Identification of complier and noncomplier average causal effects in the presence of latent missing-at-random (LMAR) outcomes: a unifying view and choices of assumptions
यह शोधपत्र यह प्रदर्शित करते हुए कि उपचार असाइनमेंट इग्नोरैबिलिटी (treatment assignment ignorability) और लेटेंट मिसिंगनेस (latent missingness) के अतिरिक्त, मिसिंगनेस मैकेनिज्म और प्रिंसिपल आइडेंटिफिकेशन (principal identification) के संबंध में दो अन्य धारणाओं की सामान्यतः आवश्यकता होती है, लेटेंट मिसिंग-एट-रैंडम परिणामों की उपस्थिति में कंप्लायर (complier) और नॉन-कंप्लायर (noncomplier) औसत कारण प्रभावों को पहचानने के लिए एक एकीकृत ढांचा प्रदान करता है, साथ ही मौजूदा धारणाओं में संशोधन प्रस्तावित करता है और वास्तविक दुनिया के डेटा के साथ इस दृष्टिकोण का उदाहरण प्रस्तुत करता है।
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 यह पता लगाने की कोशिश कर रहे हैं कि क्या एक नया स्वैच्छिक कार्यक्रम (volunteering program) वास्तव में लोगों को अधिक संतुष्टि का अनुभव कराता है। आपके पास लोगों का एक समूह है जिन्होंने साइन अप किया है (उपचार समूह/Treatment Group) और एक समूह है जिन्होंने नहीं किया (नियंत्रण समूह/Control Group)।
लेकिन आपके प्रयोग के साथ दो बड़ी समस्याएँ हैं:
- "स्लैकर" (आलसी) की समस्या (Noncompliance): उपचार समूह के सभी लोगों ने वास्तव में स्वयंसेवा (volunteering) नहीं की। कुछ लोग आए और उन्होंने कड़ी मेहनत की ("Compliers"), जबकि कुछ लोगों ने साइन अप तो किया लेकिन बहुत कम काम किया ("Noncompliers")। नियंत्रण समूह में, किसी को भी स्वयंसेवा करने के लिए नहीं कहा गया था, इसलिए आपको पता नहीं है कि उनमें से कौन कड़ी मेहनत करने वाला व्यक्ति होता यदि उनसे पूछा गया होता।
- "घोस्ट" (भूत/गायब) की समस्या (Missing Data): कुछ लोग अध्ययन से बाहर हो गए या वे अपना अंतिम खुशी का सर्वेक्षण (happiness survey) भरना भूल गए। उनके परिणाम गायब हैं।
यह शोध पत्र इस गणितीय पहेली को हल करने के बारे में है कि जब आपके पास "स्लैकर्स" और "घोस्ट्स" दोनों हों, तो कार्यक्रम का वास्तविक प्रभाव कैसे पता लगाया जाए।
दो प्रकार के लोग (Principal Strata)
लेखक लोगों को दो अदृश्य समूहों में विभाजित करते हैं, जो इस आधार पर है कि वे पूछे जाने पर कैसा व्यवहार करेंगे:
- Compliers (अनुपालन करने वाले): वे लोग जो पूछे जाने पर काम करेंगे।
- Noncompliers (अनुपालन न करने वाले): वे लोग जो पूछे जाने पर भी काम नहीं करेंगे।
हम उपचार समूह में देख सकते हैं कि वे कौन हैं (क्योंकि उन्होंने वास्तव में काम किया या नहीं)। नियंत्रण समूह में, सभी एक जैसे दिखते हैं क्योंकि किसी से काम करने के लिए नहीं कहा गया था। यह "Compliers" पर विशिष्ट प्रभाव (CACE) और "Noncompliers" पर प्रभाव (NACE) की गणना करना कठिन बनाता है।
"घोस्ट" की समस्या: गायब डेटा क्यों पेचीदा है?
आमतौर पर, सांख्यिकीविद यह मान लेते हैं कि गायब डेटा रैंडम (जैसे कि एक सिक्के का उछाल) होता है। लेकिन यहाँ, लेखक एक अधिक जटिल चीज़ मानते हैं जिसे LMAR (Latent Missing at Random) कहा जाता है।
इसे ऐसे सोचें:
- उपचार समूह (Treatment Group) में, गायब डेटा रैंडम हो सकता है।
- नियंत्रण समूह (Control Group) में, गायब डेटा इस बात पर निर्भर हो सकता है कि आप एक "Complier" होते या "Noncomplier"।
- उदाहरण: शायद "Compliers" (जो स्वाभाविक रूप से अधिक जिम्मेदार हैं) सर्वेक्षण भरने की अधिक संभावना रखते हैं, जबकि "Noncompliers" (जो कम सक्रिय हैं) के सर्वेक्षण खोने की अधिक संभावना है।
चूंकि हम नियंत्रण समूह में यह नहीं देख सकते कि कौन "Complier" है, इसलिए हम यह नहीं बता सकते कि क्या गायब सर्वेक्षण हमारे परिणामों को बिगाड़ रहे हैं।
बड़ी सफलता: "दो-रेसिपी" की पहेली
लेखकों ने महसूस किया कि इस समस्या को हल करने की कोशिश करना एक केक बनाने जैसा है जब आपको दो मुख्य सामग्रियों का पता नहीं होता। उन्होंने दिखाया कि गणित दो जुड़े हुए समीकरणों (या रेसिपी) में सिमट जाता है:
- "रिस्पॉन्स रेसिपी" (प्रतिक्रिया रेसिपी): यह पता लगाने की कोशिश करती है कि नियंत्रण समूह में सर्वेक्षण कौन मिस कर रहा है। (क्या गायब लोग ज्यादातर Compliers हैं या Noncompliers?)
