📊 statistics

Bias-Variance Tradeoff of Matching Prior to Difference-in-Differences When Parallel Trends is Violated

यह शोध पत्र डिफरेंस-इन-डिफरेंसेस से पूर्व मिलान (मैचिंग) के विश्लेषण का विस्तार करते हुए यह प्रदर्शित करता है कि जहाँ प्रेक्षित सह-चरों (ऑब्जर्व्ड कोवेरियेट्स) पर मिलान करने में नमूना आकार में कमी के कारण बायस-वेरिएंस ट्रेडऑफ शामिल होता है, वहीं उपचार-पूर्व परिणामों (प्री-ट्रीटमेंट आउटकम्स) पर मिलान करना माध्य वर्ग त्रुटि (मीन स्क्वेयर्ड एरर) को न्यूनतम करने के लिए हमेशा फायदेमंद होता है, जिससे शोधकर्ताओं को परिचालन प्रबंधन (ऑपरेशंस मैनेजमेंट) के अनुभवजन्य कार्यों में कारण अनुमानों (कॉज़ल एस्टिमेट्स) को बेहतर बनाने के लिए व्यावहारिक दिशा-निर्देश प्राप्त होते हैं।

मूल लेखक: Mingxuan Ge, Dae Woong Ham

प्रकाशित 2026-05-13

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Mingxuan Ge, Dae Woong Ham

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 रहस्य सुलझाने की कोशिश कर रहे एक जासूस हैं: क्या कोई विशिष्ट घटना (जैसे कि कोई नई नीति या मौद्रिक प्रोत्साहन) वास्तव में व्यवहार में बदलाव का कारण बनी, या यह बदलाव महज एक संयोग था?

व्यवसाय और ऑपरेशंस रिसर्च की दुनिया में, इस तरह के समाधान के लिए उपयोग किया जाने वाला मानक उपकरण डिफरेंस-इन-डिफरेंस (DiD) है। DiD को एक "समय-यात्रा करने वाले तुलना" (time-traveling comparison) के रूप में समझें। आप उस समूह को देखते हैं जिसने घटना का अनुभव किया (Treated Group) और उस समूह को जिसने ऐसा नहीं किया (Control Group)। फिर आप तुलना करते हैं कि घटना से पहले और घटना के बाद उनमें कितना बदलाव आया। यदि Treated Group में बदलाव Control Group की तुलना में अलग था, तो आप मानते हैं कि घटना ही इसका कारण थी।

लेकिन, इसमें एक पेंच है: Control Group को Treated Group का एक सटीक जुड़वां होना चाहिए। यदि वे शुरुआत से ही समान नहीं हैं, तो आपकी तुलना त्रुटिपूर्ण होगी।

इसे ठीक करने के लिए, शोधकर्ता अक्सर एक तकनीक का उपयोग करते हैं जिसे मैचिंग (Matching) कहा जाता है। तुलना चलाने से पहले, वे Control Group में से केवल उन लोगों को चुनते हैं जो आपके Treated Group के बिल्कुल समान दिखते हैं (समान आयु, समान कार्य इतिहास, समान पिछला प्रदर्शन)। इसे मैचिंग-डि़डी (Matching-DiD) कहा जाता है।

लंबे समय तक, बहस सरल थी: "क्या मैचिंग हमारे अनुमान को अधिक सटीक (कम पक्षपाती/less biased) बनाती है?" उत्तर आमतौर पर "हाँ" होता था।

यह शोध पत्र इस कहानी में एक नया, महत्वपूर्ण मोड़ जोड़ता है। लेखक, मिंगक्सुआन गे और डे वोंग हम, तर्क देते हैं कि केवल सटीकता (bias) को देखना वैसा ही है जैसे किसी कार का मूल्यांकन केवल इस आधार पर करना कि वह कितनी सीधी चलती है, यह भूलकर कि वह कितनी तेज़ चलती है। वे वैरिएंस (Variance) (आपका परिणाम कितनी बार ऊपर-नीचे हो सकता है यदि आप प्रयोग को दोबारा चलाएं) और मीन स्क्वेर्ड एरर (MSE) की अवधारणा पेश करते हैं, जो सटीकता और स्थिरता दोनों को जोड़ता है।

