को देखकर जो थोड़ा दूर हैं।

समस्या यह है कि लंबे समय तक, वास्तव में कोई नहीं जानता था कि इस "डोनट" छेद के पीछे का गणित क्या है। शोधकर्ता बस अंदाज़ा लगा रहे थे कि छेद कितना बड़ा होना चाहिए और क्या उनके परिणाम भरोसेमंद हैं। वे बिना यह जाने डोनट खा रहे थे कि छेद बहुत बड़ा है या उसकी आइसिंग पिघल रही है।

पेपर की कहानी: डोनट का गणित

इस पेपर में, क्लाउडिया नोक और क्रिस्टोफ़ रोटे निर्णय लेते हैं कि अब केवल अंदाज़ा लगाना बंद करें और भारी गणित का उपयोग करें। वे "डोनट" को केवल एक ह्यूरिस्टिक (heuristic) ट्रिक के रूप में नहीं, बल्कि एक औपचारिक सांख्यिकीय उपकरण के रूप में देखते हैं। वे पूछते हैं: यदि हम डेटा के बीच के हिस्से को काट देते हैं, तो हमारे अनुमानों का क्या होता है? क्या हमें गलत उत्तर अधिक मिलते हैं? क्या हमारे कॉन्फिडेंस इंटरवल (वह सीमा जहाँ हम सोचते हैं कि सत्य निहित है) चौड़े हो जाते हैं?

उनके निष्कर्ष "सावधान रहें" और "इसे सही ढंग से कैसे करें" का मिश्रण हैं।

सबसे पहले, उन्होंने पाया कि रेखा के पास के डेटा को काटने से आपका अनुमान कम सटीक हो जाता है। यह कमरे के तापमान का अनुमान लगाने के लिए केवल कोनों को मापने जैसा है। आपको अधिक अनुमान (extrapolate) लगाना पड़ता है, जो अधिक त्रुटि पैदा करता है। उन्होंने पाया कि यदि आप एक छोटा "डोनट" हटाते हैं (मान लीजिए आपके सामान्य डेटा विंडो के 10% के भीतर के अवलोकन), तो आपके अनुमान का बायस (bias) (आप कितना गलत हो सकते हैं) 41% से 63% तक बढ़ सकता है, और आपका वैरिएंस (variance) (आपका उत्तर कितनी बार उछल सकता है यदि आप अध्ययन को दोबारा करते हैं) 53% से 61% तक बढ़ सकता है। सरल शब्दों में: डोनट आपके उत्तर को अधिक शोर वाला (noisy) और संभावित रूप से अधिक तिरछा बना देता है।

हालाँकि, लेखकों ने एक अच्छी खबर भी खोजी। उन्होंने दिखाया कि एक विशेष प्रकार का सांख्यिकीय उपकरण, जिसे "बायस-अवेयर" (bias-aware) कॉन्फिडेंस इंटरवल कहा जाता है, डोनट होल के साथ भी पूरी तरह से काम करता है। ये विशेष अंतराल हैं जो थोड़े चौड़े होते हैं ताकि इस बात का ध्यान रखा जा सके कि आप थोड़े गलत हो सकते हैं। पेपर साबित करता है कि आपको डोनट के लिए नए गणित की आविष्कार करने की आवश्यकता नहीं है; आपको बस इन मौजूदा, मजबूत उपकरणों का उपयोग करने की आवश्यकता है। लेकिन इसकी एक कीमत है: क्योंकि अतिरिक्त अनिश्चितता होती है, ये कॉन्फिडेंस इंटरवल डोनट का उपयोग करने पर 26% से 33% लंबे हो जाते हैं। यह बाउंसर द्वारा कहने जैसा है, "हमें यकीन नहीं है कि वास्तव में कौन अंदर आता है, इसलिए हम संभावनाओं की एक विस्तृत श्रृंखला देंगे।"

