Estimating Treatment Effects Under Bounded Heterogeneity

यहाँ सूनवू क्वोन (Soonwoo Kwon) और लियांग सुन (Liyang Sun) के शोध पत्र "Estimating Treatment Effects Under Bounded Heterogeneity" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

कारण संबंधी अनुमान (Causal inference) में, शोधकर्ता अक्सर मॉडल विनिर्देश (model specification) और अनुमान की सटीकता (estimation precision) के बीच एक द्वंद्व का सामना करते हैं:

• "शॉर्ट" रिग्रेशन (The "Short" Regression): सामान्यतः उपयोग किए जाने वाले विनिर्देश (जैसे, $Y_i = D_i\beta + X_i'\gamma + u_i$) स्थिर उपचार प्रभावों (constant treatment effects) को मानते हैं। हालांकि ये अनुमान सटीक होते हैं और तब भी व्यवहार्य (feasible) रहते हैं जब कोवेरिएट वितरण में सीमित ओवरलैप (limited overlap) हो (अर्थात, कुछ उपसमूहों में उपचारित या अनुपचारित इकाइयाँ नहीं होतीं), लेकिन यदि उपचार प्रभाव वास्तव में कोवेरिएट्स के साथ भिन्न होते हैं, तो ये सामान्यतः पक्षपाती (biased) होते हैं।
• "लॉन्ग" रिग्रेशन / लचीले मॉडल (The "Long" Regression / Flexible Models): पूरी तरह से लचीले मॉडल (जैसे, इंटरैक्शन टर्म $D_i \times X_i$ को शामिल करना) विषम उपचार प्रभावों (heterogeneous treatment effects) की अनुमति देते हैं। हालाँकि, वे अक्सर उच्च विचरण (high variance/imprecision) से ग्रस्त होते हैं और कुछ कोवेरिएट सेल्स में ओवरलैप के पूर्ण अभाव होने पर अव्यवहार्य (infeasible/undefined) हो सकते हैं।
• अंतराल (The Gap): मौजूदा विधियाँ या तो मजबूत ओवरलैप धारणाओं पर निर्भर करती हैं (जो उन्हें कई वास्तविक दुनिया की स्थितियों में अप्रतिपन्न बनाती हैं) या स्थिर प्रभावों को मान लेती हैं (जिससे पक्षपात उत्पन्न होता है)। ऐसी विधियों का अभाव है जो ATE (Average Treatment Effect) के लिए वैध अनुमान प्रदान कर सकें जब ओवरलैप सीमित हो और उपचार प्रभाव भिन्न होने की अनुमति हो, बशर्ते कि वह भिन्नता असीमित न हो।

2. कार्यप्रणाली (Methodology)

लेखक सीमित उपचार प्रभाव विषमता (bounded treatment effect heterogeneity) पर आधारित एक ढांचा और एक नया अनुमानक (estimator) प्रस्तावित करते हैं जिसे regulaTE (regularized treatment effect) कहा जाता है।

A. सैद्धांतिक ढांचा (Theoretical Framework)

• डेटा जनरेटिंग प्रोसेस (DGP): शोध पत्र एक रैखिक मॉडल मानता है जहाँ परिणाम $Y_i$, उपचार $D_i$, कोवेरिएट्स $X_i$, और एक कंडीशनल एवरेज ट्रीटमेंट इफेक्ट (CATE) $\tau(x_i)$ पर निर्भर करता है।
  $$Y_i = D_i \tau(x_i) + X_i'\gamma + \epsilon_i$$
  CATE को $\tau(x_i) = \beta_{ATE} + \tilde{x}_i'\delta$ के रूप में मॉडल किया गया है, जहाँ $\delta$ विषमता (heterogeneity) को दर्शाता है।
• प्रतिबंध (The Constraint - VCATE Bound): $\delta = 0$ (स्थिर प्रभाव) मानने या $\delta$ को अनियंत्रित छोड़ने के बजाय, लेखक कंडीशनल एवरेज ट्रीटमेंट इफेक्ट के विचरण (Variance of the Conditional Average Treatment Effect - VCATE) पर एक सीमा लागू करते हैं:
  $$VCATE = E_n[(\tau(x_i) - E_n[\tau(x_i)])^2] \leq C^2$$
  यहाँ, $C$ एक उपयोगकर्ता-निर्धारित संवेदनशीलता पैरामीटर (sensitivity parameter) है जो जनसंख्या में उपचार प्रभावों के अधिकतम मानक विचलन (maximum standard deviation) को दर्शाता है।
• आंशिक पहचान (Partial Identification): पूर्ण ओवरलैप के अभाव में, ATE बिंदु-निर्धारित (point-identified) नहीं होता है। हालाँकि, VCATE बाउंड आंशिक पहचान (partial identification) प्रदान करता है, जो गैर-ओवरलैपिंग सेल्स में संभावित उपचार प्रभावों की सीमा को प्रतिबंधित करता है, जिससे वैध अनुमान संभव होता है।

