Heterogeneous Responses to Continuous Treatments: A Cluster-Based Causal Framework

यहाँ सेरक्वा, डि स्टेफ़ानो और मैटेरा के शोध पत्र "Heterogeneous Responses to Continuous Treatments: A Cluster-Based Causal Framework" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र अवलोकनात्मक सेटिंग्स (observational settings) में सतत उपचारों (continuous treatments) (जैसे कि फंडिंग स्तर, खुराक, तीव्रता) के संबंध में कारण अनुमान (causal inference) साहित्य के एक महत्वपूर्ण अंतराल को संबोधित करता है।

• मौजूदा विधियों की सीमाएँ: सतत उपचारों के लिए मानक अनुमानक, जैसे कि हिरानो और इम्बेंस (2004) द्वारा प्रस्तावित औसत डोज़-रिस्पॉन्स फंक्शन (ADRF) या हालिया गैर-पैरामीट्रिक दृष्टिकोण, एक एकल जनसंख्या-स्तरीय कारण संबंध मानते हैं। ये विधियाँ दो कठोर धारणाओं पर निर्भर करती हैं:
  1. कमजोर अनकन्फाउंडेडनेस (Weak Unconfoundedness): सहचरों (covariates) की स्थिति में संभावित परिणाम उपचार असाइनमेंट से स्वतंत्र होते हैं।
  2. सकारात्मकता (Positivity/Common Support): प्रत्येक इकाई के पास देखे गए सहचर स्थान के भीतर उपचार के किसी भी स्तर को प्राप्त करने की गैर-शून्य संभावना होती है।
• मुख्य मुद्दा: कई वास्तविक दुनिया के परिदृश्यों में (जैसे, यूरोपीय संघ के क्षेत्रीय कोष), उपचार असाइनमेंट यादृच्छिक (non-random) नहीं होता है और उपचार प्रभाव विषमता (HTE) न केवल देखे गए सहचरों के कारण, बल्कि अनदेखे "रेजीम" या उपसमूहों के कारण भी मौजूद होती है।
  • जब HTE मौजूद होता है, तो वैश्विक सकारात्मकता (global positivity) की धारणा अक्सर उल्लंघन हो जाती है क्योंकि विभिन्न उपसमूह स्वाभाविक रूप से उपचार की अलग-अलग श्रेणियों को प्राप्त करते हैं (सीमित कॉमन सपोर्ट)।
  • ऐसे संदर्भों में एकल ADRF का अनुमान लगाने से पूर्वाग्रह युक्त अनुमान (biased estimates) और भ्रामक नीतिगत निष्कर्ष निकलते हैं क्योंकि यह उपसमूहों के बीच अलग-अलग, संभावित रूप से विपरीत, कारण तंत्रों को औसत बना देता है।

2. कार्यप्रणाली: क्लस्टर्ड डोज़-रिस्पॉन्स फंक्शन (Cl-DRF)

लेखक एक नया अनुमानक, क्लस्टर्ड डोज़-रिस्पॉन्स फंक्शन (Cl-DRF) प्रस्तावित करते हैं, जो ध्यान को जनसंख्या औसत से हटाकर क्लस्टर-विशिष्ट कारण संबंधों पर केंद्रित करता है।

A. कारण ढांचा और पहचान (Causal Framework and Identification)

• लक्ष्य अनुमानक (Target Estimand): $\mu(t) = E[Y(t)]$ के बजाय, लक्ष्य क्लस्टर-विशिष्ट DRF है: $\mu_c(t) = E[Y(t) | C_i = c]$, जहाँ $C_i$ एक अनदेखा क्लस्टर संकेतक है।
• शिथिल धारणाएँ (Relaxed Assumptions): यह ढांचा वैश्विक पहचान धारणाओं को क्लस्टरों के भीतर स्थानीय (local) धारणाओं में शिथिल करता है:
  • धारणा B1 (रेजीम का अस्तित्व): जनसंख्या को $C$ क्लस्टरों में विभाजित किया जा सकता है जिनके विशिष्ट उपचार-परिणाम संबंध हैं।
  • धारणा B2 (स्थानीय अनकन्फाउंडेडनेस): प्रत्येक क्लस्टर $c$ के भीतर, $Y(t) \perp T | X, C=c$।
  • धारणा B3 (स्थानीय सकारात्मकता): प्रत्येक क्लस्टर के भीतर, उपचार का सशर्त घनत्व (conditional density) क्लस्टर के विशिष्ट सपोर्ट ($\mathcal{T}_c$) पर शून्य से ऊपर रहता है।
• पहचान (Identification): इन धारणाओं के तहत, क्लस्टर-विशिष्ट DRF को क्लस्टर-विशिष्ट जनरलाइज्ड प्रोपेंसिटी स्कोर (GPS) के माध्यम से पहचाना जाता है, जिसे सहचरों और क्लस्टर सदस्यता के आधार पर उपचार का सशर्त घनत्व के रूप में परिभाषित किया गया है: $R_{i,c}(t) = f(T|X, C=c)$।

