📊 statistics

Complier General Causal Effect in Randomized Controlled Trials with One-Sided Noncompliance

यह शोध पत्र एक-पक्षीय गैर-अनुपालन वाले रैंडमाइज्ड कंट्रोल्ड ट्रायल्स में कंप्लायर जनरल कॉज़ल इफ़ेक्ट (CGCE) की लाइकलीहुड-आधारित आइडेंटिफिएबिलिटी स्थापित करता है और दो एस्टिमेटर्स का प्रस्ताव करता है, जिसमें एक सेमीपैरामेट्रिकली एफिशिएंट एस्टिमेटर भी शामिल है जो केवल $L_2$ -नॉर्म कन्वर्जेंस की आवश्यकता के साथ आधुनिक मशीन लर्निंग विधियों को समायोजित करता है और इसमें दर प्रतिबंधों की आवश्यकता नहीं है।

मूल लेखक: Yin Tang, Yanyuan Ma, Jiwei Zhao

प्रकाशित 2026-04-21

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Yin Tang, Yanyuan Ma, Jiwei Zhao

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 प्रयोग चला रहे हैं यह देखने के लिए कि क्या एक नया, महंगा विटामिन कैप्सूल वास्तव में लोगों को तेज़ दौड़ने में मदद करता है। आपके पास स्वयंसेवकों का एक समूह है। आप उनमें से आधे को कैप्सूल देने के लिए (ट्रीटमेंट ग्रुप/उपचार समूह) और बाकी आधे को शुगर पिल (कंट्रोल ग्रुप/नियंत्रण समूह) देने के लिए उन्हें यादृच्छिक रूप से (randomly) विभाजित करते हैं।

एक आदर्श दुनिया में, ट्रीटमेंट ग्रुप के सभी लोग कैप्सूल लेते हैं, और कंट्रोल ग्रुप के सभी लोग शुगर पिल लेते हैं। लेकिन वास्तविक दुनिया में, लोग थोड़े अव्यवस्थित होते हैं।

समस्या: "एकतरफा" विद्रोह

इस विशिष्ट परिदृश्य में, "विद्रोह" एकतरफा है:

कंट्रोल ग्रुप: वे असली कैप्सूल नहीं ले सकते। वे शुगर पिल के साथ ही बंधे हैं। (वे "नेवर-टेकर्स" यानी कभी न लेने वाले हैं)।
ट्रीटमेंट ग्रुप: उनके पास कैप्सूल तो है, लेकिन उनमें से कुछ तय करते हैं, "नहीं, मुझे यह नहीं लेना है," और वे इसे फेंक देते हैं। (यदि वे कैप्सूल लेते हैं तो वे "कम्प्लायर्स" हैं, यदि नहीं लेते हैं तो वे "नेवर-टेकर्स" हैं)।

भ्रम:
यदि आप केवल कैप्सूल समूह के लिए निर्धारित लोगों के औसत दौड़ने की गति की तुलना शुगर समूह से करते हैं, तो आपको एक धुंधला परिणाम मिलेगा। क्यों? क्योंकि ट्रीटमेंट ग्रुप का औसत उन लोगों द्वारा नीचे खींचा जाता है जिन्होंने कैप्सूल लेने से मना कर दिया। आप कैप्सूल के प्रभाव को नहीं माप रहे हैं; आप कैप्सूल देने के प्रस्ताव के प्रभाव को माप रहे हैं।

वैज्ञानिकों ने इसे पहले ठीक करने की कोशिश की है, केवल उन लोगों को देखकर जो वास्तव में कैप्सूल लेते थे ("कम्प्लायर्स")। लेकिन आमतौर पर, वे केवल एक औसत प्रभाव की गणना कर पाते थे। क्या होगा अगर कैप्सल धीमे धावकों की बहुत मदद करता है लेकिन तेज़ धावकों के लिए कुछ नहीं करता? या क्या होगा अगर यह शीर्ष 10% धावकों को नुकसान पहुँचाता है लेकिन निचले 10% को बहुत मदद करता है? पारंपरिक तरीके अक्सर इन बारीकियों को छोड़ देते हैं।