उनके निष्कर्षों का सरल उपमाओं (analogies) का उपयोग करके विवरण यहाँ दिया गया है:

1. "सैंपल साइज" का जाल (अवलोकित लक्षणों पर मैचिंग)

कल्पना कीजिए कि आपके पास 1,000 संभावित Control Group सदस्यों की एक बड़ी बाल्टी है, लेकिन केवल 100 Treated सदस्य हैं।

पुराना दृष्टिकोण: "आइए अपने 100 Treated सदस्यों से मेल खाने वाले 100 सबसे अच्छे Control सदस्यों को चुनें। इससे समूह एक जैसे दिखेंगे, इसलिए हमारा परिणाम सटीक होगा।"
नई अंतर्दृष्टि: लेखक कहते हैं, "ठहरिए! अपने 100 मैचों को खोजने के लिए 900 Control सदस्यों को बाहर फेंककर, आप अपने डेटा सैंपल को छोटा कर रहे हैं।"
उपमा: कल्पना कीजिए कि आप भीड़ की औसत ऊंचाई का अनुमान लगाने की कोशिश कर रहे हैं।
- बिना मैचिंग के: आप 1,000 लोगों को मापते हैं। आपका अनुमान बहुत स्थिर (low variance) है, भले ही समूह आपके लक्ष्य के साथ पूरी तरह से समान न हो।
- मैचिंग के साथ: आप अपने लक्ष्य जैसा दिखने वाले 100 लोगों को खोजने के लिए 900 लोगों को बाहर फेंक देते हैं। अब आपके समूह समान हैं (low bias), लेकिन क्योंकि आपने केवल 100 लोगों को मापा है, आपका अनुमान "लड़खड़ाता" (wobbly) है और यदि आप 100 का एक अलग सेट चुनते हैं तो यह बहुत बदल सकता है (high variance)।
निर्णय: कभी-कभी, डेटा को बाहर फेंकने से होने वाला "लड़खड़ाहट" (variance) इतना बुरा होता है कि यह बेहतर होता है कि आप अवलोकित लक्षणों (जैसे आयु या स्थान) पर मैचिंग न करें यदि आपका सैंपल साइज छोटा है। "परफेक्ट मैच" पाने के चक्कर में डेटा का नुकसान करना उचित नहीं है।

2. "जादुई दर्पण" (पिछले परिणामों पर मैचिंग)

अब, कल्पना कीजिए कि आप केवल इस पर मैच नहीं करते कि लोग कौन हैं (लक्षण), बल्कि इस पर भी कि उन्होंने घटना से पहले क्या किया (पिछला प्रदर्शन)।

निष्कर्ष: लेखकों ने पाया कि पिछले परिणामों (past outcomes) पर मैचिंग करना हमेशा एक जीत है।
उपमा: "पिछले परिणाम" को एक जादुई दर्पण के रूप में सोचें जो किसी व्यक्ति के छिपे हुए, अमान्य गुणों (जैसे उनकी स्वाभाविक प्रतिभा या प्रेरणा) को दर्शाता है जिन्हें आप पहले देख नहीं सके थे।
यह क्यों काम करता है: जब आप इस बात पर मैच करते हैं कि किसी ने कल क्या किया था, तो आप स्वचालित रूप से उन्हें उन छिपे हुए गुणों पर भी मैच कर रहे होते हैं। आपको एक परफेक्ट मैच (low bias) का लाभ मिलता है बिना डेटा खोने के दंड (low variance) के।
निर्णय: यदि आप मैचिंग करने जा रहे हैं, तो हमेशा पिछले प्रदर्शन को मैचिंग प्रक्रिया में शामिल करें। यह "लड़खड़ाहट" (wobble) को कम करता है और आपके परिणाम को अधिक स्थिर बनाता है।

3. "गोल्डिलॉक्स" रणनीति (बायस और वैरिएंस के बीच संतुलन)