B. अनुमान एल्गोरिदम (Estimation Algorithm)

लेखक एक पुनरावृत्ति (iterative), डेटा-संचालित एल्गोरिदम विकसित करते हैं जो क्लस्टर सदस्यता और क्लस्टर-विशिष्ट DRFs का एक साथ अनुमान लगाता है। यह क्लस्टरवाइज रिग्रेशन (या k-मीन्स रिग्रेशन) को दर्शाता है, लेकिन इसे सतत उपचारों के साथ कारण अनुमान के लिए अनुकूलित किया गया है।

1. पैरामीट्रिक मॉडल (Parametric Models):
   • उपचार मॉडल (Treatment Model): क्लस्टर-विशिष्ट गॉसियन वितरण मानता है: $T_i | X_i, C_i=c \sim N(\beta_c' X_i, \sigma_c^2)$। यह क्लस्टर-विशिष्ट GPS ($R_{i,c}$) उत्पन्न करता है।
   • परिणाम मॉडल (Outcome Model): उपचार और GPS पर परिणाम का एक पैरामीट्रिक रिग्रेशन मानता है: $E[Y_i | T_i, R_{i,c}, C_i=c] = f(T_i, R_{i,c}; \alpha_c)$।
2. पुनरावृत्ति प्रक्रिया (ब्लॉक-कोऑर्डिनेट डिसेंट):
   • चरण 1: क्लस्टर असाइनमेंट को इनिशियलाइज़ करें।
   • चरण 2: GPS की गणना करने के लिए क्लस्टर-विशिष्ट उपचार मॉडल का अनुमान लगाएं।
   • चरण 3: GPS को एक नियंत्रण चर के रूप में उपयोग करके क्लस्टर-विशिष्ट परिणाम रिग्रेशन का अनुमान लगाएं।
   • चरण 4: प्रत्येक इकाई को उस क्लस्टर में असाइन करके क्लस्टर असाइनमेंट अपडेट करें जो परिणाम मॉडल के वर्ग अवशेष (squared residual) को न्यूनतम करता है।
   • चरण 5: अभिसरण (convergence) तक दोहराएं।
3. मॉडल चयन (C चुनना):
   • चूंकि क्लस्टरों की संख्या अज्ञात है, लेखक एक BIC-जैसे दंडित अनुभवजन्य जोखिम मानदंड (penalized empirical risk criterion) का प्रस्ताव करते हैं:
     $$IC(C) = \sum (y_i - \hat{\alpha}_{c_i}' z_i)^2 + \zeta_n \sum \text{dim}(\hat{\alpha}_c)$$
   • वे मॉडल जटिलता के सापेक्ष फिट में घटते प्रतिफल (diminishing returns) को पहचानने के लिए "एल्बो रूल" (Elbow Rule) का उपयोग करते हैं।

3. मुख्य योगदान (Key Contributions)

1. सैद्धांतिक नवाचार: सतत उपचार सेटिंग्स में विषम प्रतिक्रियाओं को स्पष्ट रूप से मॉडल करने के लिए एक नए कारण अनुमानक के रूप में Cl-DRF को पेश करता है, जो जनसंख्या ADRF की सीमाओं से आगे जाता है।
2. पद्धतिगत प्रगति: एक एकीकृत अनुमानक विकसित करता है जो क्लस्टरिंग संरचना (डेटा-संचालित) और कारण प्रभावों को संयुक्त रूप से खोजता है, जिससे वैश्विक सकारात्मकता धारणा को अधिक विश्वसनीय स्थानीय संस्करण में बदला जा सके।
3. सीमित कॉमन सपोर्ट को संभालना: यह प्रदर्शित करता है कि समान सहचर प्रोफाइल और उपचार श्रेणियों वाले क्लस्टरों तक विश्लेषण को सीमित करके, यह विधि वैश्विक अनुमानकों में निहित एक्सट्रपोलेशन पूर्वाग्रह (extrapolation bias) से बचती है जब कॉमन सपोर्ट सीमित होता है।
4. क्लस्टरिंग और कारण अनुमान का एकीकरण: यह समूहबद्ध रिग्रेशन साहित्य (जैसे, k-मीन्स) और कारण अनुमान ढांचे (जैसे, GPS) के बीच के अंतर को पाटता है, जो जटिल अवलोकनात्मक डेटा के लिए एक सुलभ पैरामीट्रिक समाधान प्रदान करता है।

4. अनुभवजन्य परिणाम (Empirical Results)