पेपर का बड़ा विचार: "कम्प्लायर जनरल कॉज़ल इफ़ेक्ट" (CGCE)

इस पेपर के लेखक कहते हैं: "अंदाज़ा लगाना बंद करें। एक गणितीय रूप से सटीक मानचित्र बनाएँ कि हम क्या जान सकते हैं और क्या नहीं जान सकते।"

उन्होंने एक नया, लचीला उपकरण बनाया जिसे कम्प्लायर जनरल कॉज़ल इफ़ेक्ट (CGCE) कहा जाता है। इसे एक स्विस आर्मी नाइफ के रूप में सोचें।

यदि आप औसत प्रभाव जानना चाहते हैं, तो यह चाकू एक स्क्रूड्राइवर बन जाता है (यह पुराना तरीका है)।
यदि आप मीडियन (मध्यिका) धावक पर प्रभाव जानना चाहते हैं, तो यह एक कैन ओपनर बन जाता है।
यदि आप शीर्ष 10% धावकों पर प्रभाव जानना चाहते हैं, तो यह एक बॉटल ओपनर बन जाता है।

यह शोधकर्ताओं को उन लोगों के बारे में कोई भी प्रश्न पूछने की अनुमति देता है जिन्होंने वास्तव में नियमों का पालन किया था, न कि केवल औसत के बारे में।

समाधान: दो नए "एस्टिमेटर्स" (कैलकुलेटर)

इस नए "स्विस आर्मी नाइफ" प्रभाव की गणना करने के लिए, लेखकों ने दो कैलकुलेटर बनाए:

1. "सिंपल" कैलकुलेटर

यह एक हाथ से चलाने वाली टॉर्च है।

पक्ष: यह उपयोग में आसान है। आपको सांख्यिकी (statistics) में पीएचडी या सुपरकंप्यूटर की आवश्यकता नहीं है। यह स्थिति की सामान्य समझ पाने के लिए एक त्वरित उत्तर देता है।
विपक्ष: यह थोड़ा धुंधला (कम सटीक) है। यह डेटा के सूक्ष्म विवरणों को मिस कर सकता है।

2. "एफिशिएंट" कैलकुलेटर

यह एक हाई-टेक लेजर पॉइंटर है।

पक्ष: यह अविश्वसनीय रूप से सटीक है। यह न्यूनतम त्रुटि के साथ "सच्चा" उत्तर खोज लेता है।
जादुई ट्रिक: आमतौर पर, लेजर पॉइंटर को इतना सटीक बनाने के लिए, आपको कमरे के सटीक आकार (डेटा वितरण) को पूरी तरह से जानने की आवश्यकता होती है। यदि आप कमरे के आकार का गलत अनुमान लगाते हैं, तो आपका लेजर लक्ष्य से भटक जाता है।
- पुराना तरीका: आपको कमरे के आकार का अनुमान लगाने के लिए बहुत विशिष्ट, कठोर नियमों (जैसे "दीवारें चिकनी होनी चाहिए") का उपयोग करना पड़ता था। यदि आपका अनुमान थोड़ा भी गलत होता, तो पूरी चीज़ टूट जाती।
- इस पेपर का तरीका: उन्होंने एक "रेट-फ्री सुपरपावर" की खोज की। उन्होंने महसूस किया कि जब तक आपका अनुमान कमरे के बारे में "काफी करीब" (गणितीय रूप से, एक विशिष्ट तरीके से अभिसरित/converges होता है) है, तब तक लेजर पॉइंटर पूरी तरह से काम करता है।
- यह क्यों मायने रखता है: इसका अर्थ है कि आप डेटा के आकार का अनुमान लगाने के लिए आधुनिक मशीन लर्निंग (जैसे डीप न्यूरल नेटवर्क, जो जटिल पैटर्न खोजने में माहिर हैं लेकिन विश्लेषण करने में कठिन हैं) का उपयोग कर सकते हैं। भले ही आपका मशीन लर्निंग मॉडल पारंपरिक अर्थों में "परफेक्ट" न हो, लेखकों की विधि गारंटी देती है कि अंतिम परिणाम अभी भी सबसे सटीक होगा।

