📊 statistics

Combining BART and Principal Stratification to estimate the effect of intermediate variables on primary outcomes with application to estimating the effect of family planning on employment in Nigeria and Senegal

यह शोध पत्र आधुनिक गर्भनिरोधक उपयोग के सशक्तिकरण परिणामों पर कारण प्रभाव (causal effect) का अनुमान लगाने और उसे सामान्य बनाने के लिए 'बेयसियन एडिटिव रिग्रेशन ट्रीज़' (BART) को 'प्रिंसिपल स्ट्रैटिफिकेशन' के साथ संयोजित करने वाली एक नवीन दो-चरणीय कार्यप्रणाली प्रस्तावित और मान्य करता है, जो नाइजीरिया और सेनेगल की शहरी महिलाओं के बीच रोजगार डेटा में इसके अनुप्रयोग को प्रदर्शित करता है।

मूल लेखक: Lucas Godoy Garraza, Ilene Speizer, Leontine Alkema

प्रकाशित 2026-03-31

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Lucas Godoy Garraza, Ilene Speizer, Leontine Alkema

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

मुख्य तस्वीर: बेहतर जवाबों के लिए एक रेसिपी

कल्पना कीजिए कि आप एक शेफ हैं जो यह पता लगाने की कोशिश कर रहे हैं कि क्या एक नया, गुप्त मसाला (मान लीजिए, "फैमिली प्लानिंग") आपके ग्राहकों (महिलाओं) के लिए नौकरी (रोजगार) मिलने की संभावना को बढ़ाता है।

आपके पास एक समस्या है: आप अपने आधे ग्राहकों को जबरदस्ती वह मसाला खिला नहीं सकते और न ही बाकी आधे को उससे दूर रख सकते हैं, क्योंकि यह अनैतिक और असंभव है। इसके बजाय, आपके पास एक "प्रमोटर" (एक रेडियो शो या सामुदायिक कार्यक्रम) है जो कुछ लोगों को वह मसाला आज़माने के लिए उत्साहित करता है।

इस पेपर में शोधकर्ता दो पेचीदा सवालों के जवाब देने की कोशिश कर रहे हैं:

"कौन" वाला सवाल: क्या उस मसाले ने वास्तव में उन लोगों की मदद की जिन्होंने प्रमोटर को सुना और उसे आज़माया? (और क्या वे लोग बाकी सभी से अलग हैं?)
"कहाँ" वाला सवाल: यदि वह मसाला उस विशिष्ट समूह के लिए काम करता है, तो क्या वह देश की सभी महिलाओं के लिए भी काम करेगा, जिनमें वे भी शामिल हैं जिन्होंने रेडियो शो नहीं सुना?

इसे हल करने के लिए, उन्होंने एक नई कुकिंग विधि बनाई जिसे "प्रिंस BART जनरलाइज्ड" कहा जाता है। आइए इसे समझते हैं।

भाग 1: "कॉम्प्लायर" (Complier) की समस्या (वास्तव में किसने सुना?)

असल दुनिया में, हर कोई रेडियो शो नहीं सुनता।

"कॉम्प्लायर्स" (Compliers): वे महिलाएँ जो पहले गर्भनिरोधक (contraception) का उपयोग नहीं कर रही थीं, उन्होंने शो सुना और फिर इसका उपयोग करना शुरू किया।
"नेवर-टेकर्स" (Never-takers): वे महिलाएँ जिन्होंने शो सुना लेकिन कहा, "नहीं धन्यवाद," और इसका उपयोग नहीं किया।
"ऑलवेज-टेकर्स" (Always-takers): वे महिलाएँ जो शो के बावजूद भी इसका उपयोग करने वाली थीं।

जाल: यदि आप केवल "उपयोगकर्ताओं" बनाम "गैर-उपयोगकर्ताओं" की तुलना करते हैं, तो आपको एक उलझा हुआ परिणाम मिलेगा। क्यों? क्योंकि जो महिलाएँ गर्भनिरोधक का उपयोग करने का चुनाव करती हैं, वे शायद पहले से ही अधिक महत्वाकांक्षी, शिक्षित या प्रेरित होती हैं। यह मैराथन धावियों की तुलना करने जैसा है कि क्या दौड़ने वाले जूते उन्हें तेज़ बनाते हैं। जूते मदद तो कर सकते हैं, लेकिन धावक पहले से ही फिट थे!

