Design-Based Inference under Random Potential Outcomes

तकनीकी सारांश: यादृच्छिक संभावित परिणामों के तहत डिज़ाइन-आधारित अनुमान (Design-Based Inference under Random Potential Outcomes)

समस्या विवरण
यह शोध पत्र शास्त्रीय डिज़ाइन-आधारित कारण संबंधी अनुमान (causal inference) की एक मौलिक सीमा को संबोधित करता है, विशेष रूप से नेमन (1923/1990) और रुबिन (1974) द्वारा स्थापित फिक्स्ड पोटेंशियल आउटकम (FPO) ढांचे के संदर्भ में। FPO ढांचे में, संभावित परिणामों (potential outcomes) को स्थिर मात्राओं के रूप में माना जाता है, और यादृच्छिकता केवल उपचार असाइनमेंट तंत्र (treatment assignment mechanism) से उत्पन्न होती है। फलस्वरूप, कारण संबंधी अनुमान (causal estimands) एक विशिष्ट प्राप्त किए गए प्रयोगात्मक वातावरण पर सशर्त रूप से परिभाषित होते हैं। यद्यपि यह उस विशिष्ट प्राप्ति के भीतर उपचार प्रभावों की पहचान (identification) करने की अनुमति देता है, लेकिन यह एकल प्राप्त प्रयोगात्मक प्रयोग से तंत्र-स्तरीय मात्राओं (mechanism-level quantities)—जो लेटेंट स्टोकेस्टिक वातावरण पर अपेक्षाओं के रूप में परिभाषित हैं—की पुनर्प्राप्ति (recoverability) की गारंटी नहीं देता है।

केंद्रीय अनुमानात्मक समस्या यह है कि केवल पहचान (identification) पर्याप्त नहीं है; पुनर्प्राप्ति (recoverability) के लिए अन्य शर्तें भी आवश्यक हैं। यदि सभी इकाइयाँ एक सामान्य लेटेंट शॉक (latent shock) साझा करती हैं, तो एकल प्रयोग में नमूना आकार बढ़ाने से लेटेंट वातावरण के ऊपर की अपेक्षा (expectation) के बारे में कोई अतिरिक्त जानकारी प्राप्त नहीं होती है। यह शोध पत्र यह निर्धारित करने का प्रयास करता है कि क्या, और किन परिस्थितियों में, एक ही प्रयोग में इकाइयों के बीच क्रॉस-सेक्शनल औसत (cross-sectional averaging) उन अपेक्षाओं को सुसंगत रूप से पुनर्प्राप्त कर सकता है जो अंतर्निहित स्टोकेस्टिक तंत्र द्वारा परिभाषित हैं।

कार्यप्रणाली और ढांचा
लेखक एक रैंडम पोटेंशियल आउटकम (RPO) ढांचा प्रस्तावित करते हैं जहाँ संभावित परिणामों को एक लेटेंट स्टोकेस्टिक वातावरण $\omega$ द्वारा अनुक्रमित (indexed) यादृच्छिक तत्वों के रूप में मॉडल किया जाता है।

1. मॉडल विनिर्देश (Model Specification):

   • संभावित परिणामों को एक सामान्य संभाव्यता स्थान (probability space) पर एक लेटेंट रैंडम तत्व $\omega$ द्वारा अनुक्रमित मापने योग्य मैपिंग $\tilde{y}_i(z, \omega) = y_i(z, x_i(\omega), \epsilon_i(\omega))$ के रूप में दर्शाया गया है, जहाँ $z$ उपचार वेक्टर है और $\omega$ एक लेटेंट रैंडम तत्व है।
   • कारण संबंधी अनुमानों (causal estimands) को $\omega$ पर अपेक्षाओं के रूप में परिभाषित किया गया है (जैसे, $\tau_{RPO} = E_\omega[\frac{1}{n}\sum (\tilde{y}_i(1, \omega) - \tilde{y}_i(0, \omega))]$), न कि एक निश्चित शेड्यूल के सशर्त रूप में।
   • उपचार प्रभावों को एक मॉडल स्पेस $M_i \subset L^2(Z \times \Omega)$ पर निरंतर रैखिक फलन (continuous linear functionals) के रूप में औपचारिक रूप दिया गया है। रीज़ प्रमेय (Riesz Representation Theorem) द्वारा, ये फलन एक अद्वितीय प्रतिनिधि $\psi_i$ स्वीकार करते हैं, जिससे उपचार प्रभाव को एक आंतरिक उत्पाद (inner product) $\theta_i(\tilde{y}_i) = \langle \tilde{y}_i, \psi_i \rangle$ के रूप में व्यक्त किया जा सकता है।