B. अनुमानक: regulaTE

बायस-वेरिएंस ट्रेड-ऑफ (bias-variance trade-off) को संबोधित करने के लिए, लेखक एक सामान्यीकृत रिज रिग्रेशन (generalized ridge regression) अनुमानक प्रस्तावित करते हैं:
$$\min_{\beta, \gamma, \delta} \frac{1}{n} \|Y - D\beta - X\gamma - (D \circ \tilde{X})\delta\|^2 + \lambda \delta' V_x \delta$$

• तंत्र (Mechanism): पेनल्टी टर्म $\lambda \delta' V_x \delta$ विषमता गुणांकों $\delta$ को शून्य की ओर सिकोड़ता (shrink) है।
  • यदि $\lambda \to \infty$, तो अनुमानक "शॉर्ट" रिग्रेशन की ओर अभिसरित होता है (स्थिर प्रभाव)।
  • यदि $\lambda \to 0$, तो यह "लॉन्ग" रिग्रेशन (पूर्णतः लचीला) के करीब पहुँच जाता है, बशर्ते ओवरलैप मौजूद हो।
• इष्टतमता (Optimality): लेखक सिद्ध करते हैं कि यह रिज अनुमानक बायस-वेरिएंस फ्रंटियर (bias-variance frontier) पर स्थित है। एक दिए गए बाउंड $C$ के लिए, पेनल्टी पैरामीटर $\lambda$ को एक होमोस्केस्टिक गॉसियन सेटिंग में परिणामी कॉन्फिडेंस इंटरवल (CI) की लंबाई को न्यूनतम करने के लिए चुना जाता है।
• अनुमान (Inference - Heterogeneity-Aware CIs):
  • लेखक फिक्स्ड-लेंथ कॉन्फिडेंस इंटरवल्स (FLCI) का निर्माण करते हैं जो विषमता बाउंड $C$ द्वारा प्रेरित सबसे खराब स्थिति के पक्षपात (worst-case bias) को ध्यान में रखते हैं।
  • CI इस प्रकार है: $\hat{\beta}_{\lambda^*} \pm \chi_{\lambda^*, C}$, जहाँ क्रिटिकल वैल्यू $\chi$ को मानक त्रुटि के सापेक्ष सबसे खराब पक्षपात के आधार पर समायोजित किया जाता है।
  • यह दृष्टिकोण सीमित या पूर्ण ओवरलैप की अनुपस्थिति में भी वैध रहता है, जो मानक IPW या लॉन्ग-रिग्रेशन विधियों के विपरीत है।

C. संवेदनशीलता विश्लेषण (Sensitivity Analysis)

चूंकि $C$ को डेटा से अनुमानित नहीं किया जा सकता (Armstrong and Kolesár, 2018 के कारण), यह विधि एक संवेदनशीलता विश्लेषण (sensitivity analysis) के रूप में कार्य करती है:

