📈 economics

A Neyman-Orthogonalization Approach to the Incidental Parameter Problem in Likelihood Models

यह शोधपत्र एक ऐसी विधि प्रस्तावित करता है जो मनमाने क्रम $q$ तक अनिश्चित मापदंडों (nuisance parameters) के प्रति ऑर्थोगोनल (orthogonal) होने वाले लाइकलीहुड-आधारित अनुमानित समीकरणों का निर्माण करती है, जिससे फिक्स्ड इफेक्ट्स वाले मॉडलों में इंसीडेंटल पैरामीटर समस्या को कम किया जा सके और अनिश्चित रूप से अनुमानित अनिश्चित मापदंडों के बावजूद सुदृढ़ अनुमान (robust inference) सक्षम हो सके।

मूल लेखक: Stéphane Bonhomme, Koen Jochmans, Martin Weidner

प्रकाशित 2026-08-18

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Stéphane Bonhomme, Koen Jochmans, Martin Weidner

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

अर्थशास्त्र की दुनिया में, शोधकर्ता अक्सर यह समझने की कोशिश करते हैं कि विशिष्ट कारक परिणामों को कैसे प्रभावित करते हैं, जैसे कि एक कार्यकर्ता के कौशल का उसके वेतन पर क्या प्रभाव पड़ता है या एक टीम की संरचना उसकी उत्पादकता को कैसे प्रभावित करती है। ऐसा करने के लिए, वे गणितीय मॉडल बनाते हैं जो उन कारकों को अलग करते हैं जिनकी वे परवाह करते हैं, उन अन्य अवांछित चरों से जिन्हें वे मुख्य तस्वीर को धुंधला कर देते हैं। इन अवांछित चरों को 'न्युसेंस पैरामीटर्स' (nuisance parameters) कहा जाता है। कई मामलों में, ये न्युसेंस कारक व्यक्तियों के विशिष्ट होते हैं, जैसे कि किसी विशेष शिक्षक की अनूठी प्रतिभा या किसी एकल शोधकर्ता का विशिष्ट गुण। जब डेटा सीमित होता है, तो इन व्यक्तिगत गुणों का अनुमान लगाना कठिन हो जाता है, और उन्हें अनुमानित करने की त्रुटियां मुख्य कारकों के बारे में अंतिम उत्तर को विकृत कर सकती हैं। यह एक निरंतर समस्या है जिसे 'इन्सिडेंटल पैरामीटर प्रॉब्लम' (incidental parameter problem) के रूप में जाना जाता है। दशकों से, सांख्यिकीविदों ने इस समस्या को ठीक करने के लिए 'ऑर्थोगोनैलिटी' (orthogonality) नामक तकनीक का उपयोग किया है। इस पद्धति में गणना को इस तरह से डिजाइन करना शामिल है कि न्युसेंस कारकों के अनुमान में होने वाली छोटी त्रुटियां मुख्य परिणाम को तुरंत प्रभावित न करें। हालांकि, यह मानक दृष्टिकोण अक्सर तब विफल हो जाता है जब डेटा विरल होता है या व्यक्तिगत गुण बहुत कठिन से पकड़ में आते हैं, जिससे शोधकर्ताओं के निष्कर्ष पक्षपाती हो जाते हैं।