समाधान (प्रिंसिपल स्ट्रैटिफिकेशन - Principal Stratification):
शोधकर्ताओं ने केवल "कॉम्प्लायर्स" पर ध्यान केंद्रित करने का निर्णय लिया—वे लोग जिनका व्यवहार कार्यक्रम के कारण बदला। उन्होंने रेडियो शो को केवल एक उपचार (treatment) के बजाय एक "धक्के" (nudge/instrument) के रूप में देखा।

उपकरण (BART):
यह पता लगाने के लिए कि ये कॉम्प्लायर्स कौन थे और इस मसाले ने उन्हें कैसे प्रभावित किया, उन्होंने BART (बेयसियन एडिटिव रिग्रेशन ट्रीज़) नामक एक फैंसी कंप्यूटर एल्गोरिदम का उपयोग किया।

उपमा: कल्पना कीजिए कि आप मौसम की भविष्यवाणी करने की कोशिश कर रहे हैं। एक साधारण लीनियर मॉडल ऐसा है जैसे कहना, "यदि तापमान 10 डिग्री बढ़ जाता है, तो बारिश होगी।" यह बहुत सरल है।
BART 200 अलग-अलग मौसम विज्ञानियों की एक टीम की तरह है, जिनमें से प्रत्येक आकाश के एक छोटे, विशिष्ट हिस्से (बादल, हवा, नमी, वायुमंडलीय दबाव) को देख रहा है और एक छोटा सा अनुमान लगा रहा है। वे अपने सभी छोटे अनुमानों को मिलाकर एक अविश्वसनीय रूप से सटीक भविष्यवाणी करते हैं।
इस पेपर में, BART सैकड़ों विवरणों (आयु, शिक्षा, धन, धर्म, पिछली नौकरियाँ) को देखता है ताकि यह पता लगाया जा सके कि कौन सी महिलाएँ "कॉम्प्लायर्स" हैं और उस मसाले ने उनकी कितनी मदद की।

परिणाम: उन्होंने पाया कि उन महिलाओं के लिए जिन्हें गर्भनिरोधक के उपयोग के लिए प्रेरित किया गया था, उनके नौकरी पाने की संभावना काफी बढ़ गई।

भाग 2: "जनरलाइजेशन" (Generalization) की समस्या (क्या यह सबके लिए काम करता है?)

यहाँ दूसरा अवरोध है। अध्ययन के "कॉम्प्लायर्स" पूरे देश की औसत महिला से बहुत अलग हो सकते हैं।

उपमा: कल्पना कीजिए कि आपने एक ग्रीनहाउस में मिट्टी के एक छोटे से पैच पर एक नया उर्वरक (fertilizer) टेस्ट किया। पौधे बहुत बड़े हो गए! लेकिन क्या वह उर्वरक पूरे रेगिस्तान की सूखी, पथरीली मिट्टी में भी काम करेगा? शायद नहीं। अध्ययन के "कॉम्प्लायर्स" अधिक शिक्षित या शहरों में रहने वाले हो सकते हैं, जबकि "टारगेट पॉपुलेशन" में ग्रामीण महिलाएँ शामिल हैं जिनकी चुनौतियाँ अलग हैं।

समाधान (बेयसियन बूटस्ट्रैप - Bayesian Bootstrap):
शोधकर्ता अपने "ग्रीनहाउस" (अध्ययन शहरों) के निष्कर्षों को "रेगिस्तान" (पूरे देश) पर लागू करना चाहते थे।

