📈 economics

Randomization Inference in Two-Sided Market Experiments

यह शोध पत्र दो-तरफा बाजार प्रयोगों के लिए एक रैंडमाइजेशन इन्फरेंस फ्रेमवर्क विकसित करता है जो शार्प नल हाइपोथीसिस के तहत परिमित-नमूना वैधता (finite-sample validity) सुनिश्चित करता है, एक टू-वे वेरिएंस एस्टिमेटर प्रस्तावित करके कमजोर नल के तहत मानक एसिम्प्टोटिक विधियों की सीमाओं को संबोधित करता है, और अद्वितीय दो-तरफा बाजार संरचना का लाभ उठाकर परीक्षण शक्ति (testing power) को बढ़ाता है।

मूल लेखक: Jizhou Liu, Azeem M. Shaikh, Panos Toulis

प्रकाशित 2026-03-30

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Jizhou Liu, Azeem M. Shaikh, Panos Toulis

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

कल्पना कीजिए कि आप एक विशाल ऑनलाइन मार्केटप्लेस चला रहे हैं, जैसे कि एक डिजिटल संस्करण वाला हलचल भरा कबाड़ी बाज़ार (flea market)। आपके पास सामान की तलाश में हज़ारों खरीदार (Buyers) और सामान पेश करने वाले हज़ारों विक्रेता (Sellers) हैं।

आप एक नई नीति का परीक्षण करना चाहते हैं: "मुफ्त शिपिंग" (Free Shipping)।

एक सामान्य प्रयोग में, आप कुछ लोगों को चुन सकते हैं और उन्हें मुफ्त शिपिंग दे सकते हैं। लेकिन एक दो-तरफा बाज़ार (two-sided market) में, चीज़ें बहुत उलझ जाती हैं। यदि आप खरीदार A को मुफ्त शिपिंग देते हैं, लेकिन उनका पसंदीदा विक्रेता B इसे नहीं पाता है, तो क्या खरीदार A फिर भी खरीदारी करेगा? यदि आप विक्रेता B को देते हैं लेकिन खरीदार A को नहीं, तो क्या सौदा होगा?

यह हस्तक्षेप (interference) की समस्या है: एक लेनदेन का परिणाम दोनों पक्षों के स्टेटस पर निर्भर करता है। पारंपरिक सांख्यिकीय उपकरण (statistical tools), जो सरल "एक-तरफा" प्रयोगों (जैसे कि मरीजों पर नई दवा का परीक्षण करना) के लिए डिज़ाइन किए गए हैं, यहाँ विफल हो जाते हैं क्योंकि वे मानते हैं कि हर कोई स्वतंत्र है।

लियू, शािख और टौलिस का यह शोध पत्र इस तरह के जटिल और आपस में जुड़े बाजारों में प्रयोग चलाने के लिए एक नया नियम पुस्तिका (rulebook) जैसा है। यहाँ इसका सरल विवरण दिया गया है:

1. सेटअप: "डबल-चेक" प्रयोग

लेखक इन परीक्षणों को चलाने का एक विशिष्ट तरीका प्रस्तावित करते हैं जिसे मल्टीपल रैंडमाइजेशन डिज़ाइन (Multiple Randomization Design) कहा जाता है।

पुराना तरीका: आप हर एक लेनदेन (खरीदार A + विक्रेता B) को रैंडमाइज करने की कोशिश कर सकते हैं। यह प्रबंधित करना एक दुस्वप्न (nightmare) है।
नया तरीका: आप खरीदारों का एक समूह चुनते हैं जिन्हें "मुफ्त शिपिंग" का बैज मिलता है, और स्वतंत्र रूप से, आप विक्रेताओं का एक समूह चुनते हैं जिन्हें बैज मिलता है।
जादू: एक लेनदेन को "मुफ्त शिपिंग" का उपचार (treatment) तभी मिलता है जब दोनों पक्ष के पास बैज हो। यदि केवल एक के पास है, तो सौदा "अनुपचारित" (untreated) है।

यह संभावनाओं का एक ग्रिड (मैट्रिक्स) बनाता है, जिससे शोधकर्ता यह देख सकते हैं कि जब केवल एक पक्ष बदलता है, तो बाजार कैसे प्रतिक्रिया देता है, या जब दोनों बदलते हैं।

2. समस्या: "अंध बिंदु" (Blind Spot)

जब आप ये प्रयोग चलाते हैं, तो आप जानना चाहते हैं:

स्पिलओवर (Spillover): क्या खरीदार को उपचार देने से उनके अनुपचारित विक्रेताओं के साथ व्यवहार में बदलाव आता है?
कुल प्रभाव (Total Effect): क्या दोनों पक्षों को उपचार देने से कोई जादुई उछाल पैदा होता है?