यह पेपर इस सवाल को भी संबोधित करता है कि शोधकर्ता मूल रूप से डोनट का उपयोग क्यों करते हैं। अक्सर, वे इसे एक "डायग्नोस्टिक टेस्ट" के रूप में उपयोग करते हैं। यदि "डोनट" डेटा से प्राप्त परिणाम (गड़बड़ मध्य भाग को अनदेखा करते हुए) पूरे डेटा के परिणाम से बिल्कुल अलग है, तो यह एक चेतावनी संकेत है कि कटऑफ के पास का डेटा कुछ गलत है। लेखकों ने इस जाँच को करने के लिए नए, औपचारिक परीक्षण विकसित किए। उन्होंने दो तरीकों की तुलना की:

पुराना तरीका: "डोनट" परिणाम की तुलना "पूर्ण डेटा" (Full Data) परिणाम से करना।
नया तरीका: "डोनट" परिणाम की तुलना केवल छेद के अंदर के डेटा (यानी "विदिन-डोनट" डेटा) से की गई गणना से करना।

सिमुलेशन और गणित के माध्यम से, उन्होंने पाया कि नया तरीका आम तौर पर एक बेहतर जासूस है। यह पहचानने में अधिक शक्तिशाली है कि क्या कटऑफ के पास का डेटा वास्तव में खराब है। उनके सिमुलेशन में, नए परीक्षण ने पुराने तरीके की तुलना में समस्याओं को बहुत अधिक बार पकड़ा।

अंत में, लेखों ने अपने नए नियमों को दो वास्तविक दुनिया के उदाहरणों पर लागू किया। एक पाकिस्तान में शिक्षक अनुबंधों (teacher contracts) के बारे में था, जहाँ एक नीति परिवर्तन ने एक कटऑफ बनाया। उन्होंने पाया कि जब उन्होंने डोनट विधि का उपयोग किया, तो परिणाम नाटकीय रूप से बदल गए, जिससे पता चला कि कटऑफ के पास का मूल डेटा वास्तव में समस्याग्रस्त था। दूसरा उदाहरण कम जन्म वजन वाले बच्चों (लगभग 1,500 ग्राम) के बारे में था। उन्होंने पुष्टि की कि जन्म वजन में राउंडिंग एरर (rounding errors) 1,500 ग्राम के निशान पर डेटा को बिगाड़ रहे थे, और उनके नए परीक्षणों ने यह मापने में मदद की कि इससे वास्तव में कितना फर्क पड़ता है।

संक्षेप में, नोक और रोटे ने केवल यह नहीं कहा कि "डोनट ठीक हैं।" उन्होंने शोधकर्ताओं को एक मैनुअल दिया: "यदि आप डोनट का उपयोग करते हैं, तो उम्मीद करें कि आपके उत्तर थोड़े अधिक शोर वाले होंगे और आपकी सुरक्षा सीमाएँ चौड़ी होंगी। लेकिन यदि आप इन विशिष्ट उपकरणों और इस नए परीक्षण पद्धति का उपयोग करते हैं, तो आप अभी भी अपने निष्कर्षों पर भरोसा कर सकते हैं।" उन्होंने एक लोकप्रिय लेकिन अव्यवस्थित रसोई की ट्रिक को एक सटीक, वैज्ञानिक उपकरण में बदल दिया।

तकनीकी सारांश: डोनट रिग्रेशन डिसकंटीन्यूटी डिज़ाइन (Donut Regression Discontinuity Designs)

1. समस्या विवरण (Problem Statement)

रिग्रेशन डिसकंटीन्यूटी (RD) डिज़ाइन अवलोकन संबंधी डेटा (observational data) से कारण प्रभावों (causal effects) की पहचान करने के लिए एक मानक ढांचा है। हालांकि, अनुभवजन्य शोधकर्ता अक्सर कटऑफ के पास रनिंग वेरिएबल की वैधता के संबंध में चिंताओं का सामना करते हैं, जैसे कि सॉर्टिंग (sorting), हेरफेर (manipulation), मापन त्रुटि (measurement error), या डेटा हीपिंग (जैसे, फोकल वैल्यूज पर राउंडिंग)। इन मुद्दों को संबोधित करने के लिए, शोधकर्ता अक्सर "डोनट" RD डिज़ाइनों का उपयोग करते हैं, जो उपचार थ्रेशोल्ड (treatment threshold) के आसपास एक पड़ोस (जिसे "डोनट होल" कहा जाता है) के भीतर के अवलोकनों को बाहर कर देते हैं।