शिकागो विश्वविद्यालय, टुलूज़ स्कूल ऑफ इकोनॉमिक्स और ऑक्सफोर्ड विश्वविद्यालय के अर्थशास्त्रियों की एक टीम ने इस समस्या के लिए एक अधिक शक्तिशाली समाधान विकसित किया है। उन्होंने एक ऐसी विधि बनाई है जो मानक सुधार से आगे बढ़कर गणना को अनुमान त्रुटियों के प्रति सुदृढ़ बनाती है, बशर्ते कि वे त्रुटियां नमूना आकार बढ़ने के साथ एक विशिष्ट दर पर कम हों। केवल गणना के पहले चरण को स्वच्छ बनाने के बजाय, उनका दृष्टिकोण गणना के दूसरे, तीसरे और यहाँ तक कि उच्च स्तर के चरणों को भी स्वच्छ बनाता है। वे इसे 'हायर-ऑर्डर ऑर्थोगोनलाइजेशन' (higher-order orthogonalization) कहते हैं। ऐसा करके, वे उस डेटा का उपयोग कर सकते हैं जहाँ व्यक्तिगत गुणों का अनुमान अनिश्चितता के साथ लगाया गया है और फिर भी मुख्य प्रश्न के लिए एक सटीक उत्तर तक पहुँच सकते हैं, बशर्ते कि अनुमान की त्रुटि नमूना आकार के सापेक्ष पर्याप्त तेजी से कम हो। शोधकर्ताओं ने इस नई तकनीक का परीक्षण वैज्ञानिक अनुसंधान टीमों से जुड़ी एक वास्तविक दुनिया की समस्या पर किया। उन्होंने यह समझने के लिए हजारों शैक्षणिक शोध पत्रों के डेटा का विश्लेषण किया कि शोधकर्ता एक साथ कैसे काम करते हैं। विशेष रूप से, वे यह जानना चाहते थे कि क्या साथी के साथ काम करने से पेपर की गुणवत्ता में सुधार होता है और क्या कुछ शोधकर्ता एक-दूसरे के कौशल के पूरक होते हैं।

शोधकर्ताओं ने अपने नए तकनीक को 1990 और 1999 के बीच अर्थशास्त्र के क्षेत्र में प्रकाशित 91,000 से अधिक लेखों के डेटासेट पर लागू किया। इस डेटा में जानकारी शामिल थी कि प्रत्येक पेपर किसने लिखा था और जर्नल की गुणवत्ता क्या थी। इस परिवेश में, प्रत्येक लेखक के पास एक अद्वितीय, अप्रत्यक्ष क्षमता होती है जो उनके कार्य की गुणवत्ता को प्रभावित करती है। चूंकि कई लेखकों ने इस अवधि के दौरान केवल कुछ ही पेपर प्रकाशित किए थे, इसलिए मानक तरीकों का उपयोग करके उनकी व्यक्तिगत क्षमता को उच्च सटीकता के साथ मापना असंभव था। जब शोधकर्ताओं ने इन व्यक्तिगत क्षमताओं को संभालने के पुराने, मानक तरीके का उपयोग किया, तो परिणाम पक्षपाती थे। मानक पद्धति ने सुझाव दिया कि साथी के साथ काम करने से पेपर की गुणवत्ता बढ़ती है, लेकिन शोधकर्ताओं के बीच की अंतःक्रिया का अनुमान पक्षपाती था। विशेष रूप रूप से, असंतुलित अनुमान 'कॉब-डगलस केस' (Cobb-Douglas case) के करीब था, जो एक विशिष्ट प्रकार के उत्पादन संबंध को दर्शाता है, लेकिन इस पक्षपात ने अंतःक्रिया की वास्तविक प्रकृति को अस्पष्ट कर दिया।

जब शोधकर्ताओं ने अपनी नई, उच्च-क्रम पद्धति को लागू किया, तो तस्वीर काफी बदल गई। नए अनुमानों ने दिखाया कि सह-लेखक होने से गुणवत्ता में मिलने वाला उछाल मानक पद्धति द्वारा सुझाए गए स्तर से अधिक मध्यम था। इससे भी महत्वपूर्ण बात यह है कि नए तरीके ने खुलासा किया कि शोधकर्ता 'प्रतिस्थापनों' (substitutes) के बजाय 'पूरक' (complements) हैं। इसका अर्थ यह है कि जब दो अलग-अलग शक्तियों वाले शोधकर्ता एक साथ काम करते हैं, तो वे अपने व्यक्तिगत हिस्सों के योग से बेहतर काम करते हैं। डेटा ने संकेत दिया कि लेखकों का विशिष्ट संयोजन बहुत गहरा महत्व रखता है। शोधकर्ताओं ने यह भी सिम्युलेट किया कि क्या होता यदि शोधकर्ताओं को अपने साथियों को चुनने के बजाय उन्हें यादृच्छिक रूप से टीमों में जोड़ा जाता। उन्होंने पाया कि यादृच्छिक मिलान से लेखों की औसत गुणवत्ता में उल्लेखनीय गिरावट आती। यह सुझाव देता है कि वर्तमान प्रणाली, जहाँ शोधकर्ता अपने सहयोगियों को चुनते हैं, प्रभावी है क्योंकि यह 'पॉजिटिव सॉर्टिंग' (positive sorting) की अनुमति देती है, जहाँ कुशल शोधकर्ता अन्य कुशल शोधकर्ताओं के साथ मिलकर काम करते हैं।