समस्या यह है कि मानक गणित यह मान लेता है कि आप जानते हैं कि हर स्थिति में वास्तव में क्या हुआ होता (जिसे "शार्प नल" या Sharp Null कहते हैं)। लेकिन दो-तरफा बाज़ार में, आप यह नहीं जान सकते। आप यह नहीं जान सकते कि खरीदार A ने विक्रेता B के साथ क्या किया होता यदि दोनों के पास बैज नहीं होता, क्योंकि आपने उन्हें केवल तब देखा जब उनमें से एक के पास यह था।

यह एक ऐसे फुटबॉल मैच का स्कोर अनुमान लगाने की कोशिश करने जैसा है जिसे आपने नहीं देखा, लेकिन आपके पास केवल उन मैचों के आंकड़े हैं जहाँ एक टीम ने लाल जर्सी पहनी थी।

3. समाधान: "कंडीशनल रैंडमाइजेशन" (जासूस की चाल)

लेखक एक चतुर तकनीक का उपयोग करते हैं जिसे कंडीशनल रैंडमाइजेशन टेस्ट्स (Conditional Randomization Tests) कहा जाता है।

कल्पना कीजिए कि आप एक जासूस हैं जो अपराध सुलझाने की कोशिश कर रहे हैं। आप पूरे शहर को फिर से नहीं बना सकते, लेकिन आप एक विशिष्ट पड़ोस पर ध्यान केंद्रित कर सकते हैं जहाँ नियम स्पष्ट हैं।

चाल: यह परीक्षण करने के लिए कि "खरीदार" बाजार को प्रभावित करते हैं या नहीं, शोधकर्ता कहते हैं, "ठीक है, आइए मान लें कि विक्रेता समय में जम (freeze) गए हैं। हम केवल उन लेनदेन को देखेंगे जहाँ विक्रेता 'अनुपचारित' थे।"
विक्रेताओं को फ्रीज करके, उस विशिष्ट समूह के लिए "हस्तक्षेप" समाप्त हो जाता है। अब, प्रयोग फिर से एक सरल, एक-तरफा परीक्षण की तरह दिखता है।
वे फिर खरीदारों को इधर-उधर (shuffle) करते हैं ताकि यह देखा जा सके कि क्या परिणामों में बदलाव आता है। यदि परिणाम खरीदारों को इधर-उधर करने के बावजूद समान रहते हैं, तो खरीदारों ने वास्तव में स्पिलओवर प्रभाव पैदा नहीं किया।

वे विक्रेताओं के लिए भी ऐसा ही करते हैं (खरीदारों को फ्रीज करके) और "कुल प्रभाव" के लिए भी (ब्लॉक-आधारित शफलिंग विधि का उपयोग करके)।

4. मोड़: जब गणित टूट जाता है (वीक नल्स - Weak Nulls)

यह पेपर एक कठिन समस्या, वीक नल हाइपोथीसिस (Weak Null Hypotheses) को भी संबोधित करता है।

शार्प नल (Sharp Null): "बिल्कुल कुछ नहीं हुआ।" (परीक्षण करना आसान है)।
वीक नल (Weak Null): "औसतन, कुछ नहीं हुआ।" (परीक्षण करना कठिन है)।

वास्तविक दुनिया में, हम आमतौर पर औसतों (averages) की परवाह करते हैं। लेखकों ने पाया कि सांख्यिकीविदों द्वारा उपयोग किए जाने वाले मानक गणितीय उपकरण (जिसे स्टूडेंटाइजेशन/Studentization कहा जाता है, जो आपकी गणनाओं में एक "सुरक्षा मार्जिन" जोड़ने जैसा है) अक्सर दो-तरफा बाजारों में विफल हो जाते हैं।

