Sensitivity of weighted least squares estimators to omitted variables
यह शोध पत्र भारित न्यूनतम वर्ग अनुमानकों (weighted least squares estimators) के लिए एक वितरण-मुक्त संवेदनशीलता विश्लेषण ढांचे को प्रस्तुत करता है जो सहज भारित आंशिक सांख्यिकी का उपयोग करके कारण प्रभाव अनुमानों पर अनपेक्षित कन्फाउंडिंग (unobserved confounding) के प्रभाव को परिमाणित करता है और औपचारिक सीमाएँ एवं समायोजित निष्कर्ष प्रक्रियाएँ प्रदान करता है जो किसी भी गैर-ऋणात्मक भार योजना (non-negative weighting scheme) के लिए लागू है।
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
सामाजिक विज्ञान की दुनिया में, शोधकर्ता अक्सर एक सरल लेकिन जिद्दी सवाल का जवाब देने की कोशिश करते हैं: क्या कोई विशिष्ट घटना लोगों के जीवन में एक विशिष्ट परिवर्तन लाती है? कल्पना कीजिए कि यह समझने की कोशिश करना कि हिंसा का अनुभव करना शांति के प्रति किसी व्यक्ति की इच्छा को बदल देता है या नहीं। एक आदर्श प्रयोग में, वैज्ञानिक कुछ लोगों को हिंसा का सामना करने के लिए और अन्य को सुरक्षित रहने के लिए यादृच्छिक रूप से (randomly) आवंटित करेंगे, और फिर उनके दृष्टिकोणों की तुलना करेंगे। यह यादृच्छिक आवंटन यह सुनिश्चित करता है कि दोनों समूह अन्य सभी तरीकों से समान हैं, ताकि उनके विचारों में किसी भी अंतर का दोष केवल हिंसा पर मढ़ा जा सके। हालांकि, वास्तविक दुनिया में, हम लोगों को ऐसी स्थितियों में जाने के लिए मजबूर नहीं कर सकते। हम केवल वही देख सकते हैं जो पहले ही हो चुका है। यह एक समस्या पैदा करता है: जिन लोगों ने हिंसा का अनुभव किया, वे उन लोगों से भिन्न हो सकते हैं जिन्होंने ऐसा नहीं किया, और यह घटना शुरू होने से पहले ही था। इन पूर्व-मौजूद अंतरों को 'कन्फाउंडर्स' (confounders) कहा जाता है। यदि शोधकर्ता इनका लेखा-जोखा नहीं रखते हैं, तो वे गलती से सोच सकते हैं कि हिंसा ने दृष्टिकोण में बदलाव किया है, जबकि वास्तव में, वह बदलाव केवल उन लोगों के व्यक्तित्व का प्रतिबिंब था जो वे शुरू से ही थे।
इसे ठीक करने के लिए, वैज्ञानिक 'वेटिंग' (weighting) नामक एक तकनीक का उपयोग करते हैं। वे देखे गए लोगों को देखते हैं और उन्हें संख्यात्मक महत्व, या 'वेट्स' (weights) प्रदान करते हैं ताकि उस समूह को जो हिंसा का शिकार हुआ, सांख्यिकीय रूप से उस समूह के समान बनाया जा सके जिसने हिंसा का अनुभव नहीं किया, आयु, लिंग और गाँव के आकार जैसे ज्ञात कारकों के संबंध में। एक बार जब समूह संतुलित हो जाते हैं, तो वे अपने परिणामों की तुलना बहुत अधिक विश्वास के साथ कर सकते हैं। लेकिन एक अनसुलझा संदेह बना रहता है: उन चीजों का क्या जिन्हें हमने मापा नहीं है? क्या कोई छिपा हुआ कारक हो सकता है, कुछ ऐसा जिसके बारे में शोधकर्ताओं ने कभी पूछा ही नहीं, जिसने प्रभावित किया कि किसे चोट लगी और शांति के बारे में वे कैसा महसूस करते हैं? यदि ऐसा कोई छिपा हुआ कारक मौजूद है, तो पूरा निष्कर्ष गलत हो सकता है। वर्षों तक, इस छिपे हुए प्रभाव की जाँच करना कठिन रहा है, विशेष रूप से इन जटिल वेटिंग विधियों का उपयोग करते समय। शोधकर्ताओं को एक ऐसे तरीके की आवश्यकता थी जिससे यह पूछा जा सके, "एक छिपा हुआ कारक कितना मजबूत होना चाहिए कि वह हमारे निष्कर्ष को पूरी तरह से बदल दे?"