3. मोरक्को में माइक्रोक्रेडिट का वास्तविक परीक्षण

अपने तरीके को सिद्ध करने के लिए, उन्होंने मोरक्को के एक माइक्रोक्रेडिट कार्यक्रम के वास्तविक डेटा पर इसका परीक्षण किया।

सेटअप: कुछ गाँवों को छोटे ऋण (ट्रीटमेंट) दिए गए, अन्य को नहीं (कंट्रोल)। जिन गाँवों में ऋण का प्रस्ताव दिया गया था, उनमें से कुछ लोगों ने ऋण लिया, दूसरों ने नहीं।
लक्ष्य: क्या ऋणों ने वास्तव में उनके व्यवसायों से अधिक पैसा कमाने में मदद की?
परिणाम: जब उन्होंने अपने नए "लेजर पॉइंटर" (मशीन लर्निंग के साथ एफिशिएंट एस्टिमेटर) का उपयोग किया, तो उन्होंने पाया कि ऋणों का उन लोगों के लिए आय पर कोई सांख्यिकीय रूप से महत्वपूर्ण प्रभाव नहीं पड़ा जिन्होंने वास्तव में ऋण लिया था।
ट्विस्ट: पुराने तरीकों का उपयोग करने वाले एक पिछले अध्ययन ने दावा किया था कि ऋणों ने वास्तव में मदद की थी। लेखक सुझाव देते हैं कि पुराना अध्ययन अपनी धारणाओं में बहुत कठोर रहा होगा। उनका नया, लचीला तरीका बताता है कि प्रभाव शून्य हो सकता है।

मुख्य निष्कर्ष (Takeaway)

यह पेपर एक रूलर (पैमाने) से 3D लेजर स्कैनर में अपग्रेड करने जैसा है।

यह स्वीकार करता है कि लोग प्रयोगों में हमेशा नियमों का पालन नहीं करते हैं।
यह उन लोगों (कम्प्लायर्स) पर प्रभाव को मापने का एक लचीला तरीका बनाता है जिन्होंने वास्तव में नियमों का पालन किया था, चाहे आप औसत, मध्य या चरम सीमाओं के बारे में जानना चाहते हों।
सबसे महत्वपूर्ण बात यह है कि यह प्रयोगों के लिए आर्टिफिशियल इंटेलिजेंस (AI) की शक्ति को अनलॉक करता है। यह कहता है, "आप अपने डेटा को साफ करने के लिए सबसे जटिल, आधुनिक AI टूल का उपयोग कर सकते हैं, और हमारे पास एक गणितीय गारंटी है कि आपका अंतिम उत्तर अभी भी सबसे सटीक होगा।"

यह मानव व्यवहार की अव्यवस्थित वास्तविकता और कंप्यूटर विज्ञान के अत्याधुनिक ज्ञान के बीच एक सेतु है।

यहाँ टैंग, मा और झाओ के शोध पत्र "Complier General Causal Effect in Randomized Controlled Trials with One-Sided Noncompliance" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र रैंडमाइज्ड कंट्रोल्ड ट्रायल्स (RCTs) में एकतरफा नॉन-कम्प्लायंस (one-sided noncompliance) होने पर कारण प्रभाव (causal effect) के अनुमान की चुनौती को संबोधित करता है।