1. शोधकर्ता $C$ को 0 (स्थिर प्रभाव) से लेकर बड़े मानों तक बदलते हैं।
2. वे देखते हैं कि पॉइंट एस्टीमेट और CI की चौड़ाई कैसे बदलती है।
3. वे एक "ब्रेकडाउन वैल्यू" ($C^*$) की पहचान करते हैं: वह न्यूनतम $C$ जिस पर उपचार प्रभाव सांख्यिकीय रूप से महत्वहीन (statistically insignificant) हो जाता है।
4. यदि $C^*$ आर्थिक रूप से तर्कसंगत (prior literature या सबग्रुप विश्लेषण के आधार पर) है, तो मूल निष्कर्ष को सुदृढ़ (robust) माना जाता है।

3. मुख्य योगदान (Key Contributions)

1. एंग्रिस्ट और पिशके (Angrist and Pischke) की अंतर्दृष्टि का औपचारिक रूप: यह शोध पत्र इस तर्क को कठोर रूप से औपचारिक बनाता है कि यदि विषमता सीमित है, तो "शॉर्ट" रिग्रेशन, पक्षपाती लेकिन शोर वाले (noisy) अनुमानकों की तुलना में बेहतर हो सकता है। यह "सीमित" को मापने के लिए एक औपचारिक तंत्र प्रदान करता है।
2. सीमित ओवरलैप को संभालना: उन सेमी-पैरामेट्रिक अनुमानकों (जैसे IPW) के विपरीत जो प्रॉपेंसिटी स्कोर 0 या 1 के करीब होने पर विफल हो जाते हैं या अत्यधिक परिवर्तनशील हो जाते हैं, regulaTE तब भी सुव्यवस्थित रहता है और वैध अनुमान प्रदान करता है जब कुछ सेल्स में ओवरलैप पूरी तरह से अनुपस्थित हो।
3. इष्टतम बायस-वेरिएंस ट्रेड-ऑफ: यह शोध पत्र प्रदर्शित करता है कि जनरलाइज्ड रिज अनुमानक VCATE बाधा के तहत CI की लंबाई को कम करने के लिए इष्टतम रैखिक अनुमानक है, जो सरल बायस-करेक्शन वाले शॉर्ट रिग्रेशन (जो अत्यधिक चौड़े अंतराल देता है) से बेहतर प्रदर्शन करता है।
4. व्यावहारिक कार्यान्वयन: लेखक इन अनुमानकों को लागू करने के लिए एक R पैकेज (regulaTEr) प्रदान करते हैं, जिससे शोधकर्ताओं के लिए आसानी से संवेदनशीलता विश्लेषण करना और ब्रेकडाउन फ्रंटियर्स को विज़ुअलाइज़ करना संभव हो जाता है।

4. परिणाम (Results)

सिमुलेशन (Simulations)

• कैलिब्रेशन: लेखकों ने सिमुलेशन को सैन्य सेवा और आय पर Angrist (1998) के डेटा का उपयोग करके कैलिब्रेट किया, जो उपचार प्रभाव विषमता और सीमित ओवरलैप के लिए जाना जाता है।
• प्रदर्शन:
  • कवरेज (Coverage): regulaTE CI विभिन्न विषमता बाउंड $C$ के माध्यम से सही कवरेज (95%) प्राप्त करता है, जबकि बिना सुधारा गया शॉर्ट रिग्रेशन गंभीर अंडर-कवरेज (undercoverage) से ग्रस्त होता है।
  • दक्षता (Efficiency): regulaTE CI, बायस-करेक्शन वाले शॉर्ट रिग्रेशन CI की तुलना में काफी अधिक सटीक (tighter) है। बायस-करेक्शन वाला शॉर्ट रिग्रेशन जैसे-जैसे $C$ बढ़ता है, अत्यधिक चौड़ा होता जाता है, जबकि regulaTE सटीकता बनाए रखने के लिए पेनल्टी को अनुकूलित करता है।
  • मजबूती (Robustness): यह विधि रोबस्ट स्टैंडर्ड एरर्स का उपयोग करने पर हेटरोस्केडास्टिसिटी (heteroskedasticity) के तहत भी अच्छा प्रदर्शन करती है।

अनुभवजन्य अनुप्रयोग (Empirical Applications)