उन्होंने एक विशाल राष्ट्रीय सर्वेक्षण (DHS) का उपयोग किया जिसमें देश के सभी लोगों का डेटा है।
उन्होंने बेयसियन बूटस्ट्रैप नामक एक सांख्यिकीय ट्रिक का उपयोग किया।
उपमा: कल्पना कीजिए कि आपके पास अध्ययन की महिलाओं का प्रतिनिधित्व करने वाली कंचों (marbles) की एक थैली है। आप जानना चाहते हैं कि पूरे देश के लिए कंचों की थैली कैसी दिखती है। आप राष्ट्रीय सर्वेक्षण से मुट्ठी भर कंचे लेते हैं, उनके रंगों (आयु, शिक्षा जैसे कोवेरिएट्स) को देखते हैं, और फिर आप पूरे देश की आबादी का एक सटीक, लचीला नक्शा बनाने के लिए उन्हें हजारों बार "रीसैंपल" करते हैं।
फिर उन्होंने "कॉम्प्लायर्स" के बारे में अपने विशिष्ट निष्कर्षों को इस नए नक्शे पर "उड़ेला"। उन्होंने पूछा: "यदि हम इस पूरे देश के लोगों के इस विशिष्ट मिश्रण पर अपना मसाला लागू करें, तो क्या होगा?"

परिणाम:

नाइजीरिया में: पूरे देश पर लागू होने पर प्रभाव अध्ययन समूह की तुलना में और भी अधिक मजबूत था। ऐसा इसलिए था क्योंकि अध्ययन समूह में ऐसी बहुत सी महिलाएँ थीं जो पहले से ही नौकरी पाने के लिए संघर्ष कर रही थीं, लेकिन व्यापक आबादी में कई ऐसी महिलाएँ भी शामिल थीं जो काम शुरू करने के लिए बस सही अवसर (गर्भनिरोधक) का इंतज़ार कर रही थीं।
सेनेगल में: दोनों समूहों में प्रभाव समान था। जनसंख्या अधिक एकसमान थी, इसलिए अध्ययन के परिणाम अच्छी तरह से अनुवादित हुए।

भाग 3: "क्या होगा अगर?" जाँच (Robustness)

शोधकर्ता जानते थे कि वे कुछ बड़े अनुमान लगा रहे हैं। इसलिए, उन्होंने "डेविल्स एडवोकेट" (विपक्षी तर्क देने वाला) की भूमिका निभाई।

उपमा: उन्होंने पूछा, "क्या होगा यदि कोई गुप्त सामग्री है जिसे हमने मापा नहीं है? क्या होगा यदि वे शहर जहाँ कार्यक्रम चला, स्वाभाविक रूप से नौकरी पैदा करने में बेहतर थे, चाहे मसाला हो या न हो?"
उन्होंने यह देखने के लिए सिमुलेशन चलाया कि उनके परिणामों को मिटाने के लिए कितने "गुप्त तत्व" की आवश्यकता होगी।
फैसला: उन्होंने पाया कि उनके परिणामों को गलत साबित करने के लिए, एक बहुत बड़ी, अदृश्य शक्ति (जैसे कि शहर-स्तरीय प्रेरणा का कोई सुपर-पावरफुल कारक) की आवश्यकता होगी जिसे उन्होंने पूरी तरह से मिस कर दिया। चूंकि ऐसा होना असंभवी लगता है, इसलिए वे आश्वस्त हैं कि उनके परिणाम वास्तविक हैं।

मुख्य निष्कर्ष (The Takeaway)

यह पेपर कॉज़ल इन्फरेंस (Causal Inference) का एक मास्टरक्लास है। यह दिखाता है कि:

फैमिली प्लानिंग काम करती है: जब महिलाएँ अपनी प्रजनन क्षमता पर नियंत्रण पाती हैं, तो उनके कार्यबल में शामिल होने की संभावना बहुत बढ़ जाती है।
यह केवल कार्यक्रम के बारे में नहीं है: अध्ययन में शामिल महिलाएँ एक विशिष्ट समूह थीं, लेकिन गर्भनिरोधक के लाभ नाइजीरिया और सेनेगल की व्यापक आबादी पर लागू होने पर और भी अधिक हो सकते हैं।
नए उपकरणों की आवश्यकता है: पुराने, सरल गणित (लीनियर समीकरण) मानवीय व्यवहार की जटिलता को संभालने के लिए पर्याप्त नहीं थे। "पेड़ों के जंगल" (BART) और "रीसैंपलिंग मैप्स" (बेयसियन बूटस्ट्रैप) का उपयोग करके, शोधकर्ता उस सच्चाई को देख सके जिसे सरल तरीकों ने मिस कर दिया होता।