उपमा:
कल्पना कीजिए कि आप सेबों की एक थैली तौल रहे हैं।

मानक उपकरण: आप मानते हैं कि तराजू एकदम सटीक है।
वास्तविकता: दो-तरफा बाज़ार में, तराजू डगमगा रहा है क्योंकि विक्रेता भी रैंडम तरीके से घूम रहे हैं। मानक उपकरण इस डगमगाहट को अनदेखा करता है, जिससे गलत अलार्म (यह सोचकर कि आपने अंतर पा लिया है जबकि वास्तव में नहीं) मिल सकते हैं।

समाधान: लेखकों ने एक "टू-वे वेरिएंस एस्टीमेटर" (Two-Way Variance Estimator) का आविष्कार किया।
इसे एक "दूसरे शॉक एब्जॉर्बर" के रूप में सोचें जो आपके तराजू में जोड़ा गया है।

पहला शॉक एब्जॉर्बर खरीदारों से होने वाली डगमगाहट को संभालता है।
नया, दूसरा शॉक एब्जॉर्बर विक्रेताओं से होने वाली डगमगाहट को संभालता है।
दोनों स्रोतों से होने वाली अनिश्चितता को ध्यान में रखकर, उनका नया गणितीय उपकरण गलत अलार्म देना बंद कर देता है और सटीक परिणाम देता है।

5. वास्तविक दुनिया का परीक्षण: माइक्रो-लेंडिंग प्रयोग

यह सिद्ध करने के लिए कि यह काम करता है, उन्होंने नेपाल के वास्तविक डेटा पर अपने तरीके का परीक्षण किया।

परिदृश्य: एक कार्यक्रम ने परिवारों को बचत खाते (savings accounts) प्रदान किए।
मोड़: उन्होंने परिवारों को "खरीदार" (वित्तीय संकट झेलने वाले) और "विक्रेता" (संकट न झेलने वाले) के रूप में माना ताकि यह देखा जा सके कि क्या बचत खाते देने से एक-दूसरे को पैसा उधार देने के व्यवहार में बदलाव आता है।
परिणाम: अपने नए तरीकों का उपयोग करते हुए, उन्होंने ऋण व्यवहार में कोई महत्वपूर्ण परिवर्तन नहीं पाया। यह बताता है कि केवल संकट के समय मदद के लिए बचत खातों तक पहुंच देना ही व्यवहार बदलने के लिए पर्याप्त नहीं है।

सारांश

यह शोध पत्र डिजिटल युग में काम करने वाले वैज्ञानिकों और डेटा विश्लेषकों के लिए एक टूलकिट है।

यह स्वीकार करता है कि मार्केटप्लेस में, हर कोई दूसरे को प्रभावित करता है।
यह एक विधि प्रदान करता है जिससे एक पक्ष को "फ्रीज" करके दूसरे पक्ष के प्रभावों को अलग किया जा सके।
यह गणित को ठीक करता है जो पहले टूटा हुआ था, यह सुनिश्चित करता है कि जब कंपनियाँ (जैसे Amazon, Uber, या Airbnb) प्रयोग चलाती हैं, तो वे खरीदारों और विक्रेताओं के बीच जटिल अंतःक्रियाओं के जाल से धोखा न खाएं।

संक्षेप में: यह हमें एक ऐसी दुनिया में निष्पक्ष प्रयोग चलाने का तरीका सिखाता है जहाँ हर कोई एक-दूसरे से जुड़ा हुआ है।

यहाँ Liu, Shaikh, और Toulis के शोध पत्र "Randomization Inference in Two-Sided Market Experiments" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