संदर्भ: कई RCTs (जैसे, चिकित्सा दवा परीक्षण या प्रशिक्षण कार्यक्रम) में, उपचार समूह (treatment group) में असाइन किए गए व्यक्ति उपचार लेने से इनकार कर सकते हैं, जबकि नियंत्रण समूह (control group) में रखे गए व्यक्तियों के पास उपचार तक पहुँच नहीं होती है।
समस्या: मानक इंटेंशन-टू-ट्रीट (ITT) विश्लेषण 'असाइनमेंट' के प्रभाव का अनुमान लगाता है, न कि 'उपचार प्राप्त करने' के प्रभाव का। इसके अलावा, पूरे जनसंख्या के लिए कारण प्रभाव आम तौर पर पहचानने योग्य (identifiable) नहीं होता है क्योंकि नियंत्रण समूह में असाइन किए गए लोगों के लिए अनुपालन स्थिति (कि वे "कम्प्लायर" हैं या "नेवर-टेकर") अज्ञात रहती है।
मौजूदा विधियों की सीमाएँ: पिछला साहित्य विशिष्ट एस्टिमेंड्स (estimands) जैसे कि कम्प्लायर एवरेज कॉज़ल इफेक्ट (CACE/LATE) या कम्प्लायर क्वांटाइल कॉज़ल इफेक्ट (CQCE) पर केंद्रित रहा है। मौजूदा कुशल एस्टिमेटर्स अक्सर न्युसेंस पैरामीटर एस्टिमेटर्स (जैसे कि कर्नेल या सीव विधियों) के अभिसरण दरों (convergence rates) के संबंध में कड़े अनुमानों पर निर्भर करते हैं, जो आधुनिक, लचीले मशीन लर्निंग (ML) एल्गोरिदम के उपयोग को सीमित करता है।

2. कार्यप्रणाली (Methodology)

A. ढांचा और पहचान क्षमता (Framework and Identifiability)

लेखक एक-तरफा नॉन-कम्प्लायंस के लिए एक कठोर लाइकलीहुड-आधारित पहचान क्षमता (likelihood-based identifiability) ढांचा स्थापित करते हैं।

डेटा संरचना: वे अवलोकित डेटा को $(X, Z, T, Y)$ के रूप में परिभाषित करते हैं, जहाँ $Z$ असाइनमेंट है, $T$ प्राप्त उपचार है, और $W$ अज्ञात अनुपालन स्थिति है ( $W=1$ कम्प्लायर्स के लिए और $W=0$ नेवर-टेकर्स के लिए)। एक-तरफा नॉन-कम्प्लायंस के तहत, $T = ZW$ होता है।
नॉनपैरामीट्रिक लाइकलीहुड: एक नॉनपैरामीट्रिक लाइकलीहुड फंक्शन का निर्माण करके, वे सिद्ध करते हैं कि मॉडल पहचानने योग्य है। विशेष रूप से, वे दिखाते हैं कि अवलोकित डेटा का संयुक्त वितरण अंतर्निहित घटकों को विशिष्ट रूप से निर्धारित करता है: कम्प्लायर्स के परिणामों का घनत्व ( $f_1$ ), नेवर-टेकर्स का घनत्व ( $f_0$ ), और अनुपालन की संभावना ( $q(x)$ )।
नया एस्टिमेंड (CGCE): इस पहचान क्षमता के आधार पर, वे कम्प्लायर जनरल कॉज़ल इफेक्ट (CGCE) प्रस्तावित करते हैं, जिसे $\tau = \tau_1 - \tau_0$ $τ = τ_{1} - τ_{0}$ के रूप में दर्शाया गया है।
- $\tau_k$ को $E[u(Y_k, \tau_k) | W=1] = 0$ के समाधान के रूप में परिभाषित किया गया है।
- यह एक एकीकृत ढांचा है: यदि $u(y, \tau) = y - \tau$ चुना जाता है, तो यह CACE प्रदान करता है; यदि $u(y, \tau) = \mathbb{I}(y \le \tau) - \alpha$ चुना जाता है, तो यह CQCE प्रदान करता है।

B. अनुमान रणनीतियाँ (Estimation Strategies)

लेखक CGCE के लिए दो एस्टिमेटर्स विकसित करते हैं:

सरल एस्टिमेटर ( $\hat{\tau}_s$ ):
- यह एक रूट- $n$ कंसिस्टेंट एस्टिमेटर है जिसके लिए नॉनपैरामीट्रिक अनुमान या मशीन लर्निंग की आवश्यकता नहीं होती है।
- यह मार्जिनल प्रोबेबिलिटी और अवलोकित परिणामों के आधार पर एस्टिमेटिंग इक्वेशंस को हल करता है, जिसमें न्युसेंस घटकों को शून्य मान लिया जाता है या सरल मोमेंट कंडीशंस का उपयोग किया जाता है।
- हालांकि इसे लागू करना सरल है, लेकिन यह अकुशल (inefficient) है।
कुशल एस्टिमेटर ( $\hat{\tau}$ ):
- व्युत्पत्ति (Derivation): लेखक सेमिपैरैमेट्रिक मॉडल के टेंगेंट स्पेस पर सरल एस्टिमेटर के इन्फ्लुएंस फंक्शन को प्रोजेक्ट करके एफिशिएंट इन्फ्लुएंस फंक्शन (EIF) व्युत्पन्न करते हैं। इससे एक पारदर्शी अपघटन (decomposition) प्राप्त होता है जिसमें व्याख्या योग्य न्युसेंस घटक ( $\mu_1, \mu_2, \mu_3, q$ ) शामिल हैं, जो सीधे डेटा संरचना से जुड़े हैं।
- कार्यान्वयन (Implementation): यह एस्टिमेटर एम्पिरिकल EIF समीकरण को हल करता है। यह न्युसेंस फंक्शन्स ( $\mu$ और $q$ ) और लक्षित पैरामीटर को अनुमानित करने के लिए सैंपल स्प्लिटिंग (क्रॉस-फिटिंग) का उपयोग करता है।
- मुख्य सैद्धांतिक सफलता (रेट-फ्री कंडीशन): थ्योरम 2 स्थापित करता है कि सेमिपैरमेटिक दक्षता प्राप्त करने के लिए केवल यह आवश्यक है कि न्युसेंस एस्टिमेटर्स $L_2$ -नॉर्म (कंसिस्टेंसी) में अभिसरित हों। किसी विशिष्ट अभिसरण दर (convergence rates) (जैसे $n^{-1/4}$ ) की आवश्यकता नहीं है।
- निहितार्थ: यह "रेट-फ्री" गुण आधुनिक, जटिल ML विधियों (डीप न्यूरल नेटवर्क, रैंडम फॉरेस्ट आदि) के उपयोग की अनुमति देता है, जो पारंपरिक स्मूथनेस या रेट कंडीशंस को पूरा नहीं करते हैं, फिर भी अंतिम कारण अनुमान की दक्षता से समझौता किए बिना सुसंगत (consistent) रहते हैं।

3. मुख्य योगदान (Key Contributions)

व्यवस्थित पहचान क्षमता विश्लेषण: यह शोध पत्र एक-तरफा नॉन-कम्प्लायंस वाले RCTs में लाइकलीहुड-आधारित पहचान क्षमता का पहला व्यवस्थित उपचार प्रदान करता है, जो स्पष्ट रूप से बताता है कि कौन से कारण प्रभाव पहचानने योग्य हैं और कौन से नहीं।
एकीकृत एस्टिमेंड (CGCE): यह CGCE पेश करता है, जो एक सामान्य ढांचा है जो CACE और CQCE को समाहित करता है, जिससे केवल माध्य (mean) या क्वांटाइल प्रभावों से परे लचीला कारण अनुमान संभव होता है।
रेट-फ्री एफिशिएंसी: सबसे महत्वपूर्ण सैद्धांतिक योगदान यह प्रमाण है कि सेमिपैरमेटिक दक्षता उन न्युसेंस एस्टिमेटर्स के साथ प्राप्त की जा सकती है जो केवल $L_2$ -कंसिस्टेंसी को संतुष्ट करते हैं। यह आधुनिक ML एल्गोरिदम के उपयोग में आने वाली "प्रोडक्ट-रेट" बाधा को हटा देता है।
पारदर्शी EIF व्युत्पत्ति: अनुकूलतम इंस्ट्रूमेंटल वेरिएबल्स का उपयोग करने वाले दृष्टिकोणों के विपरीत, लेखक सरल एस्टिमेटर के इन्फ्लेंस फंक्शन को प्रोजेक्ट करके EIF व्युत्पन्न करते हैं, जिसके परिणामस्वरूप डेटा संरचना से जुड़े स्पष्ट सांख्यिकीय अर्थों वाला अपघटन प्राप्त होता है।

