🔢 mathematics

Sharp variance estimator and causal bootstrap in stratified randomized experiments

यह शोध पत्र स्ट्रैटिफाइड रैंडमाइज्ड प्रयोगों में औसत उपचार प्रभावों (average treatment effects) के लिए परिमित-नमूना अनुमान (finite-sample inference) में सुधार करने हेतु एक शार्प वेरिएंस एस्टिमेटर और दो रैंडमाइजेशन-आधारित कॉज़ल बूटस्ट्रैप विधियों का प्रस्ताव करता है, जो छोटे नमूना आकार या विषम परिणामों (skewed outcomes) के मामलों में रूढ़िवादी नेमन-प्रकार के अनुमानकों (Neyman-type estimators) और सामान्य सन्निकटन (normal approximations) की सीमाओं को संबोधित करता है।

मूल लेखक: Haoyang Yu, Ke Zhu, Hanzhong Liu

प्रकाशित 2026-05-20

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Haoyang Yu, Ke Zhu, Hanzhong Liu

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 क्या एक नई दवा (उपचार/Treatment) चीनी की गोली (कंट्रोल/Control) से बेहतर काम करती है। आपके पास लोगों का एक समूह है, लेकिन वे सभी एक जैसे नहीं हैं। कुछ युवा हैं, कुछ वृद्ध; कुछ शहरों में रहते हैं, कुछ कस्बों में। निष्पक्ष होने के लिए, आप दवा देने से पहले समानताओं के आधार पर उन्हें "पड़ोसों" (स्तरों/strata) में समूहबद्ध करने का निर्णय लेते हैं। यह एक स्तरीकृत यादृच्छिक प्रयोग (stratified randomized experiment) है।

आपका लक्ष्य "औसत उपचार प्रभाव" (Average Treatment Effect - ATE) को मापना है—यानी, औसतन वह दवा लोगों को कितना बेहतर महसूस कराती है।

समस्या यह है कि वास्तविक दुनिया में, डेटा अव्यवस्थित होता है। कभी-कभी नमूना आकार (sample size) छोटा होता है, या परिणाम अजीब तरह से झुके हुए (skewed) होते हैं (जैसे, कुछ लोगों को बहुत अच्छा परिणाम मिला जबकि अधिकांश को औसत मिला)। पारंपरिक सांख्यिकीय उपकरण, जिनका उपयोग जासूस करते हैं, ऐसी स्थितियों में बहुत अधिक सतर्क हो जाते हैं। वे एक "सुरक्षा जाल" (confidence interval) बनाते हैं जो इतना चौड़ा होता है कि वह बेकार हो जाता है। वे मान लेते हैं कि डेटा एक आदर्श घंटी के आकार (bell curve) का पालन करता है, जबकि वास्तव में यह एक ऊबड़-खाबड़ पहाड़ जैसा दिखता है।

यह शोध पत्र जासूसों को एक स्पष्ट और अधिक सटीक तस्वीर पाने में मदद करने के लिए तीन नए उपकरण पेश करता है, बिना उनके सुरक्षा जाल को खोए।

1. "शार्प" रूलर (Sharp Variance Estimator)

पुराना तरीका: कल्पना कीजिए कि आप सेबों की एक टोकरी का वजन अनुमान लगाने की कोशिश कर रहे हैं। पुराना तरीका कहता है, "सुरक्षित रहने के लिए मान लेते हैं कि टोकरी में सबसे भारी सेब मौजूद है।" यह आपके कुल वजन के अनुमान को बहुत अधिक बना देता है, और आपकी "त्रुटि की सीमा" (margin of error) बहुत बड़ी हो जाती है। आप अंत में कहते हैं, "टोकरी का वजन 10 से 50 पाउंड के बीच है।" यह सुरक्षित है, लेकिन बहुत उपयोगी नहीं है।

नया तरीका: लेखक एक "शार्प वेरिएंस एस्टिमेटर" (Sharp Variance Estimator) का प्रस्ताव देते हैं। हर एक सेब के लिए सबसे खराब स्थिति का अनुमान लगाने के बजाय, वे एक चतुर गणितीय ट्रिक (इस आधार पर कि सेबों को कैसे रैंक किया गया है) का उपयोग करते हैं ताकि सबसे सटीक संभव सुरक्षित ऊपरी सीमा मिल सके।