संक्षेप में: महिलाओं को उनके परिवार की योजना बनाने की शक्ति देना एक शक्तिशाली आर्थिक इंजन है, और यह पेपर इसे साबित करने के लिए एक परिष्कृत, विश्वसनीय तरीका प्रदान करता है।

यहाँ शोध पत्र "प्राथमिक परिणामों पर मध्यवर्ती चरों के प्रभाव का अनुमान लगाने के लिए BART और प्रिंसिपल स्ट्रैटिफिकेशन (Principal Stratification) को जोड़ना: नाइजीरिया और सेनेगल में परिवार नियोजन के रोजगार पर प्रभाव का अनुमान लगाने के अनुप्रयोग के साथ" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र कारण अनुमान (causal inference) की दो परस्पर जुड़ी चुनौतियों को संबोधित करता है:

आंतरिक वैधता (Internal Validity - कंप्लायर प्रभाव का अनुमान लगाना): उन अवलोकन संबंधी अध्ययनों (observational studies) में जहाँ उपचार (आधुनिक गर्भनिरोधक का उपयोग) यादृच्छिक (randomized) नहीं है, लेकिन एक "प्रोत्साहन" (परिवार नियोजन कार्यक्रम) एक इंस्ट्रूमेंटल वेरिएबल (IV) के रूप में कार्य करता है, शोधकर्ता उपचार का परिणाम (रोजगार) पर पड़ने वाले कारण प्रभाव का अनुमान लगाने का लक्ष्य रखते हैं। मानक IV अनुमानक (जैसे टू-स्टेज लीस्ट स्क्वायर्स, 2SLS) अक्सर रैखिक धारणाओं (linear assumptions) पर निर्भर करते हैं जो जटिल गैर-रैखिकता (non-linearities) और प्रभाव विषमता (effect heterogeneity) को पकड़ने में विफल रहते हैं। इसके अलावा, यह प्रभाव केवल "कंप्लायर्स" (compliers) के लिए ही पहचाने जाने योग्य है—वे व्यक्ति जिनका उपचार की स्थिति 'इंस्ट्रूमेंट' के कारण बदल जाती है।
बाह्य वैधता (External Validity - सामान्यीकरण): एक विशिष्ट अध्ययन (जैसे, नाइजीरिया/सेनेगल के विशिष्ट शहर) में पहचाना गया "कंप्लायर" उप-जनसंख्या अक्सर व्यापक लक्षित जनसंख्या (जैसे, देश की सभी शहरी महिलाएँ) से व्यवस्थित रूप से भिन्न होती है। सह-चरों (covariates) के वितरण में ये अंतर (प्रभाव संशोधक/effect modifiers) यह सुनिश्चित करते हैं कि अध्ययन नमूने में अनुमानित 'लोकल एवरेज ट्रीटमेंट इफेक्ट' (LATE), लक्षित जनसंख्या के 'पॉपुलेशन एवरेज ट्रीटमेंट इफेक्ट' (PATE) के बराबर नहीं होगा।

लेखक एक एकीकृत ढांचे का प्रस्ताव करते हैं जो लचीले ढंग से कंप्लायर-विशिष्ट कंडीशनल एवरेज ट्रीटमेंट इफेक्ट्स (CATEs) का अनुमान लगाता है और फिर बाहरी सर्वेक्षण डेटा का उपयोग करके इन परिणामों को एक व्यापक लक्षित जनसंख्या तक सामान्यीकृत करता है, जबकि अनिश्चितता और जटिल नमूनाकरण डिजाइनों का कड़ाई से लेखा-जोखा रखता है।

2. कार्यप्रणाली: "प्रिंस BART जनरालाइज्ड" (PBG) दृष्टिकोण

लेखक एक दो-चरणीय बेयसियन नॉनपैरामेट्रिक दृष्टिकोण प्रस्तावित करते हैं:

चरण 1: आंतरिक वैधता (स्रोत नमूने में CATEs का अनुमान लगाना)