दो-तरफा बाजारों (जैसे, खरीदार-विक्रेता प्लेटफॉर्म, स्ट्रीमिंग सेवाएं) में नीतिगत हस्तक्षेपों का मूल्यांकन करने के लिए रैंडमाइज्ड प्रयोगों का उपयोग तेजी से बढ़ रहा है। हालाँकि, इन सेटिंग्स में मानक कारण अनुमान (causal inference) विधियाँ मार्केट इंटरफेरेंस (स्पिलओवर) के कारण अक्सर विफल हो जाती हैं। एक दो-तरफा बाजार में, एक विशिष्ट लेनदेन (एक खरीदार-विक्रेता जोड़ी) का परिणाम न केवल उस विशिष्ट जोड़ी की उपचार स्थिति (treatment status) पर निर्भर करता है, बल्कि बाजार में अन्य खरीदारों और विक्रेताओं की उपचार स्थिति पर भी निर्भर करता है।

यह शोध पत्र तीन मुख्य चुनौतियोंों को संबोधित करता है:

नॉन-शार्प नल हाइपोथीसिस (Non-Sharp Null Hypotheses): पारंपरिक फिशरियन रैंडमाइजेशन टेस्ट के लिए "शार्प" नल हाइपोथीसिस की आवश्यकता होती है (जहाँ नल के तहत सभी संभावित परिणाम ज्ञात होते हैं)। दो-तरफा बाजारों में, स्पिलओवर हाइपोथीसिस (जैसे, "कोई खरीदार स्पिलओवर नहीं") शार्प नहीं होते हैं क्योंकि वे सभी उपचार असाइनमेंटों के लिए परिणामों को निर्दिष्ट नहीं करते हैं, जिससे मानक इम्प्यूटेशन (imputation) असंभव हो जाता है।
स्टूडेंटाइजेशन की एसिम्प्टोटिक वैधता (Asymptotic Validity of Studentization): जबकि सिंगल-साइडेड प्रयोगों में "कमजोर" नल हाइपोथीसिस (औसत प्रभाव) के परीक्षण के लिए स्टूडेंटाइज्ड सांख्यिकी (जैसे, t-tests) का व्यापक रूप से उपयोग किया जाता है, लेखक प्रदर्शित करते हैं कि ग्लोबल एवरेज नल के तहत दो-तरफा डिजाइनों में मानक नेयमैन-शैली का स्टूडेंटाइजेशन, अनअकाउंटेड वेरिएंस (unaccounted variance) के कारण टाइप I एरर रेट को नियंत्रित करने में विफल रहता है, जो दूसरे पक्ष के रैंडमाइजेशन से उत्पन्न होता है।
पावर ऑप्टिमाइजेशन (Power Optimization): इन जटिल संरचनाओं में कुल उपचार प्रभावों (total treatment effects) के परीक्षण के लिए डिज़ाइन करते समय सैंपल साइज और रैंडमाइजेशन डिस्ट्रीब्यूशन के सपोर्ट के बीच एक ट्रेड-ऑफ होता है।

2. कार्यप्रणाली (Methodology)

लेखक स्वतंत्र दो-तरफा रैंडमाइज्ड डिजाइनों (जहाँ खरीदारों और विक्रेताओं को स्वतंत्र रूप से रैंडमाइज किया जाता है) के लिए विशेष रूप से तैयार किया गया एक फिशरियन-शैली का रैंडमाइजेशन इन्फरेंस (RI) ढांचा विकसित करते हैं।

A. सेटअप और धारणाएं (Setup and Assumptions)

डिज़ाइन: एक स्वतंत्र दो-तरफा डिज़ाइन जहाँ एक खरीदार-विक्रेता जोड़ी $(i, j)$ तभी उपचारित होती है जब खरीदार ( $w^B_i=1$ ) और विक्रेता ( $w^S_j=1$ ) दोनों उपचारित हों।
लोकल इंटरफेरेंस (धारणा 2.1): एक जोड़ी के संभावित परिणाम उनके अपने उपचार की स्थिति और विपरीत पक्ष पर उपचारित इकाइयों के हिस्से (fraction) पर निर्भर करते हैं। यह अनंत उपचार स्थान (infinite treatment space) को चार विशिष्ट एक्सपोजर मामलों में कम करता है: $(0,0), (1,0), (0,1), (1,1)$ ।
नल हाइपोथीसिस (Null Hypotheses):
- शार्प नल (Sharp Nulls): कोई खरीदार स्पिलओवर नहीं ( $H_0^{buyer}$ ), कोई विक्रेता स्पिलओवर नहीं ( $H_0^{seller}$ ), या कोई कुल प्रभाव नहीं ( $H_0^{total}$ )।
- वीक नल (Weak Nulls): जनसंख्या में औसत स्पिलओवर प्रभाव या औसत कुल प्रभाव।