रूपक (Metaphor): यह एक ऐसे रूलर का उपयोग करने जैसा है जो जानता है कि सेबों को कैसे रखा गया है। यह अभी भी सुरक्षा जाल बनाए रखता है, लेकिन यह "10 से 50 पाउंड" की सीमा को घटाकर कुछ ऐसा कर देता है जैसे "12 से 18 पाउंड"। यह अभी भी सुरक्षित है, लेकिन अब आप वास्तव में जानते हैं कि आप किस चीज़ से निपट रहे हैं।

2. "रैंक-संरक्षण" समय यात्री (Causal Bootstrap for Groups)

समस्या: शार्प रूलर के साथ भी, यदि आपका नमूना छोटा है या डेटा अजीब है, तो "घंटी के आकार का गणित" (Normal Approximation) विफल हो सकता है। यह मौसम की भविष्यवाणी करने के लिए ऐसे फॉर्मूले का उपयोग करने जैसा है जो केवल धूप वाले दिनों के लिए काम करता है, लेकिन वर्तमान में आप एक तूफान में हैं।

समाधान: लेखक एक "कॉज़ल बूटस्ट्रैप" (Causal Bootstrap) पेश करते हैं।

रूपक: कल्पना कीजिए कि आपके पास आपके प्रयोग का प्रतिनिधित्व करने वाला ताश का एक डेक है। पुराना तरीका यह मानकर अगले कार्ड का अनुमान लगाने की कोशिश करता है कि डेक अनंत है और पूरी तरह से मिश्रित है। नया तरीका कहता है, "आइए इस खेल को बार-बार खेलें, लेकिन हमारे पास मौजूद ठीक उन्हीं कार्डों के साथ, बस उन्हें अलग तरह से शफल करें।"
यह कैसे काम करता है: वे रैंक-प्रिजर्विंग इमप्यूटेशन (Rank-Preserving Imputation) नामक तकनीक का उपयोग करते हैं। इसे पहेली के लापता हिस्सों को भरने के रूप में सोचें। यदि आप जानते हैं कि व्यक्ति A ने दवा ली और बहुत अच्छा महसूस किया, और व्यक्ति B ने चीनी की गोली ली और ठीक महसूस किया, तो यह विधि पूछती है: "क्या होगा यदि व्यक्ति B ने दवा ली होती? चूंकि वे रैंक में व्यक्ति A के समान हैं, आइए कल्पना करें कि वे अपने शुरुआती स्तर के सापेक्ष उतना ही अच्छा महसूस करते।"
परिणाम: इन हजारों "क्या-होता-अगर" परिदृश्यों का उपयोग करके, वे अनिश्चितता का एक मानचित्र बनाते हैं जो पुराने घंटी-आकार के अनुमान की तुलना में बहुत अधिक सटीक है। यह एक "सेकंड-ऑर्डर रिफाइनमेंट" है, जिसका अर्थ है कि यह उन छोटी त्रुटियों को ठीक करता है जिन्हें पुराना तरीका छोड़ देता है।

3. जोड़ों के लिए "स्थिर प्रभाव" शॉर्टकट (Causal Bootstrap for Pairs)

समस्या: कभी-कभी, प्रयोग इतने छोटे होते हैं कि लोगों को जोड़ों (जैसे जुड़वां) में मिलाया जाता है। इन "पेयर्ड प्रयोगों" में, ऊपर दिया गया "रैंक-प्रिजर्विंग" तरीका टूट जाता है। यह एक ऐसे डेक को शफल करने की कोशिश करने जैसा है जिसमें केवल दो कार्ड हैं; उनके पास नए परिदृश्य बनाने के लिए हिलने-डुलने की जगह नहीं है।

समाधान: लेखक इन जोड़ों के लिए विशेष रूप से एक दूसरा प्रकार का बूटस्ट्रैप प्रस्तावित करते हैं, जो कांस्टेंट-ट्रीटमेंट-इफेक्ट इमप्यूटेशन (Constant-Treatment-Effect Imputation) पर आधारित है।