अध्ययन ने यह भी प्रदर्शित किया कि नया तरीका स्थिर है। जैसे-जैसे शोधकर्ताओं ने अपने सुधार की जटिलता बढ़ाई, परिणाम एक सुसंगत मान पर स्थिर हो गए, जो यह दर्शाता है कि पक्षपात को सफलतापूर्वक हटा दिया गया था। इसके विपरीत, मानक पद्धति ने ऐसे परिणाम दिए जो इस स्थिर मान से बहुत दूर थे। शोधकर्ताओं ने अपने वास्तविक दुनिया के डेटा की नकल करने वाले व्यापक कंप्यूटर सिमुलेशन के माध्यम से अपने निष्कर्षों की पुष्टि की। इन सिमुलेशन ने दिखाया कि उनका दृष्टिकोण वास्तविक अंतर्निहित संबंधों को पुनः प्राप्त कर सकता है, भले ही व्यक्तिगत क्षमताओं का अनुमान बहुत कम डेटा के साथ लगाया गया हो। यह कार्य उन अर्थशास्त्रियों और अन्य सामाजिक वैज्ञानिकों के लिए एक नया उपकरण प्रदान करता है जो कई व्यक्तिगत विशेषताओं वाले जटिल डेटा के साथ काम करते हैं। यह उन्हें उन डेटासेट्स से अधिक विश्वसनीय निष्कर्ष निकालने की अनुमति देता है जो पहले सटीक रूप से विश्लेषण करने के लिए बहुत अव्यवस्थित थे, यह सुनिश्चित करता है कि मानव व्यवहार के बारे में वे जो कहानियाँ सुनाते हैं वे सांख्यिकीय कलाकृतियों के बजाय ठोस आधार पर आधारित हों।

तकनीकी सारांश: लाइक्लीहुड मॉडल में इंसीडेंटल पैरामीटर समस्या के लिए एक नेयमैन-ऑर्थोगोनालाइज़ेशन दृष्टिकोण

1. समस्या विवरण और प्रेरणा
यह शोध पत्र लाइक्लीहुड मॉडल में 'इंसीडेंटल पैरामीटर' (incidental parameter) समस्या को संबोधित करता है, विशेष रूप से उन संदर्भों में जहाँ लक्षित मापदंडों (target parameters) की तुलना में न्युसेंस मापदंडों (nuisance parameters) का आयाम बड़ा होता है, जैसे कि फिक्स्ड इफेक्ट्स वाले पैनल डेटा या नोड-विशिष्ट विषमता वाले नेटवर्क डेटा। इन संदर्भों में, लक्षित मापदंडों (जैसे संरचनात्मक पैरामीटर $\theta_0$ या औसत प्रभाव $\mu_0$ ) के लिए मानक प्लग-इन एस्टिमेटर (plug-in estimators) पर्याप्त पूर्वाग्रह (bias) से ग्रस्त होते हैं क्योंकि न्युसेंस मापदंडों (जैसे फिक्स्ड इफेक्ट्स $\eta_{i0}$ ) का अनुमान उस दर से नहीं लगाया जाता है जो वैध निष्कर्ष (valid inference) के लिए आवश्यक पैरामेट्रिक दर की आवश्यकता को पूरा करता है।