- "आउटकम रेसिपी" (परिणाम रेसिपी): यह पता लगाने की कोशिश करती है कि गायब लोगों के स्कोर क्या होते।
समस्या यह है कि आप "आउटकम रेसिपी" को तब तक हल नहीं कर सकते जब तक आप "रिस्पॉन्स रेसिपी" को हल नहीं कर लेते, लेकिन वे आपस में उलझे हुए हैं।
समाधान: एक लचीला टेम्पलेट (Flexible Template)
लेखक इस पहेली को सुलझाने के लिए एक एकीकृत टेम्पलेट (एक लचीला टूलकिट) प्रस्तावित करते हैं। लेखक कहते हैं कि इस पहेली को हल करने के लिए आपको दो अलग-अलग चुनाव करने होंगे:
चुनाव 1: "प्रिंसिपल आइडेंटिफिकेशन" (मुख्य पहचान) धारणा
यह आपकी धारणा है कि कार्यक्रम "स्लैकर्स" (Noncompliers) पर कैसे काम करता है।
- विकल्प A (Exclusion Restriction): "उन लोगों पर कार्यक्रम का शून्य प्रभाव है जो काम नहीं करते।" (यदि आप स्वयंसेवा नहीं करते हैं, तो कार्यक्रम आपके लिए कुछ नहीं करता)।
- विकल्प B (Principal Ignorability): "यदि हम समान पृष्ठभूमि वाले लोगों को देखें, तो नियंत्रण समूह में 'स्लैकर्स' और 'हार्ड वर्कर्स' के खुशी के स्कोर समान होते।"
चुनाव 2: "मिसिंगनेस" (अनुपलब्धता) धारणा
यह आपकी धारणा है कि सर्वेक्षण क्यों गायब हैं।
- विकल्प A (Stable Response): "उपचार समूह में लोगों के बाहर होने (drop out) की दर नियंत्रण समूह में भी समान है।" (उदाहरण के लिए, यदि उपचार समूह में 20% 'हार्ड वर्कर्स' बाहर हो जाते हैं, तो हम मानते हैं कि नियंत्रण समूह में भी 20% बाहर होते हैं)।
- विकल्प B (Response Ignorability): "नियंत्रण समूह में, 'स्लैकर्स' और 'हार्ड वर्कर्स' के सर्वेक्षण भरने की संभावना समान है।"
जादुई ट्रिक:
लेखकों ने पाया कि यदि आप दोनों विकल्पों के लिए विकल्प B (Principal Ignorability + Response Ignorability) चुनते हैं, तो "घोस्ट" की समस्या पूरी तरह से गायब हो जाती है। गायब डेटा सरल और रैंडम हो जाता है, और आपको गायब लोगों के बारे में कोई अतिरिक्त अनुमान लगाने की आवश्यकता नहीं होती है!
पुराने नियमों के बारे में एक चेतावनी
लेखक ने पुराने गणितीय नियमों (जिन्हें "Stable Response" कहा जाता है) में एक दोष भी पाया। कभी-कभी, ये पुराने नियम असंभव गणितीय उत्तर दे सकते हैं, जैसे कि यह कहना कि "20% लोग गायब हैं" जबकि गणित वास्तव में संकेत देता है कि "-5% लोग गायब हैं" (जो कि असंभव है)।
इसे ठीक करने के लिए, लेखक एक "Near-Stable" संस्करण का सुझाव देते हैं। यह एक सुरक्षा रेलिंग की तरह है: यदि गणित एक असंभव उत्तर देने की कोशिश करता है, तो यह नियम इसे धीरे से निकटतम संभव संख्या (जैसे 0% या 100%) पर वापस ले आता है, बजाय इसके कि पूरी गणना ही टूट जाए।
वास्तविक दुनिया का परीक्षण
लेखकों ने अपने नए टेम्पलेट का परीक्षण बाल्टीमोर एक्सपीरियंस कॉर्प्स (Baltimore Experience Corps) (एक वास्तविक कार्यक्रम जहाँ वरिष्ठ नागरिक स्कूलों में स्वयंसेवा करते हैं) के डेटा पर किया। उन्होंने अलग-अलग "चुनाव 1" और "चुनाव 2" के संयोजनों का उपयोग करके गणनाएँ चलाईं।
उन्होंने पाया:
- परिणाम इस बात पर निर्भर थे कि उन्होंने कौन सी धारणाएं चुनी थीं (जो कि अपेक्षित है)।
- हालांकि, जब उन्होंने "Principal Ignorability" धारणा का उपयोग किया, तो उनके परिणाम बहुत स्थिर थे और उन्हें गायब डेटा के बारे में अतिरिक्त अनुमान लगाने की आवश्यकता नहीं पड़ी।
- उन्होंने पुष्टि की कि उनके नए "Near-Stable" नियमों ने पुराने गणितीय उपकरणों में पाई जाने वाली असंभव गणितीय त्रुटियों को रोक दिया।
सारांश
यह शोध पत्र शोधकर्ताओं को गायब डेटा और गैर-अनुपालन (non-compliance) की उलझी हुई दुनिया में नेविगेट करने के लिए एक लचीला मानचित्र प्रदान करता है। एक कठोर नियम के साथ बंधे रहने के बजाय, अब शोधकर्ता यह देखने के लिए विभिन्न धारणाओं को मिला और मिला सकते हैं कि उनके परिणाम कितने मजबूत हैं। सबसे महत्वपूर्ण बात यह है कि उन्होंने धारणाओं का एक विशेष संयोजन खोजा जिससे गायब डेटा की समस्या समाप्त हो जाती है, और उन्होंने पुराने गणितीय उपकरणों में एक सुरक्षा जोखिम को भी ठीक किया।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।