इसके व्यापक उपयोग के बावजूद, डोनट RD डिज़ाइनों का कार्यान्वयन काफी हद तक ह्यूरिस्टिक (heuristic) रहा है। इस बात पर सीमित औपचारिक मार्गदर्शन है कि डेटा को ट्रिम (trimming) करने से बायस (bias), वेरिएंस (variance) और सांख्यिकीय अनुमान (statistical inference) पर क्या प्रभाव पड़ता है। विशेष रूप से, यह स्पष्ट नहीं है कि:

कटऑफ के पास डेटा को बाहर करने से बायस और वेरिएंस के बीच का ट्रेड-ऑफ कैसे बदलता है।
क्या पारंपरिक सॉफ्टवेयर द्वारा रिपोर्ट किए गए स्टैंडर्ड एरर (standard errors) और कॉन्फिडेंस इंटरवल (confidence intervals) वैध रहते हैं।
यह औपचारिक रूप से परीक्षण करने के लिए कि क्या एक पारंपरिक RD अनुमान और एक डोनट RD अनुमान के बीच का अंतर सांख्यिकीय रूप से महत्वपूर्ण है या केवल सैंपलिंग वेरिएशन के कारण है, कैसे किया जाए।
स्पेक्सिफिकेशन टेस्टिंग (specification testing) के संदर्भ में इन दोनों अनुमानकों (estimators) के बीच के अंतर के परिमाण की व्याख्या कैसे की जाए।

2. कार्यप्रणाली और सैद्धांतिक ढांचा (Methodology and Theoretical Framework)

लेखक लोकल लीनियर एस्टीमेशन फ्रेमवर्क के भीतर डोनट RD डिज़ाइनों का विश्लेषण करते हैं। वे एक शार्प (sharp) RD डिज़ाइन पर विचार करते हैं जहाँ रनिंग वेरिएबल $X_i$ उपचार $T_i = \mathbb{1}\{X_i \geq 0\}$ निर्धारित करता है।

2.1. डोनट एस्टिमेटर (The Donut Estimator)

डोनट RD एस्टिमेटर, $\hat{\tau}(h, d)$ , एक लोकल लीनियर रिग्रेशन है जो उन अवलोकनों को बाहर करता है जहाँ $|X_i| < d$ , जहाँ $d$ डोनट का आकार है और $h$ बैंडविड्थ है ( $d < h$ )। यह एस्टिमेटर पारंपरिक RD एस्टिमेटर को एक विशेष मामले के रूप में समाहित करता है जहाँ $d=0$ होता है।

2.2. एस्टिमेंड्स और आइडेंटिफिकेशन (Estimands and Identification)

पेपर डोनट डिज़ाइन का उपयोग करने के दो संभावित लक्ष्यों के बीच अंतर करता है:

कारण अनुमान (Causal Estimation): शोधकर्ता एक काल्पनिक फलन $\mu^*(x)$ का प्रस्ताव करता है जो डोनट के बाहर ( $|x| \geq d$ ) देखे गए कंडीशनल एक्सपेक्टेशन $\mu(x)$ के साथ मेल खाता है, लेकिन डोनट के अंदर भिन्न हो सकता है। लक्षित पैरामीटर शून्य पर $\mu^*(x)$ का जंप है, $\tau^* = \mu^*_+ - \mu^*_-$ ।
डायग्नोस्टिक/स्पेसिफिकेशन टेस्टिंग (Diagnostic/Specification Testing): शोधकर्ता इस शून्य परिकल्पना (null hypothesis) का परीक्षण करता है कि डोनट के भीतर का देखा गया डेटा डोनट के बाहर के डेटा को नियंत्रित करने वाले स्मूथनेस असांप्शन के साथ सुसंगत है। शून्य के तहत, $\mu(x) = \mu^*(x)$ सभी $x$ के लिए, जिसका अर्थ है $\tau = \tau^*$ ।

2.3. एसिम्प्टोटिक रिजीम्स (Asymptotic Regimes)

विश्लेषण बैंडविड्थ ( $h$ ) के सापेक्ष डोनट के आकार ( $d$ ) के संबंध में दो एसिम्प्टोटिक रिजीम्स पर विचार करता है:

स्मॉल डोनट एसिम्प्टोटिक्स (Small Donot Asymptotics): $d = ch $जहाँ$ c \in [0, 1) $स्थिर है और$ h \to 0$। यह उन परिदृश्यों को मॉडल करता है जहाँ बहिष्कृत पड़ोस (excluded neighborhood) अनुमान विंडो के सापेक्ष छोटा है।
लार्ज डोनट एसइम्प्टोटिक्स (Large Donut Asymptotics): $d$ स्थिर है और $h \to d$ । यह उन परिदृश्यों को मॉडल करता है जहाँ अनुमान विंडो बहिष्कृत गैप से केवल थोड़ी बड़ी है।

2.4. प्रमुख तकनीकी उपकरण (Key Technical Tools)

लेखक डोनट एस्टिमेटर के बायस और वेरिएंस के लिए एसिम्प्टोटिक एप्रोक्सिमेशन (asymptotic approximations) प्राप्त करते हैं। वे दिखाते हैं कि डोनट एस्टिमेटर एक संशोधित कर्नेल फंक्शन $K_c(u) = K(u)\mathbb{1}\{|u| > c\}$ के साथ एक पारंपरिक एस्टिमेटर की तरह व्यवहार करता है। फलस्वरूप, इसके एसिम्प्टोटिक गुण नए कर्नेल कांस्टेंट $B_K(c)$ और $S_K(c)$ पर निर्भर करते हैं, जो $[c, 1]$ के ट्रंकेटेड सपोर्ट (truncated support) पर इंटीग्रल्स हैं।

अनुमान (inference) के लिए, पेपर बायस-अवेयर कॉन्फिडेंस इंटरवल्स (Armstrong and Kolesár, 2018; Kolesár and Rothe, 2018) का उपयोग करता है। ये इंटरवल एक स्मूथनेस बाउंड $M$ द्वारा अनुमत सबसे खराब स्थिति के बायस को स्पष्ट रूप से ध्यान में रखते हैं, बजाय उच्च-क्रम के बायस सुधार (higher-order bias correction) पर निर्भर रहने के, जो ट्रिमिंग के प्रति संवेदनशील हो सकता है।

3. मुख्य योगदान और परिणाम (Key Contributions and Results)

3.1. पॉइंट एस्टीमेशन: बायस और वेरिएंस ट्रेड-ऑफ (Point Estimation: Bias and Variance Trade-offs)

पेपर स्थापित करता है कि डोनट ट्रिमिंग पारंपरिक RD एस्टिमेटर्स की तुलना में पर्याप्त अतिरिक्त अनिश्चितता पेश करती है।

बढ़ा हुआ बायस और वेरिएस: स्मॉल डोनट एसिम्प्टोटिक्स के तहत, बैंडविड्थ के 10% के भीतर के अवलोकनों को बाहर करने से (c=0.1), कर्नेल फंक्शन (Uniform, Triangular, या Epanechnikov) के आधार पर एसिम्प्टोटिक बायस में 41% से 63% और वेरिएंस में 53% से 61% की वृद्धि होती है।
ऑप्टिमल बैंडविड्थ: लेखक मीन स्क्वेयर्ड एरर (MSE) अनुकूल बैंडविड्थ $h_{MSE}(d)$ को परिभाषित करते हैं। वे दिखाते हैं कि मानक कर्नेल्स के लिए, अनुकूल बैंडविड्थ डोनट के आकार $d$ के साथ मोनोटोनिकली (monotonically) बढ़ती है।

3.2. इन्फरेंस: बायस-अवेयर इंटरवल्स की वैधता (Inference: Validity of Bias-Aware Intervals)