लेखक नोट करते हैं कि प्रथम-क्रम का नेयमैन-ऑर्थोगोनालाइज़ेशन (जहाँ न्युसेंस पैरामीटर के सापेक्ष अनुमानित समीकरण का अपेक्षित प्रथम आंशिक अवकलज शून्य होता है) केवल तभी वैध निष्कर्ष की अनुमति देता है जब न्युसेंस पैरामीटर $n^{-1/4}$ की दर से अभिसरित (converge) होता है; यह स्थिति अक्सर उच्च-आयामी सेटिंग्स में विफल हो जाती है। उदाहरण के लिए, $N$ इकाइयों और $T$ अवधियों वाले पैनल डेटा में, फिक्स्ड इफेक्ट्स $T^{-1/2}$ की दर से अभिसरित होते हैं। प्रथम-क्रम का ऑर्थोगोनालाइज़ेशन इस सेटिंग में इंसीडेंटल पैरामीटर समस्या को हल करने के लिए पर्याप्त नहीं है। फलस्वरूप, केवल प्रथम-क्रम का ऑर्थोगोनालाइज़ेशन इन सेटिंग्स में वैध निष्कर्ष के लिए पर्याप्त नहीं है।

2. कार्यप्रणाली (Methodology)
लेखक कंडीशनल-लाइक्लीहुड ढांचे के भीतर नेयमैन-ऑर्थोगोनालाइज़ेशन के एक उच्च-क्रम सामान्यीकरण (higher-order generalization) का प्रस्ताव करते हैं।

उच्च-क्रम ऑर्थोगोनालिटी (Higher-Order Orthogonality): एक अनुमानित समीकरण $u(Z; \theta, \eta, \mu)$ को $q$ -क्रम तक नेयमैन-ऑर्थोगोनल तब कहा जाता है जब न्युसेंस पैरामीटर $\eta$ के सापेक्ष इसके प्रथम $q$ आंशिक अवकलजों का अपेक्षित मान शून्य होता है:
$E\left[ \nabla^q_\eta u(Z; \theta_0, \eta_0, \mu_0) \right] = 0$
जहाँ $\nabla^q_\eta$ क्रम $q$ तक के सभी आंशिक अवकलजों का वेक्टर है। सैंपल स्प्लिटिंग (या क्रॉस-फिटिंग) के साथ संयोजन करने पर, यह गुण सुनिश्चित करता है कि न्युसेंस पैरामीटर $\hat{\eta}$ में अनुमान त्रुटि (estimation error) लक्षित पैरामीटर एस्टिमेटर को $O_p(|\hat{\eta} - \eta_0|^{q+1})$ की दर से प्रभावित करती है। यह $\hat{\eta}$ के अभिसरण (convergence) की आवश्यकता को $o_p(n^{-1/2(q+1)})$ तक शिथिल (relax) कर देता है, जिससे $N = o(T^q)$ की स्थिति में भी वैध निष्कर्ष संभव हो जाता है।
भट्टाचर्य बेसिस (Bhattacharyya Basis) के माध्यम से निर्माण: शोध पत्र ऐसे उच्च-क्रम के ऑर्थोगोनल फंक्शन उत्पन्न करने के लिए एक रचनात्मक विधि प्रदान करता है। कंडीशनल लाइक्लीहुड $\ell(y|x; \theta, \eta)$ का लाभ उठाते हुए, लेखक भट्टाचर्य बेसिस फंक्शन्स $v_p$ का उपयोग करते हैं, जो लॉग-लाइक्लीहुड द्वारा सामान्यीकृत (normalized) $p$ -वें क्रम के अवकलज हैं। इन बेसिस फंक्शन्स का सशर्त माध्य (conditional mean) शून्य होता है।
थ्योरम 1 स्थापित करता है कि एक नया मोमेंट फंक्शन $u^*_q$ निर्मित किया जा सकता है, जो मूल मोमेंट फंक्शन $u$ को पहले $q$ भट्टाचर्य बेसिस फंक्शन्स ( $w_q$ ) द्वारा स्पैन किए गए स्थान पर प्रोजेक्ट करके प्राप्त होता है। विशेष रूप से:
$u^*_q(z; \theta, \eta, \mu) = u(z; \theta, \eta, \mu) - A(x; \theta, \eta, \mu)^\top w_q(z; \eta)$
जहाँ $A$ को बेसिस फंक्शन्स और मोमेंट फंक्शन के कंडीशनल कोवेरिएंस मैट्रिसेस से प्राप्त किया गया है। यह निर्माण स्मॉल और मैक्लीश (1989) तथा वॉटरमैन और लिंडसे (1996) के प्रोजेक्टेड स्कोर का सामान्यीकरण है, जो किसी भी क्रम $q$ और सामान्य लक्षित मापदंडों (केवल $\theta$ ही नहीं) के लिए लागू होता है।
अनुमान प्रक्रिया (Estimation Procedure): लक्षित पैरामीटर का अनुमान $u^*_q$ पर आधारित सामान्यीकृत विधि (GMM) का उपयोग करके लगाया जाता है, जिसमें सैंपल स्प्लिटिंग के माध्यम से प्राप्त प्रारंभिक एस्टिमेटर्स $\hat{\eta}_i$ का उपयोग किया जाता है। लेखक इस बात पर जोर देते हैं कि कंडीशनल-लाइक्लीहुड संरचना अत्यंत महत्वपूर्ण है, क्योंकि यह बिना किसी अतिरिक्त न्युसेंस पैरामीटर को जोड़े (जो उच्च क्रमों के समीकरणों को हल करने के लिए आवश्यक होते) उच्च-क्रम के समीकरणों के निर्माण की अनुमति देती है।

