📊 statistics

Boosting prediction with data missing not at random

यह शोधपत्र लॉस फंक्शन्स (loss functions) को समायोजित करने के लिए फंक्शनल ग्रेडिएंट डिसेंट (functional gradient descent) का उपयोग करते हुए, लुप्त प्रतिक्रियाओं (missing responses) वाले डेटासेट के लिए अर्ध-पैरामीट्रिक बूस्टिंग विधियों का प्रस्ताव और कठोरता से सत्यापन करता है, जिससे एल्गोरिदम का अभिसरण (convergence) और एस्टिमेटर निरंतरता (estimator consistency) सुनिश्चित होती है और साथ ही मजबूत परिमित-नमूना प्रदर्शन (finite-sample performance) प्रदर्शित होता है।

मूल लेखक: Yuan Bian, Grace Y. Yi, Wenqing He

प्रकाशित 2026-02-23

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Yuan Bian, Grace Y. Yi, Wenqing He

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

यहाँ "Boosting Prediction with Data Missing Not at Random" नामक शोध पत्र का सरल, रोज़मर्रा की भाषा और कुछ रचनात्मक उपमाओं के साथ अनुवाद दिया गया है।

बड़ी समस्या: "खामोश" छात्र

कल्पना कीजिए कि आप एक शिक्षक हैं जो यह अनुमान लगाने की कोशिश कर रहे हैं कि कौन से छात्र गणित में 'A' ग्रेड प्राप्त करेंगे, इसके लिए कि वे कितनी पढ़ाई करते हैं और उनकी उपस्थिति कैसी है। आपके पास 100 छात्रों की एक कक्षा है।

आदर्श परिदृश्य (पूर्ण डेटा): आपके पास सभी 100 छात्रों के ग्रेड और पढ़ाई के घंटे उपलब्ध हैं। आप एक सटीक भविष्यवाणी मॉडल बना सकते हैं।
वास्तविक दुनिया (लुप्त डेटा): कुछ छात्रों ने अपनी अंतिम परीक्षा नहीं दी। आपके पास उनके पढ़ाई के घंटों की जानकारी है, लेकिन उनके ग्रेड गायब हैं।

जाल (The Trap):
यदि परीक्षा न देने वाले छात्र केवल संयोगवश अनुपस्थित हैं (जैसे कि वे बीमार थे), तो आप उन्हें अनदेखा कर सकते हैं और उन 80 छात्रों के ग्रेड का उपयोग कर सकते हैं जो उपस्थित हुए। इसे Missing Completely at Random (MCAR) कहा जाता है। यह एक सिक्का उछालने जैसा है; लुप्त डेटा आपको कुछ विशेष नहीं बताता।

असली खतरा (MNAR):
लेकिन क्या होगा यदि परीक्षा न देने वाले वे छात्र हैं जिन्होंने पढ़ाई नहीं की और वे अपने ग्रेड दिखाने में शर्मिंदगी महसूस कर रहे हैं? यह Missing Not at Random (MNAR) है। डेटा का गायब होना खुद उस डेटा के कारण ही हुआ है।

यदि आप लुप्त छात्रों को अनदेखा कर देते हैं और केवल उन 80 छात्रों पर अपना मॉडल बनाते हैं जो उपस्थित हुए, तो आपका मॉडल पक्षपाती (biased) होगा। उसे लगेगा कि "जो थोड़ा भी पढ़ता है, वह 'A' ग्रेड पाता है" क्योंकि कम स्कोर करने वाले, बिना पढ़ाई करने वाले छात्र आपकी नज़रों से छिपे हुए हैं। आपकी भविष्यवाणी करने वाली मशीन खराब है क्योंकि वह एक विकृत वास्तविकता को देख रही है।

समाधान: "सेफ्टी नेट" के साथ बूस्टिंग (Boosting)

इस शोध के लेखक ऐसे सांख्यिकीविद् (statisticians) हैं जो बूस्टिंग (Boosting) नामक एक मशीन लर्निंग तकनीक में विशेषज्ञता रखते हैं।