रूपक: कल्पना कीजिए कि आपके पास दो जुड़वां बच्चे हैं। एक विटामिन लेता है, दूसरा नहीं। नया तरीका एक सरल नियम मानता है: "विटामिन जो कोई भी लेता है, उसे स्वास्थ्य में ठीक 5 अंक जोड़ता है।" इससे फर्क नहीं पड़ता कि वे कौन हैं; बढ़ावा (boost) स्थिर है।
यह क्यों चतुर है: भले ही वास्तविक जीवन में विटामिन वास्तव में हर किसी को ठीक 5 अंक न दे, यह धारणा गणित को काम करने की अनुमति देती है। लेखक सिद्ध करते हैं कि पहेली के लापता हिस्सों को भरने के लिए इस "स्थिर बढ़ावा" के विचार का उपयोग करके, परिणामी सुरक्षा जाल अभी भी वैध है और अक्सर पुराने तरीकों की तुलना में बहुत अधिक सटीक होता है।

वास्तविक दुनिया के परीक्षण

लेखकों ने इन उपकरणों का दो तरह से परीक्षण किया:

सिमुलेशन: उन्होंने सभी प्रकार के अजीब आकारों (झुका हुआ, भारी-पूंछ वाला) के साथ नकली डेटा बनाया और दिखाया कि उनके नए उपकरणों ने पुराने उपकरणों की तुलना में सच्चाई को अधिक बार और अधिक सटीक सीमाओं के साथ पाया।
वास्तविक डेटा:
- कैनबिस सेसेशन ट्रायल (Cannabis Cessation Trial): उन्होंने मारिजुआना छोड़ने पर एक अध्ययन का विश्लेषण किया। डेटा विषम (skewed) था। उनके नए तरीके ने मानक तरीके की तुलना में बहुत अधिक सटीक कॉन्फिडेंस इंटरवल दिया, जिससे परिणाम अधिक सटीक हो गए।
- मैक्सिकन स्वास्थ्य बीमा: उन्होंने देखा कि जहाँ कस्बों को जोड़ा गया था। डेटा में आउटलेयर्स (बहुत उच्च लागत) थे। फिर से, उनके "कांस्टेंट इफेक्ट" बूटस्ट्रैप विधि ने मानक दृष्टिकोण की तुलना में अधिक कुशल (संकीर्ण) कॉन्फिडेंस इंटरवल प्रदान किया।

मुख्य निष्कर्ष (The Bottom Line)

यह शोध पत्र यह दावा नहीं करता कि यह बीमारियों का इलाज करता है या गरीबी को हल करता है। इसके बजाय, यह प्रयोगों का विश्लेषण करने के लिए बेहतर गणितीय उपकरण प्रदान करता है।

यदि आपके पास समूह हैं, तो शार्प रूलर और रैंक-प्रिजर्विंग टाइम ट्रैवलर का उपयोग करें।
यदि आपके पास जोड़े हैं, तो कांस्टेंट इफेक्ट शॉर्टकट का उपयोग करें।

ये उपकरण शोधकर्ताओं को यह कहने की अनुमति देते हैं कि, "हम 95% आश्वस्त हैं कि प्रभाव X और Y के बीच है," जो पहले की तुलना में बहुत अधिक सटीक और उपयोगी सीमा (X और Y एक-दूसरे के करीब हैं) के साथ है, बिना निष्कर्ष की सुरक्षा से समझौता किए। उन्होंने एक मुफ्त सॉफ्टवेयर पैकेज (R package CausalBootstrap) भी बनाया है ताकि अन्य जासूस इन नए उपकरणों का उपयोग कर सकें।

तकनीकी सारांश: स्तरीकृत यादृच्छिक प्रयोगों में शार्प वेरिएंस एस्टिमेटर और कॉज़ल बूटस्ट्रैप