बायस-अवेयर सीआई (CIs) की मजबूती: पेपर प्रदर्शित करता है कि बायस-अवेयर कॉन्फिडेंस इंटरवल बिना किसी विशेष समायोजन की आवश्यकता के, स्मॉल और लार्ज डोनट एसिम्प्टोटिक्स दोनों के तहत डोनट RD डिज़ाइनों के लिए एसिम्प्टोटिक रूप से वैध बने रहते हैं।
इंटरवल की लंबाई: वैध होने के बावजूद, डोनट की उपस्थिति इन इंटरवल्स को काफी चौड़ा कर देती है। $c=0.1$ के लिए, पारंपरिक मामले की तुलना में एसिम्प्टोटिक कॉन्फिडेंस इंटरवल की लंबाई 26% से 33% तक बढ़ जाती है। यह वृद्धि मुख्य रूप से स्टैंडर्ड एरर में वृद्धि के कारण होती है, हालांकि क्रिटिकल वैल्यू फंक्शन भी इसमें योगदान देता है।
रोबस्ट बायस करेक्शन (RBC): इसके विपरीत, पेपर नोट करता है कि RBC कॉन्फिडेंस इंटरवल (Calonico et al., 2014) केवल स्मॉल डोनट एसिम्प्टोटिक्स के तहत ही सही कवरेज बनाए रखते हैं और ट्रिमिंग के प्रति संवेदनशीलता के कारण (c=0.1 के लिए 60% से 66% की अधिक लंबाई वृद्धि के साथ) अधिक लंबाई वृद्धि का शिकार होते हैं।

3.3. स्पेसिफिकेशन टेस्टिंग (Specification Testing)

लेखक पारंपरिक और डोनट एस्टिमेटर्स की तुलना करने के लिए औपचारिक सांख्यिकीय परीक्षण विकसित करते हैं, जो उनके बीच उच्च सहसंबंध (correlation) को संबोधित करते हैं।

टेस्ट 1 ( $\Delta$ ): डोनट एस्टिमेटर $\hat{\tau}(h, d)$ की पारंपरिक एस्टिमेटर $\hat{\tau}(h, 0)$ के साथ तुलना करता है। टेस्ट स्टैटिस्टिक दोनों एस्टिमेटर्स के कोवेरिएंस (covariance) को ध्यान में रखता है।
टेस्ट 2 ( $\Gamma$ ): डोनट एस्टिमेटर $\hat{\tau}(h, d)$ की "विदिन-डोनट" एस्टिमेटर $\hat{\tau}(d, 0)$ (केवल होल के भीतर के डेटा का उपयोग करके) के साथ तुलना करता है। यह दृष्टिकोण गैर-ओवरलैपिंग डेटा का उपयोग करता है, जिसके परिणामस्वरूप सांख्यिकीय रूप से स्वतंत्र एस्टिमेटर्स प्राप्त होते हैं।
पावर प्रॉपर्टीज (Power Properties): सैद्धांतिक विश्लेषण और सिमुलेशन दिखाते हैं कि $\Gamma$ टेस्ट, उन संभावित स्थानीय विकल्पों (local alternatives) के वर्ग के विरुद्ध $\Delta$ टेस्ट की तुलना में बेहतर लोकल पावर प्रॉपर्टीज रखता है जहाँ कंडीशनल एक्सपेक्टेशन डोनट के भीतर अलग व्यवहार करता है।

3.4. फजी RD (Fuzzy RD) के लिए विस्तार

इस ढांचे को फजी RD डिज़ाइनों के लिए विस्तारित किया गया है।

स्ट्रॉन्ग फर्स्ट स्टेज: स्मॉल डोनट एसिम्प्टोटिक्स के तहत स्ट्रॉन्ग फर्स्ट स्टेज के साथ, फजी डोनट एस्टिमेटर एक ऑक्सिलरी आउटकम वेरिएबल पर लागू शार्प डोनट एस्टिमेटर के एसिम्प्टोटिक रूप से समकक्ष होता है। स्टैंडर्ड बायस-अवेयर इन्फरेंस यहाँ लागू होता है।
वीक फर्स्ट स्टेज: कमजोर पहचान (weak identification) या बड़े डोनट के मामलों में, पॉइंट एस्टीमेशन आम तौर पर असंगत (inconsistent) होता है। लेखक एंडरसन-रुबिन प्रकार के कॉन्फिडेंस सेट्स का उपयोग करने और फर्स्ट स्टेज और रिड्यूस्ड फॉर्म के लिए अलग-अलग स्पेसिफिकेशन टेस्ट करने की सिफारिश करते हैं, जिसमें बोनफेरोनी करेक्शन (Bonferroni correction) के माध्यम से मल्टीपल टेस्टिंग के लिए समायोजन किया जाता है।