4. परिणाम (Results)

सिमुलेशन अध्ययन (Simulation Studies)

सेटअप: विभिन्न कोवेरिएट आयामों ( $d=1, 4, 9$ ) और विभिन्न डेटा जनरेटिंग प्रक्रियाओं (लीनियर और नॉन-लीनियर) के साथ सिमुलेशन किए गए।
प्रदर्शन:
- बायस (Bias): सभी एस्टिमेटर्स (Simple, Efficient-Kernel, Efficient-NN) ने नगण्य बायस दिखाया, जो कंसिस्टेंसी की पुष्टि करता है।
- वैरिएंस (Variance): सरल एस्टिमेटर का वैरिएंस काफी अधिक था (अकुशल)। कुशल एस्टिमेटर ने सेमिपैरमेटिक एफिशिएंसी बाउंड प्राप्त किया।
- ML एकीकरण: उच्च-आयामी सेटिंग्स ( $d=9$ ) में, कुशल एस्टिमेटर (Efficient-NN) ने कर्नेल-आधारित संस्करण की तुलना में बेहतर प्रदर्शन किया, जिससे कम परिवर्तनशीलता और बेहतर कवरेज प्रदर्शित हुआ। Eff-NN के परिणाम "ओरेकल" एस्टिमेटर (जो वास्तविक न्युसेंस फंक्शन्स का उपयोग करता है) के लगभग समान थे।
- अनुमान (Inference): कुशल एस्टिमेटर का उपयोग करके निर्मित 95% कॉन्फिडेंस इंटरवल ने नाममात्र 95% के करीब एम्पिरिकल कवरेज दर प्राप्त की।

वास्तविक डेटा अनुप्रयोग (Real Data Application)

डेटासेट: मोरक्को का एक माइक्रोक्रेडिट प्रयोग ( $n=4,934$ परिवार) जो स्व-रोजगार आउटपुट पर क्रेडिट के प्रभाव का विश्लेषण करता है।
निष्कर्ष:
- कुशल-NN एस्टिमेटर ने $\hat{\tau} = 1.113$ का पॉइंट एस्टीमेट और $[-0.071, 2.296]$ का 95% CI दिया।
- सरल एस्टिमेटर ने $\hat{\tau} = 1.425$ का पॉइंट एस्टीमेट और $[-0.029, 2.878]$ का 95% CI दिया।
- दोनों अंतराल शून्य (zero) को शामिल करते हैं, जो इस विशिष्ट सब-सैंपल में माइक्रोक्रेडिट के कोई सांख्यिकीय रूप से महत्वपूर्ण कारण प्रभाव न होने का सुझाव देते हैं।
- परिणाम एक पिछले पैरामीट्रिक अध्ययन (Sawada, 2019) से भिन्न थे, जो यहाँ अपनाए गए नॉनपैरामीट्रिक, लचीले दृष्टिकोण के महत्व को रेखांकित करते हैं।

5. महत्व (Significance)

यह शोध पत्र कठोर कारण अनुमान सिद्धांत और आधुनिक मशीन लर्निंग के बीच के अंतर को पाटता है। यह सिद्ध करके कि सेमिपैरमेटिक दक्षता न्युसेंस एस्टिमेटर्स की अभिसरण दरों पर निर्भर नहीं करती है, लेखक कारण अनुमान में लचीले ML एल्गोरिदम के उपयोग में एक बड़ी बाधा को हटा देते हैं। यह शोधकर्ताओं को अंतिम कारण प्रभाव अनुमानों की सांख्यिकीय वैधता से समझौता किए बिना अनुपालन और परिणामों में जटिल, उच्च-आयामी संबंधों को मॉडल करने की अनुमति देता है। प्रस्तावित CGCE ढांचा उन कारणों के दायरे को और विस्तृत करता है जिनका उत्तर नॉन-कम्प्लायंट RCTs में दिया जा सकता है।