समस्या विवरण
स्तरीकृत यादृच्छिक प्रयोग (Stratified randomized experiments) उपचार प्रभावों के अनुमान के लिए एक मानक डिज़ाइन हैं, जो न्यूमैन-प्रकार के परिमित-जनसंख्या अनुमान (finite-population inference) पर निर्भर करते हैं। जबकि न्यूमैन-प्रकार का वेरिएंस एस्टिमेटर और सामान्य सन्निकटन (normal approximation) वैध अनुमान प्रदान करते हैं, वे अक्सर अत्यधिक रूढ़िवादी (conservative) होते हैं, जिससे विश्वास अंतराल (confidence intervals) बहुत विस्तृत हो जाते हैं। इसके अतिरिक्त, छोटे नमूना आकार या विषम परिणामों (skewed outcomes) वाले परिवेश में, सामान्य सन्निकटन सटीक रूप से सैंपलिंग वितरण को पकड़ने में विफल हो सकता है। कॉज़ल इन्फरेंस में मौजूदा बूटस्ट्रैप विधियाँ आमतौर पर एक सुपर-पॉपुलेशन फ्रेमवर्क के तहत काम करती हैं, जहाँ यादृच्छिकता सैंपलिंग और उपचार असाइनमेंट दोनों से उत्पन्न होती है। हालाँकि, उन परिमित-जनसंख्या डिज़ाइनों में जहाँ यादृच्छिकता का एकमात्र स्रोत उपचार असाइनमेंट है, इन मानक बूटस्ट्रैप विधियों की वैधता और प्रदर्शन स्पष्ट नहीं है। इसके अलावा, युग्मित प्रयोगों (paired experiments - जहाँ स्ट्रेटा का आकार दो है) में विशिष्ट चुनौतियाँ आती हैं, जहाँ पारंपरिक रैंक-प्रिजर्विंग इम्प्यूटेशन विधियाँ एक गैर-डीजनरेट (non-degenerate) बूटस्ट्रैप वितरण उत्पन्न करने में विफल रहती हैं।

कार्यप्रणाली
लेखक एक ढांचा प्रस्तावित करते हैं जिसमें एक शार्प वेरिएंस एस्टिमेटर और डिज़ाइन-आधारित अनुमान के लिए अनुकूलित दो अलग-अलग कॉज़ल बूटस्ट्रैप प्रक्रियाएं शामिल हैं।

शार्प वेरिएस एस्टिमेटर (Sharp Variance Estimator):
कागज में भारित अंतर-माध्य (weighted difference-in-means) एस्टिमेटर के लिए एक शार्प वेरिएंस एस्टिमेटर पेश किया गया है। यह एस्टिमेटर एरोनाव एट अल. (2014) द्वारा व्युत्पन्न कोवेरिएंस टर्म $S_{[m]Y(1),Y(0)}$ के शार्प अपर बाउंड का उपयोग करके न्यूमैन-प्रकार के दृष्टिकोण को परिष्कृत करता है। प्रत्येक स्ट्रैटम के भीतर, एस्टिमेटर संभावित परिणामों के व्युत्क्रम अनुभवजन्य वितरण फलनों (inverse empirical distribution functions) के गुणनफल के समाकलन (integral) को शामिल करता है। लेखक सामान्य स्पर्शोन्मुखी व्यवस्थाओं (asymptotic regimes) के तहत इसकी निरंतरता स्थापित करते हैं, जहाँ स्ट्रेटा की संख्या और/या स्ट्रेटा का आकार अनंत की ओर बढ़ता है, और एक ग्लिवन-कांटली (Glivenko–Cantelli) प्रकार का प्रमेय प्राप्त करने के लिए बिना प्रतिस्थापन के सैंपलिंग (sampling without replacement) के लिए एक एकाग्रता असमानता (concentration inequality - Bobkov, 2004) का उपयोग करते हैं।
रैंक-प्रिजर्विंग इम्प्यूटेशन पर आधारित कॉज़ल बूटस्ट्रैप:
परिमित-नमूना मुद्दों को संबोधित करने और द्वितीय-क्रम परिशोधन (second-order refinement) प्राप्त करने के लिए, लेखक एक कॉज़ल बूटस्ट्रैप विधि प्रस्तावित करते हैं। सुपर-पॉपुलेशन बूटस्ट्रैप के विपरीत, यह विधि संभावित परिणामों को स्थिर मानती है और मूल प्रयोगात्मक डिज़ाइन के अनुसार उपचार असाइनमेंट को पुन: नमूना (resample) करती है।