2. अनुमान रणनीति (Estimation Strategy):

   • शोध पत्र रीज़ एस्टिमेटर्स ($\hat{\theta}_i = \tilde{y}_i \psi_i$) का उपयोग करता है जो उपचार असाइनमेंट और लेटेंट वातावरण की संयुक्त यादृच्छिकता के तहत तंत्र-स्तरीय अनुमान के लिए निष्पक्ष (unbiased) हैं।
   • एक एग्रीगेट रीज़ एस्टिमेटर (Aggregate Riesz Estimator) को व्यक्तिगत रीज़ एस्टिमेटर्स के भारित योग (weighted sum) के रूप में निर्मित किया गया है।

3. पुनर्प्राप्ति की शर्तें (स्थानीय निर्भरता - Local Dependence):

   • क्रॉस-सेक्शनल औसत और लेटेंट वातावरण के ऊपर औसत के बीच के अंतर को पाटने के लिए, शोध पत्र डिपेंडेंसी नेबरहुड्स (dependency neighborhoods) के माध्यम से मॉडल की गई स्थानीय निर्भरता की शर्तों को पेश करता है (चेन और शाओ, 2004; रॉस, 2011 के अनुसार)।
   • धारणा 6 और 7: अधिकतम और औसत निर्भरता नेबरहुड का आकार नमूना आकार $n$ के सापेक्ष पर्याप्त रूप से धीरे-धीरे बढ़ना चाहिए (विशेष रूप से, एसिम्प्टोटिक नॉर्मलिटी के लिए $D_n = o(n^d)$ जहाँ $d \leq 1/4$)।
   • ये शर्तें एक एर्गोडिक-प्रकार के गुण (ergodic-type property) को प्रेरित करती हैं, यह सुनिश्चित करती हैं कि क्रॉस-सेक्शनल औसत एकल प्राप्त प्रयोगात्मक प्रयोग से लेटेंट स्टोकेस्टिक वातावरण पर अपेक्षा को सुसंगत रूप से पुनर्प्राप्त करता है।

4. विचरण अनुमान (Variance Estimation):

   • FPO ढांचे के विपरीत, जहाँ नेमन-प्रकार के विचरण एस्टिमेटर्स संरचनात्मक रूप से रूढ़वादी ऊपरी सीमाओं (conservative upper bounds) तक सीमित हैं, RPO ढांचा सुसंगत विचरण अनुमान (consistent variance estimation) की अनुमति देता है।
   • प्रस्तावित विचरण एस्टिमेटर्स निर्भरता संरचना की विरलता (sparsity) का लाभ उठाते हैं। केंद्रित अवशेषों (centered residuals) के क्रॉस-प्रोडक्ट्स को केवल निर्भरता नेबरहुड्स (या सह-संबंधित युग्मों) के भीतर के जोड़ों पर जोड़कर, एस्टिमेटर स्टोकेस्टिक तंत्र से जुड़े वास्तविक सैंपलिंग विचरण को सुसंगत रूप से पुनर्प्राप्त करता है।