B. कंडीशनल रैंडमाइजेशन टेस्ट (Conditional Randomization Tests - Sharp Nulls)

नॉन-शार्प नल को संभालने के लिए, लेखक कंडीशनल रैंडमाइजेशन टेस्ट (CRT) का उपयोग करते हैं। वे रैंडमाइजेशन को "फोकल यूनिट्स" और उन असाइनमेंटों के एक उपसमूह तक सीमित करते हैं जहाँ नल के तहत संभावित परिणामों को इम्प्यूट किया जा सकता है।

स्पिलओवर प्रभाव (खरीदार/विक्रेता):
- कंडीशनिंग (Conditioning): खरीदार स्पिलओवर के परीक्षण के लिए, टेस्ट कंट्रोल सेलर्स (जहाँ $w^S_j=0$ को स्थिर रखा जाता है) के सेट पर कंडीशन करता है। यह सुनिश्चित करता है कि खरीदार असाइनमेंट के किसी भी क्रम के लिए, विक्रेता पक्ष उपचारित नहीं रहता है, जिससे $H_0^{buyer}$ के तहत संभावित परिणाम इम्प्यूटेबल हो जाते हैं।
- प्रक्रिया: विक्रेता असाइनमेंट को स्थिर रखते हुए खरीदार असाइनमेंट को परम्यूट (permute) करें।
- सिमेट्री (Symmetry): यदि डिज़ाइन सिमेट्रिक (एक्सचेंजेबल) है, तो सरल परम्यूटेशन मान्य हैं। यदि नहीं, तो लेखक $p(W|C)$ के कंडीशनल डिस्ट्रीब्यूशन से सैंपलिंग का प्रस्ताव करते हैं, जिसके लिए रिजेक्शन सैंपलिंग की आवश्यकता हो सकती है।
कुल प्रभाव (Total Effects):
- k-ब्लॉक कंडीशनिंग: कुल प्रभाव ( $H_0^{total}$ ) के परीक्षण के लिए, लेखक एक k-ब्लॉक कंडीशनिंग इवेंट पेश करते हैं। डेटा को $k \times k$ डायगोनल ब्लॉक्स में विभाजित किया जाता है जहाँ ब्लॉक के भीतर की इकाइयाँ एक ही उपचार स्थिति साझा करती हैं (या तो सभी $(0,0)$ या सभी $(1,1)$ )।
- प्रक्रिया: व्यक्तिगत इकाइयों के बजाय पूरे ब्लॉक्स की उपचार स्थिति को परम्यूट करें।
- पावर ट्रेड-ऑफ: लेखक ब्लॉक आकार $k$ और टेस्ट पावर के बीच ट्रेड-ऑफ का विश्लेषण करते हैं। छोटा $k$ रैंडमाइजेशन डिस्ट्रीब्यूशन के सपोर्ट को बढ़ाता है (अधिक परम्यूटेशन) लेकिन प्रति ब्लॉक सैंपल साइज को कम करता है। बड़ा $k$ सैंपल साइज बढ़ाता है लेकिन परम्यूटेशन को कम करता है। वे पावर को अधिकतम करने के लिए $k$ चुनने हेतु एक ह्यूरिस्टिक प्रदान करते हैं (जैसे, एक विशिष्ट अधिकतम पावर थ्रेशोल्ड को लक्षित करना)।

C. वीक नल हाइपोथीसिस और स्टूडेंटाइजेशन (Weak Null Hypotheses and Studentization)

शोध पत्र औसत प्रभावों के परीक्षण के लिए स्टूडेंटाइज्ड सांख्यिकी का उपयोग करने की जांच करता है।