पत्र यह निष्कर्ष निकालता है कि कोई एक एकल "सर्वश्रेष्ठ" तरीका नहीं है। यह इस पर निर्भर करता है कि आप किसे अधिक महत्व देते हैं:

यदि आपके पास विशाल डेटासेट है, तो आप चयनात्मक होने का खर्च उठा सकते हैं। आपको हर चीज़ (लक्षण और पिछला प्रदर्शन) पर मैच करना चाहिए ताकि सबसे सटीक उत्तर मिल सके।
यदि आपके पास छोटा डेटासेट है, तो आपको सावधान रहने की आवश्यकता है। लक्षणों पर मैचिंग करना आपको नुकसान पहुँचा सकता है क्योंकि आप बहुत अधिक डेटा खो देते हैं। इस स्थिति में, लक्षणों पर मैच न करना या कम से कम बहुत सतर्क रहना बेहतर हो सकता है।

वास्तविक दुनिया का उदाहरण: झीहू (Zhihu) ऐप

अपने बिंदु को सिद्ध करने के लिए, लेखकों ने चीन के एक Q&A ऐप झीहू (Zhihu) के बारे में एक वास्तविक अध्ययन का पुन: विश्लेषण किया। अध्ययन यह जानना चाहता था कि क्या कंटेंट क्रिएटर्स को भुगतान करना (treatment) उन्हें अधिक मुफ्त उत्तर लिखने (outcome) के लिए प्रेरित करता है।

मूल शोधकर्ताओं ने भुगतान पाने वाले क्रिएटर्स को उन फ्री क्रिएटर्स के साथ मैच किया जिनके प्रोफाइल और लिखने की पिछली आदतें समान थीं।
इस पेपर के लेखकों ने उस डेटा पर अपना नया "बायस बनाम वैरिएंस" टेस्ट चलाया।
परिणाम: उन्होंने पुष्टि की कि मूल शोधकर्ताओं ने सही निर्णय लिया था। क्योंकि सैंपल साइज पर्याप्त था और "पिछले प्रदर्शन" वाली मैचिंग मजबूत थी, इसलिए मैचिंग के लाभ (एक सच्चा उत्तर प्राप्त करना) डेटा खोने की लागत से कहीं अधिक थे।

सारांश

पुराना नियम: समूहों को एक जैसा दिखाने के लिए हमेशा मैच करें।
नया नियम: लक्षणों (जैसे आयु/नौकरी) पर मैचिंग करना एक जुआ है; यह समूहों को एक जैसा तो बनाता है लेकिन आपके डेटा को छोटा कर देता है, जिससे आपके परिणाम अस्थिर हो सकते हैं।
स्वर्ण नियम: पिछले प्रदर्शन पर मैचिंग करना एक "फ्री लंच" (बिना किसी नुकसान के लाभ) है; यह समूहों को एक जैसा बनाता है और आपके परिणामों को स्थिर रखता है।
सीख: केवल यह न पूछें कि "क्या मेरा परिणाम सटीक है?" बल्कि पूछें "क्या मेरा परिणाम सटीक और स्थिर है?" यह तय करने के लिए कि मैच कब और किस पर करना है, दोनों मापों का उपयोग करें।

तकनीकी सारांश: डिफरेंस-इन-डिफरेंस से पूर्व मिलान (मैचिंग) का बायस-वेरिएंस ट्रेडऑफ

