Potential weights and implicit causal designs in linear regression

तकनीकी सारांश: रैखिक प्रतिगमन (Linear Regression) में संभावित भार और अंतर्निहित कारण संबंधी डिज़ाइन (Implicit Causal Designs)

1. समस्या विवरण

अनुप्रयुक्त शोधकर्ता अक्सर कारण प्रभावों (causal effects) का अनुमान लगाने के लिए रैखिक प्रतिगमन का उपयोग करते हैं, जो उपचार असाइनमेंट (treatment assignment) के पीछे के तर्क को अर्ध-प्रायोगिक (quasi-experimental) भिन्नता के माध्यम से न्यायसंगत ठहराते हैं, जबकि उपचार असाइनमेंट प्रक्रिया के संबंध में धारणाओं को अंतर्निहित (implicit) छोड़ देते हैं। एक केंद्रीय तनाव विद्यमान है: प्रतिगमन विनिर्देश (regression specifications) अक्सर संरचनात्मक परिणाम मॉडल (structural outcome models) के समान होते हैं, फिर भी उनकी कारण वैधता पूरी तरह से इस बात की धारणाओं पर आधारित होती है कि उपचार $W$ कैसे सौंपा गया है। जैसा कि फ्रीडमैन (2008) द्वारा उल्लेख किया गया है, रैंडमाइजेशन (randomization) स्वाभाविक रूप से ऑर्डिनरी लीस्ट स्क्वायर्स (OLS) मॉडल के पीछे की धारणाओं को न्यायसंगत नहीं बनाता है।

यद्यपि साहित्य (जैसे, एंग्रिस्ट और पिशके, 2008; एंग्रिस्ट, 1998; लिन, 2013) यह सुझाव देता है कि सामान्य अनुमानक (estimators) अक्सर सरल, मॉडल-स्वतंत्र व्याख्याएँ रखते हैं, लेकिन यह आशावाद नाजुक है। विशिष्ट विनिर्देश कुछ असाइनमेंट प्रक्रियाओं के तहत व्याख्या योग्य भारित औसत उपचार प्रभाव (WATE) प्रदान कर सकते हैं, लेकिन अन्य स्थितियों में व्याख्याहीन या नकारात्मक रूप से भारित अनुमान (estimands) उत्पन्न कर सकते हैं। यह शोध पत्र यह निर्धारित करने के लिए एक सामान्य ढांचे के अभाव को संबोधित करता है कि:

1. उपचार असाइनमेंट की किन धारणाओं के तहत एक दिया गया प्रतिगमन एक अर्ध-प्रायोगिक व्याख्या स्वीकार करता है।
2. विषमता (heterogeneity) के तहत प्रतिगमन किस विशिष्ट कारण कंट्रास्ट (estimand) को लक्षित करता है।
3. जब ये अंतर्निहित धारणाएँ गलत (misspecified) होती हैं, तो अनुमान कितने खराब हो जाते हैं।

2. कार्यप्रणाली और ढांचा

यह शोध पत्र एक "डिज़ाइन-आधारित" परिप्रेक्ष्य को औपचारिक रूप देता है, जिसमें सहचरों (covariates) $(x_i)$ और संभावित परिणामों $y_i(\cdot)$ को स्थिर मानता है और उपचार असाइनमेंट $W_i$ में यादृच्छिकता (randomness) को अलग करता है। मुख्य नवाचार वास्तविक असाइनमेंट प्रक्रिया $\pi^*$ के संबंध में दो अलग-अलग प्रश्नों के माध्यम से अर्ध-प्रायोगिक आवश्यकता के अपघटन (decomposition) में है।

न्यूनतम अर्ध-प्रायोगिक (Minimal Quasi-Experimental - MQE) मानदंड:
यह शोध पत्र एक प्रतिगमन अनुमान $\tau$ को तब न्यूनतम अर्ध-प्रायोगिक के रूप में परिभाषित करता है जब वह संभावित परिणामों का एक कंट्रास्ट (अर्थात, संभावित प्रभावों का एक भारित औसत) हो, चाहे संभावित परिणामों का विन्यास कुछ भी हो। यह "स्तर स्वतंत्रता" (level independence) को लागू करता है: किसी इकाई के सभी संभावित परिणामों को एक स्थिरांक (constant) से बदलने पर अनुमान में परिवर्तन नहीं होना चाहिए।