बूस्टिंग क्या है?
बूस्टिंग को एक रहस्य सुलझाने की कोशिश कर रहे जासूसों की एक टीम के रूप में सोचें।

जासूस 1 सुराग देखता है और एक अनुमान लगाता है। वे आमतौर पर गलत होते हैं, लेकिन बहुत ज़्यादा नहीं।
जासूस 2 देखता है कि जासूस 1 कहाँ गलत था और उन विशिष्ट गलतियों को सुधारने की कोशिश करता है।
जासूस 3 देखता है कि पहले दो कहाँ गलत थे और उन्हें ठीक करता है।
वे एक के बाद एक चलते रहते हैं जब तक कि उनका संयुक्त अनुमान अविश्वसनीय रूप से सटीक नहीं हो जाता।

यह शोध पत्र पूछता है: यदि कुछ सुराग (डेटा) इसलिए गायब हैं क्योंकि अपराधी उन्हें छिपा रहा है, तो हमारे जासूसों की टीम का क्या होगा?

दो नई रणनीतियाँ

लेखक "स्कोरकार्ड" (Loss Function) को समायोजित करने के लिए दो चतुर तरीके प्रस्तावित करते हैं जिसका उपयोग जासूस अपने अनुमानों को आंकने के लिए करते हैं। वे चाहते हैं कि लुप्त छात्र सिस्टम को धोखा न दे सकें।

रणनीति 1: "वेटेड वोट" (Inverse Propensity Weighting - IPW)

कल्पना कीजिए कि आप एक चुनाव में वोटों की गिनती कर रहे हैं, लेकिन कुछ मतदाताओं ने मतदान नहीं किया।

यदि आप जानते हैं कि "युवा लोग" आमतौर पर मतदान नहीं करते हैं, लेकिन आपके पास 10 युवा लोग हैं जिन्होंने मतदान किया है, तो आप कह सकते हैं, "ठीक है, ये 10 वोट वास्तव में 50 युवाओं का प्रतिनिधित्व करते हैं।" आप उनके वोट को अधिक भार (weight) देते हैं।
इस शोध पत्र में, लेखक एक "प्रोपेंसिटी स्कोर" (संभावना) की गणना करते हैं कि किसी छात्र का ग्रेड क्यों गायब है। यदि किसी छात्र के गायब होने की संभावना इसलिए है क्योंकि वह असफल रहा, तो समान गुणों वाले जो छात्र उपस्थित हुए, उन्हें गणना में "भारी वजन" दिया जाता है ताकि वे लुप्त छात्रों का प्रतिनिधित्व कर सकें।
चुनौती: आपको उस सूत्र (formula) का अनुमान लगाना होगा कि लोग क्यों गायब हैं। यदि आपका अनुमान गलत है, तो भार (weights) गलत होंगे, और भविष्यवाणी विफल हो जाएगी।

रणनीति 2: "खाली स्थान भरना" (Buckley-James Type - BJ)

कल्पना कीजिए कि आप लोगों के एक समूह की औसत ऊंचाई का अनुमान लगाने की कोशिश कर रहे हैं, लेकिन सबसे कम ऊंचाई वाले लोग छिप गए हैं।

लुप्त लोगों को अनदेखा करने के बजाय, आप अनुमान लगाते हैं कि उनकी ऊंचाई क्या होती यदि वे दिख रहे होते, उन लोगों के आधार पर जिन्हें आप देख सकते हैं।
आप (Bayes' rule) जैसे गणितीय तरीके का उपयोग करते हैं यह कहने के लिए, "दिखने वाले लोगों के आधार पर, लुप्त लोग शायद ऐसे होते।"
फिर आप इन अनुमानित ऊंचाइयों को अपनी गणना में डाल देते हैं।
चुनौती: इसके लिए आपको लुप्त डेटा के वितरण (distribution) का अनुमान लगाना होगा। यदि "छिपे हुए लोगों" के बारे में आपका अनुमान गलत है, तो आपका अनुमान भी गलत होगा।