समस्या विवरण
अनुभवजन्य ऑपरेशंस मैनेजमेंट और संबंधित क्षेत्रों में, कॉज़ल इन्फरेंस (कारण संबंधी अनुमान) के लिए डिफरेंस-इन-डिफरेंस (DiD) एस्टिमेटर एक मानक उपकरण है, जो "पैरेलल ट्रेंड्स" (PT) धारणा पर निर्भर करता है। इस धारणा की सुदृढ़ता को बढ़ाने के लिए, शोधकर्ता अक्सर एक "मैचिंग-DiD" (M-DiD) रणनीति का उपयोग करते हैं, जिसमें एस्टिमेशन से पहले देखे गए कोवेरिएट्स (covariates) पर उपचारित (treated) और नियंत्रण (control) इकाइयों का मिलान किया जाता है। जबकि मौजूदा साहित्य (जैसे, चैबे-फेरेट, 2015; हम और मिराट्रिक्स, 2024) ने ऐसे एस्टिमेटर्स के बायस (bias) गुणों का व्यापक विश्लेषण किया है, उन्होंने वेरिएंस (variance) और मीन स्क्वेर्ड एरर (MSE) निहितार्थों की अनदेखी की है। यह M-DiD एस्टिमेटर्स के समग्र प्रदर्शन को समझने में एक अंतराल पैदा करता है, विशेष रूप से मिलान के माध्यम से बायस को कम करने और संभावित रूप से सैंपल साइज में कमी के कारण बढ़ने वाले वेरिएंस के बीच के ट्रेडऑफ के संबंध में। इसके अलावा, पिछले अध्ययन अक्सर जनसंख्या-स्तर के लिमिटिंग एक्सपेक्टेशन्स पर निर्भर करते हैं बजाय कि फाइनाइट-सैंपल गुणों के, और कुछ मजबूत नॉर्मलिटी धारणाओं पर निर्भर करते हैं।

कार्यप्रणाली (मेथोडोलॉजी)
लेखक अनऑब्जर्व्ड टाइम-वेरिंग कन्फाउंडर्स (unobserved time-varying confounders) के साथ एक लीनियर स्ट्रक्चरल इक्वेशन मॉडल पर आधारित एक सैद्धांतिक ढांचा विकसित करते हैं। यह मॉडल निम्नलिखित की अनुमति देता है:

समय-परिवर्तनीय प्रभाव (Time-varying effects): देखे गए कोवेरिएट्स ( $X$ ) और लेटेंट वेरिएबल्स ( $\theta$ ) के गुणांक समय के साथ बदल सकते हैं, जिससे पैरेलल ट्रेंड्स का उल्लंघन हो सकता है।
फाइनाइट-सैंपल विश्लेषण: केवल एसिम्प्टोटिक लिमिट्स पर ध्यान केंद्रित करने वाले पिछले कार्यों के विपरीत, लेखक तीन एस्टिमेटर्स के लिए फाइनाइट-सैंपल एनालॉग्स परिभाषित करते हैं:
- क्लासिक अनमैच्ड DiD ( $\hat{\tau}_{DiD}$ )।
- देखे गए कोवेरिएट्स पर मिलान के बाद DiD ( $\hat{\tau}^X_{DiD}$ )।
- देखे गए कोवेरिएट्स और प्री-ट्रीटमेंट आउटकम्स दोनों पर मिलान के बाद DiD ( $\hat{\tau}^{X,Y_0}_{DiD}$ )।
शिथिल धारणाएं (Relaxed Assumptions): यह ढांचा पिछले साहित्य (जैसे, हम और मिराट्रिक्स, 2024) की नॉर्मलिटी धारणाओं को हटाकर कंडीशनल मोमेंट्स पर लिप्सचिट्ज़ कंटीन्यूटी (Lipschitz continuity) की शर्तों को अपनाता है, जो डिस्क्रीट कोवेरिएट्स और व्यापक डिस्ट्रिब्यूशनल स्ट्रक्चर को समाहित करता है।
सामान्यीकरण (Generalization): विश्लेषण को एक यूनिवेरिएट, टू-पीरियड सेटिंग से एक सामान्य मल्टीवेरिएट सेटिंग में विस्तारित किया गया है जिसमें कई प्री-ट्रीटमेंट पीरियड्स ( $T > 1$ ) शामिल हैं, जो टू-वे फिक्स्ड इफेक्ट्स रिग्रेशन इक्विवेलेंस का उपयोग करता है।