प्रमुख परिणाम

• सुसंगतता और पुनर्प्राप्ति (Consistency and Recoverability): स्थानीय निर्भरता और बाउंडेडनेस धारणाओं के तहत, एग्रीगेट रीज़ एस्टिमेटर तंत्र-स्तरीय अनुमान के लिए मीन स्क्वायर (mean square) में सुसंगत है। क्रॉस-सेक्शनल औसत, लेटेंट वातावरण के ऊपर औसत के लिए एसिम्प्टोटिक रूप से प्रतिस्थापन करता है।
• एसिम्प्टोटिक नॉर्मलिटी (Asymptotic Normality): यदि निर्भरता नेबरहुड्स पर्याप्त रूप से विरल हैं ($d \leq 1/4$) और चौथे क्षण (fourth moments) परिमित हैं, तो एस्टिमेटर एक सेंट्रल लिमिट थ्योरम ($\sigma_n^{-1}(\hat{\tau}_n - \tau_n) \xrightarrow{d} N(0,1)$) का पालन करता है।
• सुसंगत विचरण अनुमान (Consistent Variance Estimation): शोध पत्र यह स्थापित करता है कि प्रस्तावित व्यवहार्य विचरण एस्टिमेटर्स, जो स्थानीय निर्भरता संरचनाओं पर आधारित हैं, वास्तविक सैंपलिंग विचरण के लिए सुसंगत हैं। यह FPO ढांचे की संरचनात्मक सीमा को दूर करता है जहाँ केवल रूढ़वादी ऊपरी सीमाएँ उपलब्ध होती हैं।
• सिमुलेशन साक्ष्य (Simulation Evidence): मोंटे कार्लो सिमुलेशन पुष्टि करते हैं कि प्रस्तावित प्रक्रिया विभिन्न निर्भरता विकास दरों और नमूना आकारों के तहत सटीक आकार नियंत्रण (size control) और नाममात्र स्तरों (nominal levels) के करीब अनुभवजन्य कवरेज (empirical coverage) बनाए रखती है, बशर्ते कि सैद्धांतिक विरलता (sparsity) शर्तें पूरी हों। विधि उच्च सांख्यिकीय शक्ति (statistical power) भी प्रदर्शित करती है।

महत्व और दावे
शोध पत्र यह दावा करता है कि RPO के तहत डिज़ाइन-आधारित अनुमान को एक पुनर्प्राप्ति समस्या (recoverability problem) के रूप में पुनर्गठित किया गया है। इसके प्राथमिक योगदान हैं:

1. सैद्धांतिक सेतु (Theoretical Bridge): यह प्रदर्शित करता है कि उपयुक्त रूप से विरल स्थानीय निर्भरता एक एर्गोडिक गुण प्रेरित करती है, जिससे एक एकल प्राप्त प्रयोग तंत्र-स्तरीय अनुमानों के लिए एसिम्प्टोटिक रूप से वैध अनुमान प्रदान करने में सक्षम होता है।
2. विचरण अनुमान (Variance Estimation): यह डिज़ाइन-आधारित सेटिंग्स में असंगत विचरण अनुमान की समस्या को हल करता है, जो फिक्स्ड शेड्यूल्स के बजाय स्टोकेस्टिक तंत्रों पर ध्यान केंद्रित करके। यह रूढ़वादी ऊपरी सीमाओं पर निर्भर रहने के बजाय सुसंगत विचरण अनुमान की अनुमति देता है।
3. मौजूदा ढांचों से भिन्नता: यह कार्य मॉडल-असिस्टेड दृष्टिकोणों (जो आउटकम मॉडलिंग पर निर्भर हैं) और सैंपलिंग-आधारित सूत्रीकरणों (जो सैंपलिंग अनिश्चितता के तहत जनसंख्या-स्तर की मात्राओं को संबोधित करते हैं) से स्वयं को अलग करता है। इसके बजाय, यह पुनर्प्राप्ति प्राप्त करने के लिए केवल रैंडमाइजेशन डिज़ाइन और लेटेंट वातावरण की संरचना पर निर्भर करता है।

शोध पत्र निष्कर्ष निकालता है कि जबकि पहचान (identification) एक पूर्व शर्त है, एक एकल प्रयोग से पुनर्प्राप्ति केवल प्रयोगात्मक डिज़ाइन द्वारा प्रेरित विशिष्ट संभाव्यता संरचनाओं (स्थानीय निर्भरता) के तहत ही संभव है। प्रस्तावित ढांचा बिना बार-बार प्रयोगात्मक पुनरावृत्तियों (experimental replications) की आवश्यकता के, तंत्र-स्तरीय मात्राओं के लिए एसिम्प्टोटिक रूप से वैध अनुमान सक्षम करता है।