"दोनों दुनियाओं का सर्वश्रेष्ठ" दृष्टिकोण

लेखकों को एहसास हुआ कि लुप्त डेटा के सूत्र का अनुमान लगाना कठिन है। इसलिए, उन्होंने एक सेमीपैरामीट्रिक (Semiparametric) दृष्टिकोण का उपयोग किया।

पैरामीट्रिक (Parametric): पूरे सूत्र का अनुमान लगाना (जैसे किसी बादल के सटीक आकार का अनुमान लगाना)।
नॉन-पैरामीट्रिक (Non-parametric): बिना किसी निश्चित आकार को थोपे डेटा को स्वयं बोलने देना (जैसे बादल की बाहरी रेखा को ट्रेस करना)।

उन्होंने इन दोनों को मिला दिया। उन्होंने लुप्त होने के कारणों का अनुमान लगाने के लिए एक लचीले, डेटा-संचालित तरीके का उपयोग किया, बिना किसी कठोर गणितीय आकार को थोपे जो गलत हो सकता था। यह उन्हें बहुत अधिक मजबूत बनाता है। भले ही आपका यह अनुमान कि डेटा क्यों गायब है, एकदम सही न हो, फिर भी यह विधि सही उत्तर खोजने के लिए डिज़ाइन की गई है।

परिणाम: क्या यह काम करता है?

लेखकों ने हजारों कंप्यूटर सिमुलेशन (जैसे 500 अलग-अलग परिदृश्यों के साथ एक वीडियो गेम चलाना) चलाए।

जब डेटा यादृच्छिक रूप से (randomly) गायब होता है: उनकी नई विधि पुराने मानक तरीकों की तरह ही अच्छी तरह काम करती है।
जब डेटा यादृच्छिक रूप से गायब नहीं होता (कठिन हिस्सा):
- पुराना तरीका (लुप्त डेटा को अनदेखा करना) बुरी तरह विफल रहा, जिससे पक्षपाती और गलत भविष्यवाणियां हुईं।
- नए तरीकों (IPW और BJ) ने सफलतापूर्वक इस पक्षपात को सुधारा। उन्होंने "छिपे हुए छात्रों" को देखा और भविष्यवाणी को तदनुसार समायोजित किया।
- उन्होंने गणितीय रूप से सिद्ध किया कि जैसे-जैसे उनके पास डेटा बढ़ता है, उनकी भविष्यवाणियां सत्य के करीब पहुँचती जाती हैं।

वास्तविक दुनिया का परीक्षण: कोरियाई श्रमिक

अंत में, उन्होंने इसका परीक्षण वास्तविक डेटा पर किया: KLIPS डेटासेट, जो कोरियाई श्रमिकों की आय को ट्रैक करता है।

समस्या: लगभग 30% आय का डेटा गायब था।
संदेह: कम आय वाले लोग अपनी आय बताने में कम इच्छुक थे (MNAR)।
परिणाम: मानक पद्धति ने भविष्यवाणी की कि कम आय वाले श्रमिक वास्तव में जितना कमाते थे उससे अधिक कमाते थे (क्योंकि कम कमाने वाले लोग गायब थे)। नए बूस्टिंग तरीकों ने इसे सुधारा, जिससे आय के वितरण की बहुत अधिक यथार्थवादी तस्वीर मिली।

निष्कर्ष (The Takeaway)

यह शोध पत्र एक मैकेनिक को कार के इंजन को ठीक करने के लिए नए उपकरणों के सेट देने जैसा है, जब कुछ हिस्से जंग खाकर छिपे हुए हों।

पुराना तरीका: जंग लगे हिस्सों को अनदेखा करें और अनुमान लगाएं कि इंजन ठीक काम कर रहा है। (परिणाम: कार खराब हो जाती है)।
नया तरीका: यह अनुमान लगाने के लिए कि छिपे हुए हिस्से क्या कर रहे हैं, एक विशेष "वेटिंग" प्रणाली और "खाली स्थान भरने" वाले तर्क का उपयोग करें, भले ही आप उन्हें देख नहीं सकते। (परिणाम: कार सुचारू रूप से चलती है)।