प्रमुख योगदान

फाइनाइट-सैंपल कैरेक्टराइजेशन: यह पेपर फाइनाइट-सैंपल DiD और मैचिंग DiD एस्टिमेटर्स को पेश करता है और उनकी कंसिस्टेंसी को सिद्ध करता है, जो सैद्धांतिक लिमिटिंग वैल्यूज और व्यावहारिक अनुप्रयोग के बीच के अंतर को पाटता है।
वेरिएंस और MSE विश्लेषण: लेखक इन एस्टिमेटर्स के लिए सटीक गणितीय लक्षण वर्णन प्रदान करते हैं। वे प्रदर्शित करते हैं कि बायस में देखे गए ट्रेडऑफ आवश्यक रूप से वेरिएंस के लिए लागू नहीं होते हैं।
नवीन ट्रेडऑफ निष्कर्ष:
- कोवेरिएट्स ( $X$ ) पर मिलान: उन बायस परिणामों के विपरीत जो सुझाव देते हैं कि $X$ पर मिलान करना हमेशा फायदेमंद है, लेखक दिखाते हैं कि $X$ पर मिलान करने में एक सैंपल-साइज ट्रेडऑफ शामिल है। जब पैरेलल ट्रेंड्स का उल्लंघन होता है, तो $X$ पर मिलान $X$ से होने वाले वेरिएशन को हटाकर वेरिएंस को कम करता है, लेकिन यह लाभ प्रभावी सैंपल साइज में कमी (सैंपलिंग वेरिएशन को बढ़ाकर) के कारण निष्प्रभावी हो जाता है। अतः, वेरिएंस को ध्यान में रखते हुए $X$ पर मिलान करने की सिफारिश हमेशा नहीं की जानी चाहिए।
- प्री-ट्रीटमेंट आउटकम्स ( $Y_0$ ) पर मिलान: इसके विपरीत, केवल $X$ पर मिलान करने की तुलना में प्री-ट्रीटमेंट आउटकम्स पर अतिरिक्त मिलान करना हमेशा वेरिएंस को कम करता है। ऐसा इसलिए है क्योंकि प्रभावी सैंपल साइज समान रहता है (क्योंकि मिलान पहले ही किया जा चुका है), और $Y_0$ पर मिलान करने से इर्रिड्यूसिबल एरर टर्म कम हो जाता है और लेटेंट वेरिएबल मैच की विश्वसनीयता में सुधार होता है।
व्यावहारिक दिशा-निर्देश: यह पेपर लागू शोधकर्ताओं के लिए चरण-दर-चरण एस्टिमेशन रणनीतियां और दिशा-निर्देश प्रदान करता है ताकि वे अपने विशिष्ट सैंपल साइज और इस आधार पर निर्णय ले सकें कि मिलान करना है या नहीं, और किन चरों पर, यदि वे बायस, वेरिएंस, या MSE को प्राथमिकता देते हैं।