लेखक यूरोपीय संघ (EU) कोहेशन फंड्स के क्षेत्रीय आर्थिक विकास (1994-2015) पर प्रभाव का मूल्यांकन करने के लिए Cl-DRF का उपयोग करते हैं।

• मानक दृष्टिकोण (ग्लोबल ADRF): हिरानो और इम्बेंस (2004) और हुलिंग एट अल (2024) की विधियों का उपयोग करते हुए, अनुमानित ADRF एक मामूली सकारात्मक प्रभाव दिखाता है जो उच्च फंडिंग स्तरों के लिए सपाट हो जाता है और नकारात्मक हो जाता है। यह "घटते प्रतिफल" (diminishing returns) या "अति-सब्सिडीकरण" (over-subsidization) की परिकल्पना का सुझाव देता है।
• Cl-DRF दृष्टिकोण: एल्गोरिदम तीन अलग-अलग क्लस्टरों की पहचान करता है:
  • क्लस्टर 1 (धनी क्षेत्र, जैसे आयरलैंड, दक्षिणी जर्मनी): फंड और विकास के बीच एक मजबूत, सकारात्मक और रैखिक संबंध दिखाता है। उच्च तीव्रता पर घटते प्रतिफल या नकारात्मक प्रभावों का कोई प्रमाण नहीं है।
  • क्लस्टर 2 (मिश्रित क्षेत्र, जैसे स्पेन, उत्तरी जर्मनी): वैश्विक औसत के समान संबंध दिखाता है (सकारात्मक लेकिन सपाट होता हुआ)।
  • क्लस्टर 3 (कम विकसित क्षेत्र, जैसे इटली, ग्रीस): एक थोड़ा नकारात्मक संबंध दिखाता है। लेखक इसे सीमित अवशोषण क्षमता (absorptive capacity) और महान मंदी (2008-2015) के दौरान बढ़ती क्षेत्रीय असमानताओं के लिए जिम्मेदार ठहराते हैं, जहाँ फंड विकास को प्रोत्साहित करने में विफल रहे।
• सिमुलेशन साक्ष्य: व्यापक सिमुलेशन पुष्टि करते हैं कि Cl-DRF अनुमानक सीमित कॉमन सपोर्ट और कन्फाउंडिंग की स्थितियों में भी वास्तविक क्लस्टरों की संख्या (उच्च रैंड इंडेक्स) और वास्तविक क्लस्टर-विशिष्ट DRFs को सटीक रूप से रिकवर करता है।

5. महत्व और नीतिगत निहितार्थ (Significance and Policy Implications)

• नीति प्रासंगिकता: यह अध्ययन प्रदर्शित करता है कि वैश्विक ADRF पर आधारित "एक ही आकार सबके लिए" (one-size-fits-all) वाली नीतिगत सिफारिश भ्रामक है।
  • क्लस्टर 1 के लिए: नीति निर्माताओं को मनमाने फंडिंग कैप (funding caps) से बचना चाहिए, क्योंकि ये क्षेत्र उच्च तीव्रता का लाभ उठा सकते हैं।
  • क्लस्टर 3 के लिए: केवल फंडिंग बढ़ाना अप्रभावी है; नीति को वित्तीय हस्तांतरण बढ़ाने से पहले अवशोषण क्षमता (मानव पूंजी, संस्थान) बनाने पर ध्यान केंद्रित करना चाहिए।
• पद्धतिगत प्रभाव: यह शोध पत्र उन शोधकर्ताओं के लिए एक मजबूत टूलकिट प्रदान करता है जो अवलोकनात्मक डेटा में सतत उपचारों के साथ काम कर रहे हैं जहाँ विषमता संरचनात्मक है न कि केवल देखे गए सहचरों का एक कार्य। यह विश्लेषण को स्थानीयकृत करके "पॉजिटिविटी उल्लंघन" की समस्या का समाधान करता है।
• भावी दिशाएँ: लेखक भविष्य के कार्यों के लिए गैर-पैरामीट्रिक आउटकम मॉडल और क्लस्टरिंग धारणा की वैधता के लिए औपचारिक सांख्यिकीय परीक्षणों का पता लगाने का सुझाव देते हैं।

संक्षेप में, यह शोध पत्र तर्क देता है कि सतत उपचार प्रभावों में विषमता अक्सर संरचनात्मक और रेजीम-आधारित होती है। एक क्लस्टर-आधारित ढांचे को अपनाकर, शोधकर्ता उन विशिष्ट कारण तंत्रों को उजागर कर सकते हैं जो अन्यथा वैश्विक ADRF द्वारा अस्पष्ट हो जाते हैं, जिससे अधिक सटीक कारण अनुमान और सूक्ष्म, प्रभावी नीति डिजाइन संभव होता है।