उन्होंने "बूस्टिंग" मशीन लर्निंग एल्गोरिदम का एक स्मार्ट और अधिक लचीला संस्करण बनाया है जो तब भी धोखा नहीं खाता जब डेटा अपने स्वभाव के कारण छिप जाता है।

यहाँ युआन बियान, ग्रेस वाई. यी, और वेनकिंग हे के शोध पत्र "Boosting Prediction with Data Missing Not at Random" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

संदर्भ (Context): बूस्टिंग एक शक्तिशाली मशीन लर्निंग तकनीक है जो एक मजबूत प्रेडिक्टर बनाने के लिए पुनरावृत्ति (iteratively) रूप से कमजोर लर्नर्स को जोड़ती है। हालाँकि, मानक बूस्टिंग एल्गोरिदम (जैसे, AdaBoost, ग्रेडिएंट बूस्टिंग) यह मान लेते हैं कि डेटासेट पूर्ण है।
चुनौती (The Challenge): कई वास्तविक अनुप्रयोगों में, रिस्पॉन्स वेरिएबल्स ( $Y$ ) मिसिंगनेस (missingness) के अधीन होते हैं।

मिसिंग कम्प्लीटली एट रैंडम (MCAR) / मिसिंग एट रैंडम (MAR): मानक विधियों को अक्सर पूर्ण मामलों (complete cases) पर लागू किया जा सकता है या सरल इम्प्यूटेशन (imputation) का उपयोग किया जा सकता है।
मिसिंग नॉट एट रैंडम (MNAR): मिसिंग होने की संभावना स्वयं $Y$ के अनऑब्जर्व्ड (unobserved) मान पर निर्भर करती है। MNAR डेटा पर सीधे मानक बूस्टिंग लागू करने से बायस्ड एस्टिमेटर्स (biased estimators) और अमान्य भविष्यवाणियाँ होती हैं।
आइडेंटिफिएबिलिटी का मुद्दा (Identifiability Issue): MNAR डेटा एक मौलिक सांख्यिकीय चुनौती पेश करता है: रिस्पॉन्स और मिसिंगनेस मैकेनिज्म का संयुक्त वितरण बिना मजबूत धारणाओं के 'नॉन-आइडेंटिफिएबल' होता है। पारंपरिक दृष्टिकोण अक्सर इंस्ट्रूमेंटल वेरिएबल्स (शैडो वेरिएबल्स) पर निर्भर करते हैं, जिन्हें ढूंढना और सत्यापित करना कठिन होता है।

उद्देश्य (Objective): लेखकों का लक्ष्य विशेष रूप से MNAR डेटा के लिए एक बूस्टिंग प्रेडिक्शन फ्रेमवर्क विकसित करना है जो:

नॉन-इग्नोरेबल मिसिंगनेस के कारण उत्पन्न होने वाले बायस (bias) को ठीक करे।
कठिन-से-खोजने वाले इंस्ट्रूमेंटल वेरिएबल्स पर निर्भरता से बचे।
कठोर सैद्धांतिक गारंटी (अभिसरण और निरंतरता) प्रदान करे।

2. कार्यप्रणाली (Methodology)

प्रस्तावित दृष्टिकोण सेमीपैरामेट्रिक एस्टिमेशन (semiparametric estimation) को एक फंक्शनल ग्रेडिएंट डिसेंट (functional gradient descent) बूस्टिंग एल्गोरिदम के साथ एकीकृत करता है। मुख्य नवाचार मिसिंगनेस को ध्यान में रखने के लिए लॉस फंक्शन को समायोजित करना है।

A. एडजस्टेड लॉस फंक्शन्स (Adjusted Loss Functions)

लेखक एक एडजस्टेड लॉस फंक्शन $L^*$ बनाने के लिए दो रणनीतियों का प्रस्ताव करते हैं ताकि इसकी अपेक्षा (expectation) वास्तविक जोखिम $E[L(Y, f(X))]$ के बराबर हो सके, भले ही $Y$ मिसिंग हो।