लियोनार्ड वेनस्टीन और चैड हेज़लेट ने ठीक इसी प्रश्न का उत्तर देने के लिए उपकरणों का एक नया सेट विकसित किया है। उन्होंने अनपेक्षित कन्फाउंडिंग (unobserved confounding) के प्रति भारित अध्ययनों की संवेदनशीलता का परीक्षण करने के लिए एक विधि बनाई। उनका दृष्टिकोण इसलिए अलग है क्योंकि यह इस बात का अनुमान लगाने की कोशिश नहीं करता कि छिपा हुआ कारक स्वयं वेट्स को कैसे बदलेगा। इसके बजाय, यह एक सरल, अधिक सीधा प्रश्न पूछता है: यदि हमने इस छिपे हुए कारक को अपने अंतिम गणना में शामिल किया होता, तो हमारे परिणाम में कितना बदलाव आता? उन्होंने पाया कि उत्तर केवल दो सहज संख्याओं पर निर्भर करता है। पहला यह है कि छिपा हुआ कारक समूहों के बीच के अंतर को, इस संबंध में कितना स्पष्ट करता है कि किसे उपचार (treatment) मिला। दूसरा यह है कि अन्य सभी कारकों को ध्यान में रखने के बाद, छिपा हुआ कारक परिणाम में अंतर को कितना स्पष्ट करता है। ये दो संख्याएँ एक 'डायल' की तरह कार्य करती हैं। शोधकर्ता इस डायल को घुमाकर देख सकते हैं कि उनके परिणाम को गायब करने या उसके संकेत (sign) को बदलने के लिए एक छिपे हुए कारक को कितना मजबूत होना पड़ेगा।
लेखकों ने अपने उपकरणों का परीक्षण दारफुर संघर्ष से संबंधित एक वास्तविक अध्ययन पर किया। इस अध्ययन में, शोधकर्ताओं ने इस बात की जांच की कि क्या सरकारी बलों और मिलिशिया द्वारा सीधे हिंसा के संपर्क में आने से शरणार्थियों के शांति के प्रति दृष्टिकोण में बदलाव आया। मूल विश्लेषण ने सुझाव दिया कि जो लोग सीधे नुकसान झेल रहे थे, वे वास्तव में शांति का समर्थन करने के लिए अधिक इच्छुक थे। शोधकर्ताओं ने पहले ही लिंग और गाँव के स्थान जैसे ज्ञात कारकों के आधार पर समूहों को संतुलित करने के लिए वेटिंग का उपयोग किया था। वेनस्टीन और हेज़लेट ने इस डेटा पर अपने नए संवेदनशीलता उपकरणों को लागू किया। उन्होंने पूछा: एक अनपेक्षित कारक को इस निष्कर्ष को पलटने के लिए कितना मजबूत होना होगा? उन्होंने "लिंग" को एक बेंचमार्क के रूप में उपयोग किया, जो एक ज्ञात कारक है जो यह निर्धारित करने में अत्यधिक प्रभावशाली है कि किसे चोट लगेगी और शांति के बारे में लोग कैसा महसूस करेंगे। उन्होंने पाया कि निष्कर्ष बदलने के लिए, एक अनपेक्षित कारक को यह बताने में लिंग जितना मजबूत होना होगा कि किसे चोट लगी, और परिणाम की भविष्यवाणी करने में भी उतना ही मजबूत होना होगा। जब उन्होंने उस स्तर के प्रभाव वाले एक छिपे हुए कारक का अनुकरण (simulate) किया, तो परिणाम सकारात्मक और सांख्यिकीय रूप से महत्वपूर्ण बना रहा। निष्कर्ष कायम रहा।
यह मजबूती केवल वेट्स की गणना करने के एक विशिष्ट तरीके तक सीमित नहीं थी। लेखकों ने अपने तरीके का परीक्षण तीन अलग-अलग दृष्टिकोणों के माध्यम से किया: एक जिसने उपचार प्राप्त करने की संभावना का अनुमान लगाने के लिए सांख्यिकीय मॉडल का उपयोग किया, दूसरा जिसने समानता के आधार पर व्यक्तियों को एक-से-एक मिलान किया, और तीसरा जिसने गणितीय रूप से कुछ लक्षणों के लिए समूहों को समान औसत रखने के लिए मजबूर किया। हर मामले में, हिंसा के संपर्क में आने से शांति के समर्थन में वृद्धि होने का निष्कर्ष लचीला साबित हुआ। यहाँ तक कि जब उन्होंने एक ऐसे छिपे हुए कारक की कल्पना की जो चोट लगने की भविष्यवाणी करने में लिंग से दोगुना मजबूत था, तब भी परिणाम उसी दिशा में रहा, हालाँकि निष्कर्ष की निश्चितता थोड़ी कमजोर हो गई। उपकरणों ने यह भी प्रकट किया कि कुछ मिलान परिदृश्यों में, छिपा हुआ कारक परिणामों को उलटने के लिए काफी शक्तिशाली होना आवश्यक था, लेकिन अन्य में, त्रुटि की गुंजाइश कम थी।
इस कार्य का मूल्य इसकी पारदर्शिता और लचीलेपन में निहित है। छिपे हुए पूर्वाग्रह (bias) की जाँच करने वाले पिछले तरीकों के लिए अक्सर शोधकर्ताओं को डेटा के आकार या छिपे हुए कारक की प्रकृति के बारे में भारी धारणाएं बनाने की आवश्यकता होती थी। इन नए उपकरणों के लिए ऐसी किसी धारणा की आवश्यकता नहीं है। वे किसी भी गैर-ऋणात्मक वेट्स के साथ काम करते हैं, चाहे वे मिलान, सांख्यिकीय संतुलन या अन्य विधियों से आए हों। शोधकर्ताओं ने एक सॉफ्टवेयर पैकेज भी प्रदान किया है जो अन्य वैज्ञानिकों को अपने काम पर आसानी से इन परीक्षणों को लागू करने की अनुमति देता है। "छिपे हुए पूर्वाग्रह" के अमूर्त डर को एक ठोस गणना में बदलकर, वे शोधकर्ताओं को स्पष्टता के साथ कहने की अनुमति देते हैं: "हमारा निष्कर्ष किसी भी ऐसे छिपे हुए कारक के प्रति सुदृढ़ (robust) है जो X से अधिक मजबूत नहीं है।" दारफुर के अध्ययन में, इसका अर्थ था कि हिंसा और शांति की इच्छा के बीच का संबंध एक सांख्यिकीय संयोग नहीं था, बल्कि एक ऐसा निष्कर्ष था जो एक शक्तिशाली, अदृश्य प्रभाव की जांच का सामना कर सकता था। यह कार्य यह सिद्ध नहीं करता कि कोई छिपा हुआ कारक मौजूद नहीं है, बल्कि यह मापने का एक कठोर तरीका प्रदान करता है कि उन कारकों को कहानी बदलने के लिए कितना महत्वपूर्ण होना पड़ेगा।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।