ढांचा: लेखक लेटेंट स्ट्रेटा (compliers, never-takers, always-takers, defiers) को परिभाषित करने के लिए प्रिंसिपल स्ट्रैटिफिकेशन (PS) का उपयोग करते हैं। लक्ष्य कंप्लायर्स के लिए CATE का अनुमान लगाना है: $CATE_c(x) = E[Y(1) - Y(0) | X=x, G=c]$ ।
मॉडलिंग: पैरामीट्रिक लॉजिस्टिक रिग्रेशन के बजाय, वे बेयसियन एडिटिव रिग्रेशन ट्रीज़ (BART) का उपयोग करते हैं।
- मिश्रण मॉडल (Mixture Model): वे एक बेयसियन मिश्रण मॉडल का उपयोग करते हैं जहाँ कुछ इकाइयों के लिए लेटेंट स्ट्रैटम सदस्यता ( $G^*$ ) अज्ञात होती है।
- BART कार्यान्वयन: BART का उपयोग निम्नलिखित के लिए किया जाता है:
  1. सह-चरों के आधार पर कंप्लायर होने की संभावना ( $P(G^*=c|X)$ )।
  2. स्ट्रैटम, इंस्ट्रूमेंट और सह-चरों के आधार पर परिणाम की संभावना ( $P(Y|G^*, Z, X)$ )।
- डेटा ऑग्मेंटेशन (DA): एक मार्कोव चेन मोंटे कार्लो (MCMC) एल्गोरिदम लेटेंट स्ट्रैटम सदस्यता को भरने (imputing) और BART मॉडलों को अपडेट करने के बीच पुनरावृत्ति (iterate) करता है।
- प्रोपेंसिटी स्कोर एडजस्टमेंट: रेगुलराइजेशन-प्रेरित कन्फाउंडिंग को रोकने के लिए, अनुमानित इंस्ट्रूमेंट प्रोपेंसिटी स्कोर ( $\hat{e}(X)$ ) को BART मॉडलों में एक सह-चर के रूप में शामिल किया गया है।
- ओवरलैप प्रवर्तन: व्यावहारिक ओवरलैप सुनिश्चित करने के लिए [0.1, 0.9] के बाहर के चरम प्रोपेंसिटी स्कोर वाली अवलोकनों को ट्रिम (trim) किया गया है।

चरण 2: बाह्य वैधता (लक्षित जनसंख्या तक सामान्यीकरण)

लक्ष्य: लक्षित जनसंख्या के सह-चर वितरण ( $P_{target}(X)$ ) पर अनुमानित CATEs का औसत निकालकर PATE का अनुमान लगाना।
डेटा स्रोत: लक्षित जनसंख्या का सह-चर वितरण बड़े, जटिल सर्वेक्षण डेटा (डेमोग्राफिक एंड हेल्थ सर्वे - DHS) से प्राप्त किया जाता है, जो एक स्तरित दो-चरणीय क्लस्टर सैंपलिंग का उपयोग करता है।
स्केल्ड बेयसियन बूटस्ट्रैप (BB):
- मानक बेयसियन बूटस्ट्रैप i.i.d. डेटा मानता है, जो जटिल सर्वेक्षण डिजाइनों के लिए अमान्य है।
- लेखक एक स्केल्ड बेयसियन बूटस्ट्रैप प्रस्तावित करते हैं जो आकार के अनुपात में और सर्वेक्षण भार (weights) के साथ प्राथमिक सैंपलिंग यूनिट्स (PSUs) को पुनः नमूना (resample) करता है।
- यह लक्षित जनसंख्या के सह-चर वितरण $P_{target}(X)$ के पोस्टीरियर ड्रॉ (posterior draws) उत्पन्न करता है।
सामान्यीकरण: CATE फंक्शन के प्रत्येक पोस्टीरियर ड्रॉ और लक्षित सह-चर वितरण के लिए, PATE की गणना की जाती है:
$PATE = \int CATE_c(x) dP_{target}(x)$
लुप्त सह-चर (Missing Covariates): उन सह-चरों के लिए जो स्रोत अध्ययन (MLE) में मौजूद हैं लेकिन लक्षित सर्वेक्षण (DHS) में अनुपस्थित हैं (जैसे, विशिष्ट FP दृष्टिकोण), लेखक देखे गए सह-चरों के आधार पर लक्षित जनसंख्या में इन मूल्यों की भविष्यवाणी करने के लिए BART-आधारित मल्टीपल इम्प्यूटेशन रणनीति का उपयोग करते हैं।