1. मदर्स पेंशन (Mothers' Pension - Aizer et al., 2016):
   • संदर्भ: बाल दीर्घायु (child longevity) पर नकद हस्तांतरण के प्रभाव का अनुमान लगाना।
   • चुनौती: 11 काउंटियों में ओवरलैप का अभाव (सभी आवेदक उपचारित थे)।
   • परिणाम: शॉर्ट रिग्रेशन ने एक महत्वपूर्ण सकारात्मक प्रभाव दिखाया। regulaTE संवेदनशीलता विश्लेषण ने दिखाया कि परिणाम $C^* \approx 0.75\%$ तक महत्वपूर्ण बना रहता है। इसे $1\%$ के बेंचमार्क की तुलना में आर्थिक रूप से तर्कसंगत माना गया, जो बताता है कि निष्कर्ष मध्यम विषमता के प्रति सुदृढ़ है।
2. स्टैगर्ड एडॉप्शन (Staggered Adoption - Dobkin et al., 2018 / Sun and Abraham, 2021):
   • संदर्भ: चिकित्सा खर्च पर अप्रत्याशित अस्पताल में भर्ती होने का प्रभाव।
   • चुनौती: अंतिम अवधि में सभी इकाइयाँ उपचारित थीं, जिससे लॉन्ग रिग्रेशन अव्यवहार्य हो गया।
   • परिणाम: स्टैटिक (शॉर्ट) रिग्रेशन ने खर्च में महत्वपूर्ण वृद्धि दिखाई। regulaTE ने C^* = \1,583$तक मजबूती की पुष्टि की। यह मूल अध्ययन में देखी गई विषमता ($3,000 वर्ष 1 में बनाम $1,000 वर्ष 3 में) के अनुरूप था, जबकि बायस-करेक्शन वाले शॉर्ट रिग्रेशन CI ने भंगुरता (fragility) का संकेत दिया था।

5. महत्व (Significance)

यह शोध पत्र अनुप्रयुक्त अर्थमिति (applied econometrics) की एक व्यापक समस्या का व्यावहारिक और सैद्धांतिक रूप से सुदृढ़ समाधान प्रदान करता है: सीमित ओवरलैप और अनिश्चित विषमता वाली स्थितियों में उपचार प्रभावों का अनुमान कैसे लगाया जाए।

• अभ्यासकर्ताओं के लिए: यह "स्थिर प्रभावों को मानना" बनाम "पूर्ण लचीलापन अपनाना" के द्विआधारी विकल्प से आगे बढ़ता है। यह शोधकर्ताओं को अपनी विषमता सहिष्णुता (tolerance for heterogeneity) को स्पष्ट रूप से व्यक्त करने और यह देखने की अनुमति देता है कि यह उनके निष्कर्षों को कैसे प्रभावित करता है।
• नीति विश्लेषण के लिए: आंशिक पहचान (partial identification) के तहत वैध अनुमान प्रदान करके, यह उन सेटिंग्स (जैसे नीति रोलआउट या दुर्लभ घटनाएँ) में कारण संबंधी दावे करने में सक्षम बनाता जहाँ पारंपरिक विधियाँ ओवरलैप की कमी के कारण विफल हो जाती हैं।
• सैद्धांतिक प्रगति: यह रिज रिग्रेशन (जो आमतौर पर एक भविष्यवाणी उपकरण है) और इष्टतम कारण संबंधी अनुमान के बीच के अंतर को पाटता है, यह दिखाते हुए कि उपचार प्रभाव अनुमान में 'वर्स्ट-केस एरर' को कम करने के लिए विषमता गुणांकों को दंडित करना (penalizing) एक इष्टतम रणनीति है।

संक्षेप में, regulaTE "शॉर्ट" रिग्रेशन को एक संभावित रूप से पक्षपाती ह्यूरिस्टिक (heuristic) से एक कठोर, संवेदनशीलता-जागरूक अनुमान उपकरण में बदल देता है, जिससे यह सीमित ओवरलैप और अनिश्चित विषमता वाली स्थितियों के लिए कारण संबंधी अनुमान के टूलकिट में एक महत्वपूर्ण हिस्सा बन जाता है।