संभावित भार और अंतर्निहित डिज़ाइन (Potential Weights and Implicit Designs):
जनसंख्या प्रतिगमन अनुमान $\tau$ को संभावित परिणामों के एक रैखिक एकत्रीकरण के रूप में व्यक्त किया जा सकता है:
$$\tau = \frac{1}{n} \sum_{i=1}^n \sum_{w \in \mathcal{W}} \pi^*_i(w) \rho_i(w) y_i(w)$$
जहाँ $\rho_i(w) = \Lambda G_n^{-1} z(x_i, w)$ संभावित भार (potential weights) हैं, जो केवल प्रतिगमन विनिर्देश और जनसंख्या ग्राम मैट्रिक्स (population Gram matrix) $G_n$ द्वारा निर्धारित होते हैं।

$\tau$ के न्यूनतम अर्ध-प्रायोगिक होने के लिए, प्रत्येक इकाई के लिए उपचार स्तरों के बीच संभावित परिणामों को दिए गए भारों का योग शून्य होना चाहिए। यह वास्तविक असाइनमेंट संभावनाओं $\pi^*_i$ पर रैखिक प्रतिबंध लगाता है:
$$\sum_{w \in \mathcal{W}} \pi^*_i(w) \rho_i(w) = 0 \quad \text{और} \quad \sum_{w \in \mathcal{W}} \pi^*_i(w) = 1$$

इन रैखिक समीकरणों के समाधान को अंतर्निहित डिज़ाइन (implicit designs) कहा जाता है।

• [MQE-1] अस्तित्व (Existence): क्या इन रैखिक प्रतिबंधों को संतुष्ट करने वाला एक वैध संभाव्यता वितरण $\pi$ मौजूद है?
• [MQQ-2] शुद्धता (Correctness): क्या वास्तविक असाइनमेंट प्रक्रिया $\pi^*$ इन अंतर्निहित डिज़ाइनों में से एक है?

अनुमानित अर्ध-प्रायोगिक व्याख्या (Approximate Quasi-Experimental Interpretation):
जब सटीक स्थितियाँ विफल हो जाती हैं, तो यह शोध पत्र OLS अनुमानक और एक ऑगमेंटेड इनवर्स प्रोपेंसिटी वेटिंग (AIPW) अनुमानक के बीच एक संख्यात्मक समानता स्थापित करता है। OLS अनुमानक और एक विशिष्ट डिज़ाइन $\tilde{\pi}$ को लक्षित करने वाले AIPW अनुमानक के बीच का अंतर, प्रतिगमन अवशेषों (residuals) और उस डिग्री के बीच के अनुभवजन्य सहप्रसरण (empirical covariance) के समानुपाती है, जिससे $\tilde{\pi}$ अंतर्निहित डिज़ाइन प्रतिबंधों का उल्लंघन करता है। अतः, OLS लगभग अर्ध-प्रायोगिक है यदि उपचार मॉडल की मिसस्पेसिफिकेशन (misspecification), परिणाम मॉडल की मिसस्पेसिफिकेशन के साथ असंबद्ध (uncorrelated) है।

3. मुख्य योगदान और सैद्धांतिक परिणाम

एकीकरण और प्रतिवर्ती परिणाम (Unification and Converse Results):
यह ढांचा साहित्य (जैसे, एंग्रिस्ट, 1998; गोल्डस्मिथ-पिंघम एट अल., 2024; एथे और इम्बेंस, 2022) के विरल परिणामों को एकीकृत करता है, यह दिखाते हुए कि उनके प्रस्तावित डिज़ाइन और अनुमान (estimands) वास्तव में वे अंतर्निहित डिज़ाइन और अंतर्निहित अनुमान हैं जो प्रतिगमन विनिर्देश से प्राप्त होते हैं। महत्वपूर्ण रूप से, यह शोध पत्र प्रतिवर्ती परिणाम (converse results) भी प्रदान करता है: एक प्रतिगमन तभी अर्ध-प्रायोगिक व्याख्या स्वीकार करता है जब वास्तविक डिज़ाइन अद्वितीय अंतर्निहित डिज़ाइन के बराबर हो।