इनवर्स प्रोपेंसिटी वेटिंग (IPW):
$L_{IPW}(y, f(x), r) = \frac{r \cdot L(y, f(x))}{\pi(y, x)}$
जहाँ $\pi(y, x) = P(R=1|Y=y, X=x)$ प्रोपेंसिटी स्कोर है। यह पूर्ण जनसंख्या का प्रतिनिधित्व करने के लिए ऑब्जर्व्ड डेटा को री-वेट (re-weight) करता है।
बकली-जेम्स (BJ) प्रकार का एडजस्टमेंट:
$L_{BJ}(y, f(x), r) = r \cdot L(y, f(x)) + (1-r) \cdot \Psi_0(x)$
जहाँ $\Psi_0(x) = E[L(Y, f(X)) | X=x, R=0]$ है। यह $X$ और $R=0$ के दिए गए होने पर $Y$ के कंडीशनल डिस्ट्रीब्यूशन के आधार पर मिसिंग मामलों के लिए लॉस को इम्प्यूट (impute) करता है।
- $\Psi_0(x)$ की गणना करने के लिए, लेखक बेयस नियम (Bayes' rule) का उपयोग करके कंडीशनल डेंसिटी $f(y|x, R=0)$ को ऑब्जर्व्ड डेंसिटी $f(y|x, R=1)$ और प्रोपेंसिटी $\pi(y, x)$ के पदों में व्यक्त करते हैं।

B. अज्ञात घटकों का सेमीपैरामेट्रिक एस्टिमेशन (Semiparametric Estimation of Unknown Components)

चूँकि $\pi(y, x)$ और $f(y|x, R=1)$ अज्ञात हैं, लेखक उन्हें सुसंगत रूप से अनुमानित करने के लिए एक सेमीपैरामेट्रिक दृष्टिकोण का उपयोग करते हैं:

प्रोपेंसिटी स्कोर $\pi(y, x)$ : इसे पैरामीट्रिक रूप से (जैसे, लॉजिस्टिक रिग्रेशन) $\gamma$ के साथ मॉडल किया जाता है।
कंडीशनल डेंसिटी $f(y|x, R=1)$ : इसे या तो पैरामीट्रिक रूप से या नॉन-पैरामेट्रिक रूप से (कर्नेल डेंसिटी एस्टिमेशन का उपयोग करके) अनुमानित किया जा सकता है।
एस्टिमेशन एल्गोरिदम: लेखक मोरीकावा और किम (2021) की विधि को अनुकूलित करते हैं। वे पहचान स्थितियों (A1–A4) के एक सेट का उपयोग करते हैं जो ऑब्जर्व्ड डेटा के साथ टेस्ट करने योग्य हैं (बाहरी इंस्ट्रूमेंटल वेरिएबल्स की आवश्यकता के बिना)। वे $\gamma$ के लिए सुसंगत एस्टिमेटर्स प्राप्त करने के लिए एक संशोधित स्कोर इक्वेशन को हल करते हैं, भले ही $f(y|x, R=1)$ का मॉडल मिस-स्पेसिफाइड (misspecified) हो (बशर्ते $\pi$ सही ढंग से मॉडल किया गया हो)।

C. बूस्टिंग एल्गोरिदम (एल्गोरिदम 1)

भविदन प्रक्रिया एक फंक्शनल ग्रेडिएंट डिसेंट का अनुसरण करती है:

इनिशियलाइजेशन (Initialization): एक प्रारंभिक फंक्शन $f^{(0)}$ से शुरू करें।
पुनरावृत्ति (Iteration):
- वर्तमान प्रेडिक्शन के सापेक्ष एडजस्टेड लॉस फंक्शन $\hat{L}^*$ का ग्रेडिएंट कंप्यूट करें।
- नेगेटिव ग्रेडिएंट पर एक वीक लर्नर $h^{(m+1)}$ (B-splines का उपयोग करके) फिट करें।
- लाइन सर्च के माध्यम से स्टेप साइज $\alpha^{(m+1)}$ निर्धारित करें।
- अपडेट: $f^{(m+1)} = f^{(m)} + \alpha^{(m+1)}h^{(m+1)}$ ।
समाप्ति (Termination): जब एम्पिरिकल रिस्क में परिवर्तन थ्रेशोल्ड $\eta$ से कम हो जाए, तो रुक जाएँ।

3. प्रमुख योगदान (Key Contributions)

MNAR के लिए नवीन फ्रेमवर्क: यह बिना किसी बाहरी इंस्ट्रूमेंटल वेरिएबल की आवश्यकता के विशेष रूप से MNAR सेटिंग के लिए बूस्टिंग को विस्तारित करने वाले पहले कार्यों में से एक है।
सेमीपैरामेट्रिक मजबूती (Semiparametric Robustness): प्रोपेंसिटी स्कोर के पैरामीट्रिक मॉडलिंग को आउटकम डेंसिटी के फ्लेक्सिबल (पैरामेट्रिक या नॉन-पैरामेट्रिक) मॉडलिंग के साथ जोड़कर, यह विधि निरंतरता प्राप्त करती है, भले ही आउटकम मॉडल मिस-स्पेसिफाइड हो (डबल रोबस्टनेस की भावना में, हालांकि औपचारिक रूप से पहचान स्थितियों पर निर्भर है)।
सैद्धांतिक गारंटी (Theoretical Guarantees):
- अभिसरण (Convergence): सिद्ध किया गया कि पुनरावृत्ति एल्गोरिदम जैसे-जैसे इटरेशन बढ़ते हैं, इष्टतम जोखिम $R(f^*)$ की ओर अभिसरित होता है (प्रपोजिशन 2, थ्योरम 1)।
- निरंतरता (Consistency): स्थापित किया गया कि अंतिम एस्टिमेटर $\hat{f}_{AL}$ , सैंपल साइज $n \to \infty$ होने पर $L_\infty$ नॉर्म में सत्य फंक्शन $f^*$ की ओर संभाव्यता (probability) में अभिसरित होता है (थ्योरम 2)।
व्यावहारिक कार्यान्वयन (Practical Implementation): वीक लर्नर्स के लिए B-splines का उपयोग करके एक ठोस एल्गोरिदम और अज्ञात न्युसेंस पैरामीटर्स (nuisance parameters) के अनुमान के लिए विशिष्ट रणनीतियाँ प्रदान कीं।

4. परिणाम (Results)

सिमुलेशन अध्ययन (Simulation Studies)

लेखकों ने लो (low) और हाई-डायमेंशनल कोवेरिएट्स के दो सेटिंग्स और दो मिसिंगनेस मैकेनिज्म (MAR और MNAR) के तहत $n=1000$ सैंपल साइज के साथ व्यापक सिमुलेशन किए।

परफॉरमेंस मेट्रिक्स: सैंपल-बेस्ड मैक्सिमम एब्सोल्यूट एरर (S-MAE) और रूट मीन स्क्वेर्ड एरर (S-RMSE)।
तुलना: निम्नलिखित के विरुद्ध तुलना की गई:
- R: पूर्ण डेटा पर मानक बूस्टिंग (ओरेकल - Oracle)।
- N: केवल ऑब्जर्व्ड डेटा पर मानक बूस्टिंग (नैइव - Naive)।
- IPW/IPWN: प्रस्तावित विधियाँ (पैरामेट्रिक/नॉन-पैरामेट्रिक डेंसिटी एस्टिमेशन के साथ)।
- BJ: प्रस्तावित बकली-जेम्स विधि।
निष्कर्ष:
- MAR के तहत, सभी विधियों ने समान प्रदर्शन किया।
- MNAR के तहत, नैइव (N) विधि ने महत्वपूर्ण बायस और उच्च त्रुटि प्रदर्शित की।
- प्रस्तावित विधियों (IPW, IPWN, BJ) ने ओरेकल (R) विधि के तुलनीय प्रदर्शन किया, जिससे बायस को सफलतापूर्वक ठीक किया गया।
- मॉडल मिस-स्पेसिफिकेशन: IPW विधि आउटकम डेंसिटी $f(y|x, R=1)$ के मिस-स्पेसिफिकेशन के प्रति मजबूत थी लेकिन प्रोपेंसिटी मॉडल $\pi(y, x)$ के मिस-स्पेसिफिकेशन के प्रति संवेदनशील थी।
- हाई डायमेंशन: नॉन-पैरामेट्रिक एस्टिमेशन (IPWN) हाई-डायमेंशनल सेटिंग्स में 'कर्स ऑफ डायमेंशनलिटी' के कारण संघर्ष करता है, जबकि पैरामीट्रिक दृष्टिकोण स्थिर रहता है।