मानक स्टूडेंटाइजेशन की विफलता (Failure of Standard Studentization):
- लेखक दिखाते हैं कि सेलर-विशिष्ट एवरेज नल (जहाँ प्रत्येक विक्रेता के लिए औसत प्रभाव शून्य है) के लिए, मानक नेयमैन-शैली का स्टूडेंटाइजेशन एसिम्प्टोटिक रूप से वैध है।
- हालाँकि, एक पॉपुलेशन एवरेज नल (ग्लोबल एवरेज शून्य है) के लिए, मानक स्टूडेंटाइजेशन अवैध है। टेस्ट स्टेटिस्टिक का सैंपलिंग डिस्ट्रीब्यूशन दूसरे पक्ष (विक्रेताओं) के रैंडमाइजेशन द्वारा प्रेरित एक अतिरिक्त वेरिएंस घटक शामिल करता है, जिसे मानक वेरिएंस एस्टिमेटर कैप्चर करने में विफल रहता है। इससे ओवर-रिजेक्शन (बढ़ा हुआ टाइप I एरर) होता है।
टू-वे वेरिएंस एस्टिमेटर (Two-Way Variance Estimator):
- ग्लोबल वीक नल के लिए वैधता बहाल करने के लिए, लेखक एक टू-वे स्टूडेंटाइज्ड स्टेटिस्टिक का प्रस्ताव करते हैं।
- तंत्र: वे मानक खरीदार-साइड वेरिएंस एस्टिमेटर ( $V^B$ ) को विक्रेता-साइड टर्म ( $V^S$ ) के साथ बढ़ाते हैं।
- $V^S$ , कंट्रोल सेलर्स के माध्यम से विक्रता-स्तर के डिफरेंस-इन-मीन्स के वेरिएंस का उपयोग करके विक्रेता रैंडमाइजेशन द्वारा प्रेरित फोकल मीन इफेक्ट की सैंपलिंग परिवर्तनशीलता का अनुमान लगाता है।
- परिणाम: नया स्टेटिस्टिक $T^{TW} = T^B / \sqrt{V^B + V^S}$ ग्लोबल वीक नल के तहत एसिम्प्टोटिक रूप से वैध है क्योंकि डिनोमिनेटर (denominator) कुल वेरिएंस (खरीदार + विक्रेता रैंडमाइजेशन) को सही ढंग से अकाउंट में लेता है।

3. प्रमुख योगदान (Key Contributions)

नया इन्फरेंस फ्रेमवर्क: यह पेपर विशेष रूप से हस्तक्षेप वाले दो-तरफा मार्केट प्रयोगों के लिए पहला कठोर फाइनाइट-सैंपल वैध रैंडमाइजेशन इन्फरेंस फ्रेमवर्क प्रदान करता है, जो कंडीशनल रैंडमाइजेशन टेस्ट का उपयोग करता है।
स्टूडइजेशन विफलता का निदान: यह दो-तरफा प्रयोगों में ग्लोबल वीक नल के तहत मानक नेयमैन-शैली के स्टूडेंटाइजेशन को लागू करने की एक महत्वपूर्ण सीमा की पहचान करता है, जो साहित्य में पहले अनदेखा किया गया था।
टू-वे वेरिएंस करेक्शन: एक टू-वे वेरिएंस एस्टिमेटर का प्रस्ताव जो बाजार के दूसरे पक्ष से अतिरिक्त सैंपलिंग वेरिएशन को अवशोषित करता है, जिससे वह वैधता सुनिश्चित होती है जहाँ मानक विधियाँ विफल हो जाती हैं।
पावर-ऑप्टिमाइज्ड डिज़ाइन: कुल प्रभावों के लिए $k$ -ब्लॉक कंडीशनिंग इवेंट का परिचय और ब्लॉक आकार एवं रैंडमाइजेशन सपोर्ट के बीच ट्रेड-ऑफ का सैद्धांतिक विश्लेषण, जो भविष्य के प्रयोगात्मक डिज़ाइन के लिए व्यावहारिक मार्गदर्शन प्रदान करता है।
एम्पिरिकल वैलिडेशन: मेथड्स के प्रदर्शन को प्रदर्शित करने के लिए व्यापक सिमुलेशन अध्ययन और माइक्रो-लेंडिंग नेटवर्क प्रयोग (Comola and Prina, 2021) पर एक अनुप्रयोग।

4. परिणाम (Results)