4. अनुभवजन्य चित्रण (Empirical Illustrations)

पेपर दो अनुप्रयोगों के साथ इन विधियों को दर्शाता है:

टीचर कॉन्ट्रैक्ट्स (पाकिस्तान): बाउ और दास (2020) की समीक्षा करते हुए, लेखक पाते हैं कि डोनट ट्रिमिंग (लो-हायरिंग अवधि को बाहर करना) फर्स्ट-स्टेज कॉन्ट्रैक्ट असाइनमेंट प्रोबेबिलिटी के अनुमान को नाटकीय रूप से बदल देता है। स्पेसिफिकेशन टेस्ट पारंपरिक फजी RD डिज़ाइन को दृढ़ता से खारिज करते हैं, जिससे पता चलता है कि परिणाम बहिष्कृत अवधि द्वारा संचालित हैं।
लो बर्थवेट (यूएस): 1,500 ग्राम थ्रेशोल्ड पर शिशु मृत्यु दर के संबंध में अल्मंड एट अल. (2010) और बैरेका एट अल. (2011) की समीक्षा करते हुए। अध्ययन दिखाता है कि कटऑफ के पास के अवलोकनों को बाहर करने (राउंडिंग/हीपिंग के कारण) से मेडिकल इंटरवेंशन का अनुमानित प्रभाव 0.95% से घटकर 0.16% रह जाता है। स्पेसिफिकेशन टेस्ट संकेत देते हैं कि पारंपरिक और डोनट अनुमानों के बीच का अंतर सांख्यिकीय रूप से महत्वपूर्ण है, जो थ्रेशोल्ड पर डेटा अनियमितताओं की चिंताओं का समर्थन करता है।

5. महत्व और दावे (Significance and Claims)

यह पेपर डोनट RD डिज़ाइनों के लिए पहला औपचारिक सैद्धांतिक आधार प्रदान करता है, जो इस अभ्यास को ह्यूरिस्टिक अनुप्रयोग से कठोर सांख्यिकीय अनुमान की ओर ले जाता है।

ट्रेड-ऑफ का स्पष्टीकरण: यह डोनट ट्रिमिंग की लागत को स्पष्ट करता है, यह दिखाते हुए कि हालांकि यह पहचान संबंधी खतरों (जैसे हेरफेर) को संबोधित कर सकता है, लेकिन यह काफी अधिक बायस और वेरिएंस की कीमत पर आता है।
वैध अनुमान (Valid Inference): यह वैध सांख्यिकीय अनुमान (कॉन्फिडेंस इंटरवल्स और हाइपोथेसिस टेस्ट) के लिए एक टूलकिट प्रदान करता है जो ट्रिमिंग द्वारा पेश की गई अनिश्चितता को सही ढंग से ध्यान में रखता है।
डायग्नोस्टिक उपयोगिता: यह डोनट डिज़ाइनों को डायग्नोस्टिक टूल के रूप में उपयोग करने को औपचारिक बनाता है, जो यह परीक्षण करने का एक कठोर तरीका प्रदान करता है कि क्या कटऑफ के पास का डेटा सैंपल के बाकी हिस्से के साथ सुसंगत व्यवहार करता है।

लेखक निष्कर्ष निकालते हैं कि हालांकि डोनट ट्रिमिंग विशिष्ट डेटा चिंताओं को संबोधित करने के लिए एक उपयोगी रणनीति है, शोधकर्ताओं को अनिश्चितता में उल्लेखनीय वृद्धि को स्वीकार करना चाहिए। उनका सुझाव है कि डोनट के आकार $d$ का चयन विशुद्ध रूप से डेटा-संचालित चयन के बजाय विषय-वस्तु के ज्ञान (subject-matter knowledge) पर आधारित होना चाहिए, विशेष रूप से जब लक्ष्य वैध कारण अनुमान हो। हालांकि, स्पेसिफिकेशन टेस्टिंग के संदर्भ में, $d$ मानों की एक श्रृंखला का अन्वेषण करना संभव और सूचनात्मक है।