इम्प्यूटेशन (Imputation): अनऑब्जर्व्ड (unobserved) संभावित परिणामों को प्रत्येक स्ट्रैटम के भीतर रैंक-प्रिजर्विंग दृष्टिकोण का उपयोग करके इम्प्यूट किया जाता है। विशेष रूप से, यदि कोई इकाई उपचार समूह में देखी जाती है, तो उसका कंट्रोल पोटेंशियल आउटकम, कंट्रोल वितरण में उसके रैंक को उपचार वितरण के रैंक से मैप करके इम्प्यूट किया जाता है (और इसके विपरीत)। यह सुनिश्चित करता है कि इम्प्यूट किए गए परिणाम को-मोनोटोनिक (co-monotonic) हों, जो एस्टिमेटर के वेरिएंस को शार्प अपर बाउंड तक अधिकतम करता है।
प्रक्रिया: विधि पिवटल सांख्यिकी (pivotal statistics) के लिए बूटस्ट्रैप वितरण उत्पन्न करती है, जिसमें बार-बार उपचार असाइनमेंट को पुन: नमूना किया जाता है और भारित अंतर-माध्य तथा शार्प वेरिएंस एस्टिमेटर की गणना की जाती है।
सैद्धांतिक गारंटी: लेखक सिद्ध करते हैं कि यह बूटस्ट्रैप वितरण सामान्य सन्निकटन पर द्वितीय-क्रम परिशोधन प्रदान करता है, जो उन स्थितियों में जहाँ स्ट्रेटा का आकार पर्याप्त बड़ा है (कम से कम दो उपचारित और दो नियंत्रण इकाइयाँ), $O(n^{-1/2})$ की तुलना में $o_P(n^{-1/2})$ की अभिसरण दर प्राप्त करता है।

कांस्टेंट-ट्रीटमेंट-इफेक्ट इम्प्यूटेशन पर आधारित कॉज़ल बूटस्ट्रैप:
युग्मित प्रयोगों (जहाँ स्ट्रेटा का आकार दो है) में रैंक-प्राइविंग इम्प्यूटेशन के विफल होने की संभावना को देखते हुए, लेखक एक दूसरा कॉज़ल बूटस्ट्रैप विधि प्रस्तावित करते हैं।

इम्प्यूटेशन: अनऑब्जर्व्ड संभावित परिणामों को प्रत्येक जोड़े के भीतर एक स्थिर उपचार प्रभाव ( $\Delta = \hat{\tau}$ ) मानते हुए इम्प्यूट किया जाता है।
प्रक्रिया: युग्मित डिज़ाइन के अनुसार उपचार असाइनमेंट को पुन: नमूना किया जाता है, और युग्मित प्रयोगों के लिए न्यूमैन-प्रकार के वेरिएंस एस्टिमेटर का उपयोग करके पिवटल सांख्यिकी की गणना की जाती है।
सैद्धांतिक गारंटी: यह दिखाया गया है कि यह विधि तब भी वैध है जब वास्तविक संभावित परिणामों के लिए कांस्टेंट ट्रीटमेंट इफेक्ट धारणा लागू नहीं होती है, जो छात्र-इन्फर्ड (studentized) सांख्यिकी के उपयोग पर निर्भर करती है ताकि स्पर्शोन्मुखी वैधता सुनिश्चित की जा सके।

प्रमुख योगदान

शार्प वेरिएंस एस्टिमेटर: शोध पत्र स्तरीकृत यादृच्छिक प्रयोगों में एक शार्प वेरिएंस एस्टिमेटर के लिए औपचारिक सैद्धांतिक परिणाम स्थापित करता है, जो बढ़ते स्ट्रेटा की संख्या और बढ़ते स्ट्रेटा आकार दोनों वाली स्पर्शोन्मुखी व्यवस्थाओं को समायोजित करता है।
द्वितीय-क्रम परिशोधन: लेखक सिद्ध करते हैं कि रैंक-प्रिजर्विंग इम्प्यूटेशन पर आधारित कॉज़ल बूटस्ट्रैप, सामान्य सन्निकटन पर द्वितीय-क्रम परिशोधन प्रदान करता है, जिससे परिमित नमूनों में अधिक सटीक कवरेज प्रायिकता और संकीर्ण विश्वास अंतराल प्राप्त होता है।
युग्मित प्रयोग समाधान: युग्मित प्रयोगों के लिए विशेष रूप से डिज़ाइन किया गया कांस्टेंट-ट्रीटमेंट-इफेक्ट इम्प्यूटेशन पर आधारित एक नया कॉज़ल बूटस्ट्रैप प्रस्तावित है, जो इस सेटिंग में डीजेनरेट समस्याओं को दूर करता है।
डिज़ाइन-आधारित ढांचा: विश्लेषण पूरी तरह से रैंडमाइजेशन-आधारित है, जो काल्पनिक सुपर-पॉपुलेशन सैंपलिंग के बजाय केवल उपचार असाइनमेंट की यादृच्छिकता पर निर्भर करता है, जो फिशर और न्यूमैन द्वारा समर्थित डिज़ाइन-आधारित अनुमान दर्शन के अनुरूप है।