विशिष्ट विनिर्देश निष्कर्ष:

• सहचरों के साथ बाइनरी उपचार (Binary Treatment with Covariates): $Y_i = \tau W_i + x_i'\gamma + \epsilon_i$ के लिए, अंतर्निहित डिज़ाइन के लिए प्रोपेंसिटी स्कोर सहचरों में रैखिक ($\pi_i = x_i'\delta$) होना आवश्यक है। अनुमानित मान (estimand) एक WATE है जिसके भार $\pi_i(1-\pi_i)$ के समानुपाती हैं।
• इंटरैक्टेड प्रतिगमन (Interacted Regressions): उन विनिर्देशों के लिए जो उपचार को सहचरों के साथ इंटरैक्ट करते हैं ($Y_i = \tau_0 W_i + \tau_1' W_i x_i + \dots$), सटीक अर्ध-प्रायोगिक व्याख्या अत्यधिक नाजुक है। इसके लिए प्रोपेंसिटी स्कोर और उसके सहचरों के साथ इंटरैक्शन दोनों का शेष सहचरों में रैखिक होना आवश्यक है। यह स्थिति सामान्यतः विफल हो जाती है जब तक कि सहचर संतृप्त (saturated) न हों, जिसका अर्थ है कि इंटरैक्टेड प्रतिगमन में अक्सर एक रक्षात्मक कारण व्याख्या का अभाव होता है।
• टू-वे फिक्स्ड इफेक्ट्स (TWFE): समय-परिवर्तनीय सहचरों (time-varying covariates) के साथ TWFE प्रतिगमन आमतौर पर एक अंतर्निहित डिज़ाइन स्वीकार करने में विफल रहते हैं, जब तक कि उपचार पथ पूरी तरह से रैंडमाइज्ड न हों या सहचर कठोर रैखिक स्पैन (linear span) शर्तों को पूरा न करते हों।
• टू-स्टेज लीस्ट स्क्वायर्स (TSLS): यह ढांचा TSLS तक विस्तारित होता है, जो अनुपालन पैटर्न (compliance patterns) (जैसे, बाइनरी इंस्ट्रूमेंट्स के लिए स्ट्रॉन्ग मोनोटोनिटी) के लिए आवश्यक स्थितियों को अंतर्निहित अनुमान को उचित भार देने की आवश्यकता के रूप में पुनर्प्राप्त करता है।

4. अनुभवजन्य परिणाम (Empirical Results)

AI-सहायता प्राप्त जनगणना (AI-Assisted Census):
अमेरिकन इकोनॉमिक रिव्यू और अमेरिकन इकोनॉमिक जर्नल: एप्लाइड इकोनॉमिक्स (2020–2026) के 1,051 शोध पत्रों का विश्लेषण यह प्रकट करता है कि अर्ध-प्रायोगिक प्रतिगमन व्यापक है। हालांकि:

• अभ्यासकर्ता शायद ही कभी आधुनिक कारण अनुमान विधियों (IPW, मैचिंग, DML) का उपयोग करते हैं।
• स्पष्ट लक्षित अनुमान (explicit target estimands) शायद ही कभी नामित किए जाते हैं (98 अनकन्फाउंडेडनेस शोध पत्रों में से केवल 9)।
• अध्ययनों का एक बड़ा हिस्सा इंटरैक्टेड विनिर्देशों या समय-परिवर्तनीय सहचरों के साथ TWFE का उपयोग करता है, जो सैद्धांतिक परिणाम बताते हैं कि कारण व्याख्या के संबंध में संवेदनशील हैं।

नौ अध्ययनों का नैदानिक पुन: विश्लेषण (Diagnostic Re-analysis of Nine Studies):
यह शोध पत्र प्रस्तावित डायग्नोस्टिक्स का उपयोग करके नौ हालिया अध्ययनों का पुन: विश्लेषण करता है:

1. सटीक व्याख्या (Exact Interpretation): सभी नौ मामलों में, सटीक अर्ध-प्रायोगिक व्याख्या को खारिज कर दिया गया है। अनुमानित अंतर्निहित डिज़ाइन अक्सर $[0, 1]$ के बाहर प्रोपेंसिटी स्कोर प्रदान करते हैं, और रामसे RESET टेस्ट प्रोपेंसिटी स्कोर की रैखिकता को निर्णायक रूप से खारिज करते हैं।
2. अनुमानित व्याख्या (Approximate Interpretation): सटीक स्थितियों के खारिज होने के बावजूद, अधिकांश अध्ययन लगभग अर्ध-प्रायिक प्रतीत होते हैं। डिज़ाइन विसंगतियों और प्रतिगमन अवशेषों के बीच सहप्रसरण आमतौर पर छोटा होता है, जिसका अर्थ है कि OLS अनुमान उचित वैकल्पिक डिज़ाइनों के लिए AIPW अनुमानों के करीब रहता है।
3. अपवाद: एक अध्ययन (एंग, 2023) एक बड़े अंतर को दर्शाता है जहाँ वैकल्पिक प्रोपेंसिटी स्कोर अनुमान OLS परिणाम को दो मानक त्रुटियों से अधिक बदल देते हैं, जो इंगित करता है कि उस विशिष्ट संदर्भ में मॉडल की विफलता परिणामी है।
4. प्रतिनिधित्व (Representativeness): कई अनुप्रयोगों में ओवरलैप (overlap) की कमी है, जिसका अर्थ है कि अंतर्निहित अनुमान जनसंख्या के एक छोटे अंश पर एकत्रीकरण करता है। ओवरलैप के लिए ट्रिमिंग (trimming) करने से प्रतिनिधित्व में सुधार होता है लेकिन अक्सर अनुमान एक अल्पसंख्यक उप-जनसंख्या के प्रतिनिधि रह जाते हैं।

5. महत्व और दावे

यह शोध पत्र दावा करता है कि यह रैखिक प्रतिगमन से प्राप्त कारण दावों की वैधता का आकलन करने के लिए एक सामान्य, स्वचालित ढांचा प्रदान करता है। इसका प्राथमिक महत्व है:

• अंतर्निहित मॉडल को औपचारिक बनाना: यह प्रदर्शित करता है कि कारण अनुमान के लिए प्रतिगमन का उपयोग करना स्वाभाविक रूप से उपचार असाइनमेंट के एक विशिष्ट मॉडल (अंतर्निहित डिज़ाइन) और विषम प्रभावों के एक विशिष्ट भारण (अंतर्निहित अनुमान) को चुनता है।
• आशावाद को चुनौती देना: यह सुझाव देता है कि एंग्रिस्ट और पिशके (2008) का प्रतिगमन की मजबूती के संबंध में "आशावाद" सार्वभौमिक रूप से न्यायसंगत नहीं है। सटीक अर्ध-प्रायोगिक व्याख्याएं अक्सर भंगुर (brittle) होती हैं, विशेष रूप से इंटरैक्टेड और TWFE मॉडलों में।
• व्यावहारिक उपयोगिता: हालांकि सटीक व्याख्याएं अक्सर विफल हो जाती हैं, यह ढांचा शोधकर्ताओं को अपने अनुमानों की अनुमानित वैधता और प्रतिनिधित्व का आकलन करने की अनुमति देता है। लेखक तर्क देते हैं कि पारदर्शी अनुभवजन्य विश्लेषण में अपने अंतर्निहित डिज़ाइनों और अनुमानों को स्पष्ट रूप से अनुमानित करना और रिपोर्ट करना शामिल होना चाहिए ताकि इन छिपे हुए धारणाओं को दृश्यमान बनाया जा सके।

शोध पत्र निष्कर्ष निकालता है कि यद्यपि प्रतिगमन अक्सर व्यवहार में एक उचित अनुमानक के रूप में कार्य करता है क्योंकि मॉडल मिसस्पेसिफिकेशन के बीच सहसंबंध कम होता है, फिर भी इसके द्वारा थोपी गई अंतर्निहित धारणाएं गैर-तुच्छ (nontrivial) हैं और उन्हें अनौपचारिक औचित्य के बजाय स्पष्ट किया जाना चाहिए।