3. मुख्य योगदान

सामान्य निर्माण: शोध पत्र कंडीशनल-लाइक्लीहुड मॉडल में किसी भी चुने गए क्रम $q$ के प्रति ऑर्थोगोनल अनुमानित समीकरणों को बनाने के लिए एक सामान्य, क्लोज्ड-फॉर्म प्रक्रिया प्रदान करता है।
अभिसरण दरों का शिथिल होना (Relaxation of Convergence Rates): ऑर्थोगोनालिटी के क्रम $q$ को बढ़ाकर, यह विधि न्युसेंस पैरामीटर्स के लिए आवश्यक अभिसरण दर को काफी कम कर देती है, जिससे उन सेटिंग्स में वैध निष्कर्ष संभव हो जाता है जहाँ $N, T$ की तुलना में बहुत बड़ा है (जैसे, $N = o(T^q)$ )।
ओवरलैपिंग फिक्स्ड इफेक्ट्स को संभालना: यह कार्यप्रणाली जटिल डेटा संरचनाओं, जैसे कि नेटवर्क डेटा में "ओवरलैपिंग फिक्स्ड इफेक्ट्स" को समायोजित करती है, जहाँ एक एकल न्युसेंस पैरामीटर कई अवलोकनों (observations) में दिखाई देता है।
नैदानिक उपकरण (Diagnostic Tool): लेखक यह आकलन करने के लिए कि क्या चुना गया ऑर्थोगोनालिटी का क्रम पूर्वाग्रह (bias) को समाप्त करने के लिए पर्याप्त है, $q$ और $q+1$ क्रम के ऑर्थोगोनल मोमेंट फंक्शन्स के बीच के अंतर पर आधारित एक नैदानिक सांख्यिकी (diagnostic statistic) प्रस्तावित करते हैं।

4. अनुभवजन्य परिणाम और चित्रण
शोध पत्र दो प्राथमिक उदाहरणों के माध्यम से पद्धति का प्रदर्शन करता है:

नेयमैन-स्कॉट मॉडल: लेखक प्रदर्शित करते हैं कि जबकि मानक स्कोर प्रथम-क्रम का ऑर्थोगोनल है, फिर भी यह पूर्वाग्रही (biased) रहता है। एक द्वितीय-क्रम का ऑर्थोगोनल स्कोर प्राप्त किया गया है, जो डिग्री-ऑफ-फ्रीडम सुधारे हुए एस्टिमेटर (अर्थात $T$ के बजाय $T-1$ से विभाजित करना) को प्रदान करता है, जो $O(T^{-1})$ पूर्वाग्रह को पूरी तरह से हटा देता है।
टीम प्रोडक्शन (नेटवर्क डेटा): लेखक आर्थिक अनुसंधान सहयोग (Ductor et al., 2014) के डेटा का उपयोग करके एक कॉन्स्टेंट इलास्टिसिटी ऑफ सब्स्टीट्यूशन (CES) प्रोडक्शन फंक्शन का अनुमान लगाने के लिए इस पद्धति को लागू करते हैं। इस मॉडल में रिसर्चर-विशिष्ट फिक्स्ड इफेक्ट्स शामिल हैं।
- निष्कर्ष: मानक प्लग-इन एस्टिमेटर्स और प्रथम-क्रम ऑर्थोगोनलाइज्ड एस्टिमेटर्स अस्थिर या पूर्वाग्रही परिणाम (जैसे, $\gamma \approx 0.13$ के पास सब्स्टीट्यूशन पैरामीटर) देते हैं। उच्च-क्रम ऑर्थोगोनालाइज़्ड एस्टिमेटर्स ( $q \geq 2$ ) $\gamma \approx 0.41-0.47$ के स्थिर अनुमान की ओर अभिसरित होते हैं, जो शोधकर्ताओं के बीच सुपरमॉड्यूलरिटी (पूरकता) का संकेत देते हैं।
- काउंटरफैक्चुअल्स (Counterfactuals): इस पद्धति का उपयोग शोधकर्ताओं के यादृच्छिक पुनर्वितरण (random reallocation) का अनुकरण करने के लिए किया जाता है। परिणाम बताते हैं कि देखे गए आवंटन की तुलना में यादृच्छिक युग्मन (random pairing) लेख की औसत गुणवत्ता को कम कर देगा, जो सकारात्मक सॉर्टिंग और पूरकता द्वारा संचालित है।
- स्थिरता: पैरामीटर और मानक त्रुटियों (standard errors) के अनुमान $q$ के 2 से 6 तक बढ़ने पर स्थिर होते हैं, और इस विशिष्ट अनुप्रयोग में कोई तीव्र बायस-वेरिएंस ट्रेड-ऑफ (bias-variance trade-off) का प्रमाण नहीं मिलता है।

5. महत्व और दावे
शोध पत्र का दावा है कि उच्च-क्रम का नेयमैन-ऑर्थोगोनालाइज़ेशन लाइक्लीहुड मॉडल में इंसीडेंटल पैरामीटर समस्या के लिए एक मजबूत समाधान प्रदान करता है, जहाँ न्युसेंस पैरामीटर्स का अनुमान अपूर्ण रूप से लगाया जाता है। पूर्वाग्रह सुधार विधियों (जैसे हन और न्यूई, 2004) के विपरीत, जो स्पष्ट रूप से पूर्वाग्रह पदों के अनुमान और उन्हें हटाने की आवश्यकता रखती हैं, यह दृष्टिकोण अनुमानित समीकरणों को स्वयं संशोधित करके पूर्वाग्रह को कम करता है।

लेखक इस कार्य को सेमी-पैरामीट्रिक इन्फरेंस और उच्च-आयामी फिक्स्ड-इफेक्ट्स मॉडल के बीच एक सेतु के रूप में देखते हैं। वे नोट करते हैं कि हालांकि यह पद्धति कंडीशनल-लाइक्लीहुड संरचना (विशेष रूप से बार्टलेट आइडेंटिटीज और इंफॉर्मेशन मैट्रिक्स इक्वैलिटी का अस्तित्व) पर निर्भर करती है, फिर भी यह जटिल नेटवर्क संरचनाओं को सफलतापूर्वक संभालती है जहाँ वैकल्पिक समाधान वर्तमान में उपलब्ध नहीं हैं। यह शोध विनम्रतापूर्वक समाप्त होता है, यह स्वीकार करते हुए कि इस दृष्टिकोण के लिए लाइक्लीहुड संरचना का बने रहना आवश्यक है और सामान्य सेमी-पैरामीट्रिक मोमेंट कंडीशन मॉडल (बिना लाइक्लीहुड के) तक इन परिणामों का विस्तार करना भविष्य के शोध का विषय है।

इसी तरह के और पेपर