3. मुख्य योगदान

BART और प्रिंसिपल स्ट्रैटिफिकेशन का एकीकरण: शोध पत्र "प्रिंस BART" दृष्टिकोण (जो पहले ट्रंकेशन-बाय-डेथ के लिए उपयोग किया गया था) को इंस्ट्रूमेंटल वेरिएबल सेटिंग्स के लिए अनुकूलित करता है। यह प्रतिबंधात्मक रैखिक कार्यात्मक रूपों पर निर्भर किए बिना विषम उपचार प्रभावों (heterogeneous treatment effects) के लचीले, नॉनपैरामेट्रिक अनुमान की अनुमति देता है।
जटिल सर्वेक्षण डेटा के साथ सामान्यीकरण: लेखक विशेष रूप से DHS जैसे राष्ट्रीय सर्वेक्षणों के लिए डिज़ाइन किया गया स्केल्ड बेयसियन बूटस्ट्रैप विकसित करते हैं। यह अध्ययन नमूने से राष्ट्रीय जनसंख्या तक परिणामों को ले जाने (transporting) के लिए वैध अनिश्चितता मात्रा निर्धारण (uncertainty quantification) की अनुमति देता है।
मजबूती ढांचा (Robustness Framework): शोध पत्र संवेदनशीलता विश्लेषण (sensitivity analyses) का एक व्यापक सेट प्रदान करता है:
- आंतरिक: अज्ञात शहर-स्तरीय कन्फाउंडिंग के प्रति संवेदनशीलता (एक कैलिब्रेटेड संवेदनशीलता पैरामीटर का उपयोग करके)।
- बाह्य: "इन्क्लूडेड सपोर्ट" (सह-चर स्थान में ओवरलैप की कमी) और "कंडीशनल ट्रांसपोर्टेबिलिटी" (अज्ञात प्रभाव संशोधक) के उल्लंघन के प्रति संवेदनशीलता।
व्याख्यात्मकता (Interpretability): जटिल BART आउटपुट को सारांशित करने के लिए "सरोगेट शैलो ट्रीज़" (surrogate shallow trees) का उपयोग करना, जो विशिष्ट उपसमूहों की पहचान करते हैं जिनके अलग-अलग उपचार प्रभाव होते हैं।

4. परिणाम

सिमुलेशन अध्ययन

लेखकों ने चार डेटा-जनरेटिंग प्रोसेस (DGPs) में, जिनमें गैर-रैखिकता और प्रभाव विषमता के विभिन्न स्तर थे, प्रिंस BART की तुलना 2SLS, $\kappa$ -वेटिंग और पैरामीट्रिक प्रिंसिपल स्ट्रैटिफिकेशन (PStrata) से की।
निष्कर्ष:
- सरल रैखिक सेटिंग्स में, सभी विधियों ने समान प्रदर्शन किया।
- जटिल सेटिंग्स के साथ गैर-रैखिकता और विषमता (डिज़ाइन C और D) में, प्रिंस BART और $\kappa$ -वेटिंग ने मॉडल मिसस्पेसिफिकेशन के कारण गंभीर अंडर-कवरेज से जूझ रहे 2SLS और PStrata की तुलना में MSE और कवरेज प्रोबेबिलिटी के मामले में काफी बेहतर प्रदर्शन किया।
- प्रिंस BART ने मॉडल मिसस्पेसिफिकेशन के बावजूद नाममात्र कवरेज स्तरों (95%) को बनाए रखा।