वास्तविक डेटा अनुप्रयोग (KLIPS)

वर्कर इनकम की भविष्यवाणी करने के लिए कोरियन लेबर एंड इनकम पैनल सर्वे (KLIPS) पर विधियों को लागू किया गया।

डेटा: 2501 वर्कर, ~30% इनकम डेटा मिसिंग।
परिणाम: प्रस्तावित विधियों (IPW, IPWN, BJ) ने भविष्यवाणी वक्र (prediction curves) बनाए जो एक-दूसरे के सुसंगत थे लेकिन नैइव विधि से काफी भिन्न थे, विशेष रूप से कोवेरिएट रेंज के चरम (extremes) पर। यह सुझाव देता है कि de MNAR प्रकृति के कारण नैइव विधि बायस्ड थी।

5. महत्व और निहितार्थ (Significance and Implications)

सैद्धांतिक प्रगति: यह पेपर मशीन लर्निंग (बूस्टिंग) और मिसिंग डेटा थ्योरी (MNAR) के बीच एक महत्वपूर्ण अंतर को पाटता है, जो नॉन-इग्नोरेबल मिसिंगनेस के लिए पहली बार कठोर सैद्धांतिक औचित्य प्रदान करता है।
व्यावहारिक उपयोगिता: यह उन उद्योगों के लिए एक व्यवहार्य समाधान प्रदान करता जहाँ मिसिंग डेटा अक्सर नॉन-रैंडम (जैसे स्वास्थ्य सेवा, अर्थशास्त्र, सर्वेक्षण अनुसंधान) होता है और जहाँ मानक इम्प्यूटेशन या कम्पलीट-केस विश्लेषण भ्रामक परिणाम दे सकता है।
लचीलापन (Flexibility): यह फ्रेमवर्क सामान्यीकरण योग्य है। हालांकि इसे $L_1, L_2,$ और हबर लॉस (Huber losses) के साथ प्रदर्शित किया गया है, लेखक नोट करते हैं कि इसे उनके संबंधित लॉस फंक्शन को संशोधित करके अन्य मशीन लर्निंग एल्गोरिदम (SVMs, न्यूरल नेटवर्क) तक विस्तारित किया जा सकता है।
मजबूती (Robustness): अनटेस्टेबल इंस्ट्रूमेंटल वेरिएबल्स के बजाय टेस्ट करने योग्य पहचान स्थितियों पर निर्भरता इस पद्धति को अधिक व्यावहारिक बनाती है जहाँ ऐसे वेरिएबल्स उपलब्ध नहीं होते हैं।

निष्कर्षतः, यह पेपर नॉन-इग्नोरेबल मिसिंग डेटा की उपस्थिति में भविष्यवाणी सटीकता में सुधार करने के लिए एक मजबूत, सैद्धांतिक रूप से आधारित और व्यावहारिक रूप से लागू करने योग्य समाधान प्रदान करता है, जो मानक "कम्प्लीट-केस" बूस्टिंग दृष्टिकोणों की तुलना में काफी बेहतर प्रदर्शन करता है।