परिणाम

सिमुलेशन अध्ययन: संख्यात्मक अध्ययन प्रदर्शित करते हैं कि प्रस्तावित शार्प वेरिएंस एस्टिमेटर और कॉज़ल बूटस्ट्रैप (Sharp+Bootstrap) का संयोजन पारंपरिक न्यूमैन+नॉर्मल दृष्टिकोण की तुलना में नाममात्र कवरेज प्रायिकता (95%) प्राप्त करते हुए विश्वास अंतराल की लंबाई को काफी कम कर देता है। दक्षता लाभ विशेष रूप से विषम परिणामों या छोटे नमूना आकार वाले परिदृश्यों में स्पष्ट होते हैं।
वास्तविक डेटा अनुप्रयोग:
- कैनबिस सेसेशन ट्रायल (Cannabis Cessation Trial): एक स्तरीकृत नैदानिक परीक्षण में, 'शार्प+बूटस्ट्रैप' विधि ने वैध कवरेज बनाए रखते हुए 'न्यूमैन+नॉर्मल' की तुलना में विश्वास अंतराल की लंबाई को 8.8% कम कर दिया।
- मेक्सिको पब्लिक हेल्थ एक्सपेरिमेंट: एक युग्मित क्लस्टर प्रयोग में, कांस्टेंट-ट्रीटमेंट-इफेक्ट बूटस्ट्रैप ने सामान्य सन्निकटन की तुलना में अंतराल की लंबाई को 16.1% कम कर दिया, जो विषम परिणामों और आउटलेर्स की उपस्थिति में बेहतर प्रदर्शन प्रदर्शित करता है।

महत्व
यह शोध पत्र दावा करता है कि इसके प्रस्तावित तरीके जटिल प्रयोगात्मक डिज़ाइनों में कारण अनुमान (causal inference) की विश्वसनीयता और दक्षता को बढ़ाते हैं। एक शार्प वेरिएंस एस्टिमेटर और वैध कॉज़ल बूटस्ट्रैप प्रक्रियाओं को प्रदान करके जो पूरी तरह से परिमित-जनसंख्या ढांचे के भीतर काम करती हैं, लेखक ऐसे उपकरण प्रदान करते हैं जो मॉडल मिसस्पेसिफिकेशन के प्रति मजबूत हैं और उन परिमित नमूनों में अच्छा प्रदर्शन करते हैं जहाँ सामान्य सन्निकटन विफल हो सकते हैं। इसके लिए उपलब्ध आर पैकेज (CausalBootstrap) इन विधियों के व्यावहारिक अनुप्रयोग को सुगम बनाता है। यह कार्य स्तरीकृत और युग्मित डिज़ाइनों में कॉज़ल बूटस्ट्रैप के सैद्धांतिक गुणों के संबंध में साहित्य में मौजूद अंतर को संबोधित करता है, और सुपर-पॉपुलेशन-आधारित अनुमान का एक कठोर विकल्प प्रदान करता है।

1. "शार्प" रूलर (Sharp Variance Estimator)

2. "रैंक-संरक्षण" समय यात्री (Causal Bootstrap for Groups)

3. जोड़ों के लिए "स्थिर प्रभाव" शॉर्टकट (Causal Bootstrap for Pairs)

वास्तविक दुनिया के परीक्षण

मुख्य निष्कर्ष (The Bottom Line)

इसी तरह के और पेपर