प्रायोगिक अनुप्रयोग: नाइजीरिया और सेनेगल

संदर्भ: MLE (स्रोत) और DHS (लक्ष्य) डेटा का उपयोग करके शहरी महिलाओं में आधुनिक गर्भनिरोधक के उपयोग का रोजगार पर प्रभाव का अनुमान लगाना।
कंप्लायर प्रभाव (स्रोत नमूना):
- नाइजीरिया: प्रिंस BART ने कंप्लायर्स के लिए रोजगार पर 0.37 (SD 0.13) का सकारात्मक प्रभाव अनुमानित किया।
- सेनेगल: प्रिंस BART ने 0.47 (SD 0.16) का सकारात्मक प्रभाव अनुमानित किया।
- नोट: मानक 2SLS और $\kappa$ -वेटिंग ने सेनेगल में तार्किक सीमा (जैसे, >1) के बाहर के अनुमान दिए, जो इस संदर्भ में रेशियो एस्टिमेटर की अस्थिरता को दर्शाता है।
विषमता (Heterogeneity): महत्वपूर्ण विषमता पाई गई। नाइजीरिया में, सबसे बड़े प्रभाव उन विवाहित महिलाओं में थे जिन्होंने प्राथमिक शिक्षा या उससे कम प्राप्त की थी और पहले काम किया था। सबसे छोटे (या नकारात्मक) प्रभाव कभी-विवाहित, धनी महिलाओं में थे जिन्होंने पहले काम नहीं किया था।
सामान्यीकृत प्रभाव (लक्षित जनसंख्या):
- नाइजीरिया: PATE का अनुमान 0.50–0.53 लगाया गया, जो स्रोत नमूने के LATE (0.37) से उल्लेखनीय रूप से अधिक है। ऐसा इसलिए है क्योंकि लक्षित जनसंख्या में ऐसे उपसमूहों (जैसे, विवाहित, कम शिक्षा) का उच्च अनुपात है जो अधिक लाभान्वित होते हैं।
- सेनेगल: PATE (0.48) स्रोत LATE (0.47) के समान था, जो अधिक सजातीय जनसंख्या संरचना को दर्शाता है।
मजबूती (Robustness):
- अज्ञात शहर-स्तरीय कन्फाउंडिंग के प्रति संवेदनशीलता ने सुझाव दिया कि कन्फाउंडर्स को देखे गए अवशिष्ट परिवर्तनशीलता (residual variability) से कई गुना अधिक मजबूत होना पड़ेगा ताकि परिणामों को शून्य किया जा सके।
- "लैक ऑफ सपोर्ट" (ग्रामीण महिलाओं के लिए एक्सट्रपलेशन) के प्रति संवेदनशीलता ने दिखाया कि अनरप्रेजेंटेड समूहों के लिए शून्य प्रभाव मानकर भी, PATE सकारात्मक और पर्याप्त बना हुआ।

5. महत्व

नीतिगत प्रासंगिकता: यह अध्ययन मजबूत साक्ष्य प्रदान करता है कि आधुनिक गर्भनिरोधक का उपयोग नाइजीरिया और सेनेगल में महिला रोजगार को महत्वपूर्ण रूप से बढ़ाता है। महत्वपूर्ण रूप से, यह प्रदर्शित करता है कि विशिष्ट अध्ययन नमूने की तुलना में सामान्य जनसंख्या में लाभ अधिक होने की संभावना है।
मेथोडोलॉजिकल प्रगति: शोध पत्र उन शोधकर्ताओं के लिए एक व्यावहारिक, लचीला टूलकिट प्रदान करता है जो निम्नलिखित से जूझ रहे हैं:
- इंस्ट्रूमेंट्स के साथ गैर-यादृच्छिक उपचार।
- अत्यधिक विषम उपचार प्रभाव।
- जटिल सर्वेक्षण डेटा का उपयोग करके निष्कर्षों को राष्ट्रीय आबादी तक सामान्यीकृत करने की आवश्यकता।
IV की सीमाओं को संबोधित करना: रैखिक IV धारणाओं से दूर हटकर, यह दृष्टिकोण पारंपरिक IV विधियों में सामान्य "रेशियो एस्टिमेटर" की खामियों (अनबाउंड अनुमान, उच्च विचरण) से बचता है, जिससे नीति-निर्माण के लिए अधिक विश्वसनीय और व्याख्या योग्य कारण अनुमान प्राप्त होते हैं।

निष्कर्षतः, यह शोध पत्र सफलतापूर्वक प्रदर्शित करता है कि बेयसियन नॉनपैरामेट्रिक रिग्रेशन (BART) को प्रिंसिपल स्ट्रैटिफिकेशन और जटिल सर्वेक्षणों के लिए एक संशोधित बेयसियन बूटस्ट्रैप के साथ जोड़ने से वास्तविक दुनिया के सार्वजनिक स्वास्थ्य और सामाजिक विज्ञान सेटिंग्स में कारण प्रभावों का अनुमान लगाने और उन्हें सामान्यीकृत करने के लिए एक शक्तिशाली, मजबूत ढांचा प्रदान होता है।