सिमुलेशन (शार्प नल): प्रस्तावित फिशर रैंडमाइजेशन टेस्ट (FRT) शार्प नल के तहत सटीक फाइनाइट-सैंपल साइज कंट्रोल (रिजेक्शन रेट $\approx 5\%$ ) बनाए रखते हैं। वे स्पिलओवर प्रभावों के लिए पावर के मामले में आमतौर पर रूढ़िवादी नेयमैनियन तरीकों से बेहतर प्रदर्शन करते हैं।
सिमुलेशन (वीक नल):
- सेलर-विशिष्ट नल के तहत, मानक स्टूडेंटाइजेशन काम करता है।
- पॉपुलेशन-एवरेज नल के तहत, मानक स्टूडेंटाइजेशन विफल हो जाता है (5% नाममात्र स्तर पर रिजेक्शन रेट 22% तक)।
- प्रस्तावित टू-वे स्टूडेंटाइजेशन दोनों परिदृश्यों में साइज को सफलतापूर्वक नियंत्रित करता है (रिजेक्शन रेट $\approx 5\%$ )।
- पेपर यह भी दिखाता है कि टू-वे विधि एस्पेक्टुएशन B.3 (खरीदार-स्तर के एवरेज की नॉन-डेजेनरेसी) पर निर्भर करती है; यदि यह उल्लंघन होता है, तो टू-वे विधि भी विफल हो सकती है।
एम्पिरिकल एप्लीकेशन: नेपाल में एक सेविंग्स अकाउंट प्रयोग पर लागू किया गया। लेखकों ने परीक्षण किया कि क्या "शॉक" झेल रहे परिवारों (खरीदार) या "नॉन-शॉक" झेल रहे परिवारों (विक्रेता) को बचत खाते प्रदान करने से वित्तीय ऋण लिंक प्रभावित हुए।
- निष्कर्ष: रैंडमाइजेशन टेस्ट खरीदार स्पिलओवर, विक्रेता स्पिलओवर, या कुल प्रभावों के लिए नल हाइपोथीसिस को खारिज करने में विफल रहे। यह सुझाव देता है कि इस विशिष्ट संदर्भ में बचत खातों तक पहुंच ने वित्तीय नेटवर्क व्यवहार को महत्वपूर्ण रूप से नहीं बदला, जो कि यह दर्शाता है कि प्रभाव संदर्भ-निर्भर (context-dependent) होते हैं।

5. महत्व (Significance)

यह पेपर मार्केटप्लेस एक्सपेरिमेंटेशन के बढ़ते क्षेत्र के लिए महत्वपूर्ण है। जैसे-जैसे प्लेटफॉर्म (Uber, Airbnb, Amazon, आदि) मूल्य निर्धारण, मिलान और प्रोत्साहन को अनुकूलित करने के लिए रैंडमाइज्ड ट्रायल्स पर अधिक निर्भर हो रहे हैं, उपयोगकर्ताओं के बीच इंटरफेरेंस पूर्वाग्रह (bias) का एक प्रमुख स्रोत है।

सैद्धांतिक कठोरता: यह जटिल इंटरफेरेंस सेटिंग्स में फिशरियन सटीक परीक्षण और नेयमैनियन एसिम्प्टोटिक इन्फरेंस के बीच के अंतर को पाटता है।
व्यावहारिक उपयोगिता: विधियाँ कम्प्यूटेशनल रूप से व्यवहार्य हैं (परम्यूटेशन का उपयोग करके) और उन शोधकर्ताओं के लिए एक "प्लग-इन" समाधान (टू-वे वेरिएंस एस्टिमेटर) प्रदान करती हैं जो वर्तमान में दो-तरफा बाजारों में मानक t-tests का उपयोग कर रहे हैं, जिससे संभावित रूप से गलत पॉजिटिव (false positives) को रोका जा सकता है।
डिज़ाइन मार्गदर्शन: ब्लॉक साइज और कंडीशनिंग इवेंट्स पर मिले निष्कर्ष भविष्य के मार्केटप्लेस प्रयोगों को अधिकतम सांख्यिकीय पावर बनाए रखते हुए वैधता बनाए रखने के लिए व्यावहारिक सलाह प्रदान करते हैं।