प्रमुख परिणाम

बायस बनाम वेरिएंस विचलन: यह पेपर एक स्पष्ट बायस-वेरिएंस ट्रेडऑफ स्थापित करता है। जबकि $X$ पर मिलान करने से आम तौर पर बायस कम होता है, यदि सैंपल साइज में कमी की लागत कोवेरिएट इम्बैलेंस को हटाने के लाभ से अधिक हो जाती है, तो यह वेरिएंस को बढ़ा सकता है।
"रिलायबिलिटी" टर्म: प्री-ट्रीटमेंट आउटकम्स पर मिलान करने वाले एस्टिमेटर का वेरिएंस एक "रिलायबिलिटी" टर्म ( $r_{\theta|x}$ ) पर निर्भर करता है, जो यह मापता है कि $X$ को नियंत्रित करने के बाद प्री-ट्रीटमेंट आउटकम्स लेटेंट कन्फाउंडर $\theta$ की कितनी अच्छी तरह भविष्यवाणी करते हैं। जैसे-जैसे प्री-ट्रीटमेंट पीरियड्स की संख्या बढ़ती है, यह रिलायबिलिटी 1 की ओर बढ़ती है, जिससे मैच किए गए एस्टिमेटर का वेरिएस इर्रिड्यूसिबल एरर फ्लोर की ओर चला जाता है।
MSE निहितार्थ: चूंकि बायस और वेरिएंस मिलान रणनीति के आधार पर अलग-अलग दिशाओं में चलते हैं, इसलिए MSE को कम करने के लिए इष्टतम एस्टिमेटर संदर्भ-निर्भर होता है। लेखक निर्णय लेने में मार्गदर्शन के लिए विशिष्ट साइन कंडीशंस के तहत बायस, वेरिएंस और MSE में सापेक्ष कमी के एस्टिमेटर्स प्रदान करते हैं।
अनुप्रयोग: झीहू (Zhihu) प्लेटफॉर्म पर मौद्रिक प्रोत्साहन के संबंध में वांग एट अल. (2022) का पुन: विश्लेषण करते हुए, लेखक पाते हैं कि कोवेरिएट्स और प्री-ट्रीटमेंट आउटकम्स दोनों पर मिलान करने का मूल निर्णय सांख्यिकीय रूप से उचित था। विश्लेषण ने दिखाया कि इसमें मामूली वेरिएंस लागत के साथ महत्वपूर्ण बायस में कमी आई, जो उस विशिष्ट संदर्भ में पूर्ण M-DiD रणनीति के उपयोग का समर्थन करता है।

महत्व और दावे
यह पेपर दावा करता है कि वह केवल बायस-ओनली विश्लेषण से आगे बढ़कर एक व्यापक बायस-वेरिएंस-MSE फ्रेमवर्क प्रदान करके साहित्य के एक महत्वपूर्ण अंतराल को भरता है। इसका महत्व निम्नलिखित में निहित है:

अंतर्ज्ञान को सुधारना: यह इस अंतर्ज्ञान को चुनौती देता है कि मिलान हमेशा बेहतर होता है, यह दिखाते हुए कि वेरिएंस के विचारों के तहत, सैंपल साइज दक्षता के कारण क्लासिक अनमैच्ड DiD कभी-कभी अधिक पसंद किया जा सकता है।
प्रबंधकीय प्रासंगिकता: कॉन्फिडेंस इंटरवल की चौड़ाई और निर्णय लेने के जोखिमों को कम करने के लिए प्रासंगिक मेट्रिक्स (MSE) और दिशा-निर्देश प्रदान करके, यह कार्य ऑपरेशंस मैनेजमेंट शोधकर्ताओं के लिए व्यावहारिक उपकरण प्रदान करता है।
सैद्धांतिक कठोरता: यह नॉर्मलिटी धारणाओं को शिथिल करके और फाइनाइट-सैंपल कंसिस्टेंसी प्रमाण प्रदान करके पिछले परिणामों का सामान्यीकरण करता है, जिससे डिस्क्रीट डेटा के लिए इसके निष्कर्ष अधिक मजबूत हो जाते हैं।

लेखक विनम्र बने हुए हैं, और लीनियर स्ट्रक्चरल मॉडल पर निर्भरता और समय-अपरिवर्तनीय कोवेरिएट्स की धारणा जैसी सीमाओं को स्वीकार करते हैं (हालांकि वे तर्क देते हैं कि इसे समय-परिवर्तनीय संदर्भों के करीब लाने के लिए पुन: पैरामीटराइज किया जा सकता है)। वे बायस को पूरी तरह से समाप्त करने का दावा नहीं करते हैं, बल्कि डेटा की विशिष्ट बाधाओं को देखते हुए समग्र त्रुटि (MSE) को न्यूनतम करने वाले एस्टिमेटर का चयन करने के लिए एक ढांचा प्रदान करते हैं।

1. "सैंपल साइज" का जाल (अवलोकित लक्षणों पर मैचिंग)

2. "जादुई दर्पण" (पिछले परिणामों पर मैचिंग)

3. "गोल्डिलॉक्स" रणनीति (बायस और वैरिएंस के बीच संतुलन)

वास्तविक दुनिया का उदाहरण: झीहू (Zhihu) ऐप

सारांश

इसी तरह के और पेपर