📈 economics

Estimation and Inference in Boundary Discontinuity Designs: Distance-Based Methods

यह शोध पत्र विच्छिन्नता डिजाइनों (discontinuity designs) में सीमा औसत उपचार प्रभावों (boundary average treatment effects) के अनुमान और निष्कर्ष के लिए गैर-पैरामीट्रिक दूरी-आधारित स्थानीय बहुपद विधियों को विकसित करता है, जो सीमा ज्यामिति (boundary geometry) को ध्यान में रखते हुए अभिसरण दरों (convergence rates), वितरण संबंधी सन्निकटन (distributional approximations) और मिनिमैक्स सीमाओं (minimax bounds) पर सैद्धांतिक परिणाम स्थापित करता है और साथ ही बैंडविड्थ चयन एवं अनुभवजन्य कार्यान्वयन के लिए व्यावहारिक उपकरण भी प्रदान करता है।

मूल लेखक: Matias D. Cattaneo, Rocio Titiunik, Ruiqi Rae Yu

प्रकाशित 2026-03-27

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Matias D. Cattaneo, Rocio Titiunik, Ruiqi Rae Yu

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 जासूस हैं जो किसी नए नीति (policy) के प्रभाव को समझने की कोशिश कर रहे हैं, जैसे कि एक छात्रवृत्ति कार्यक्रम, जिसका छात्रों की भविष्य की सफलता पर क्या असर पड़ता है। इस जांच के क्लासिक संस्करण (जिसे रिग्रेशन डिसकंटीन्यूटी डिज़ाइन कहा जाता है) में, आप एक एकल स्कोर देखते हैं, जैसे कि परीक्षा का ग्रेड। यदि किसी छात्र का स्कोर 80 या उससे अधिक है, तो उसे छात्रवृत्ति मिलती है; यदि 79 है, तो नहीं। आप 80 अंकों की रेखा के ठीक आसपास के छात्रों की तुलना करते हैं ताकि यह देखा जा सके कि छात्रवृत्ति ने क्या अंतर पैदा किया।

लेकिन क्या होगा यदि नियम अधिक जटिल हो? क्या होगा यदि छात्रवृत्ति दो स्कोर के आधार पर दी जाती है? उदाहरण के लिए, आपको उच्च परीक्षा स्कोर और कम पारिवारिक आय दोनों की आवश्यकता है। यह एक मानचित्र (2D प्लेन) पर एक "सीमा" (boundary) बनाता है, न कि केवल एक रेखा। इसे बाउंड्री डिसकंटीन्यूटी डिज़ाइन कहा जाता है।

यह शोध पत्र एक विशिष्ट, बहुत सामान्य तरीके को संबोधित करता है जिसका उपयोग शोधकर्ता इस 2D पहेली को हल करने के लिए करते हैं, जिसे लेखक "डिस्टेंस-बेस्ड मेथड" (दूरी-आधारित विधि) कहते हैं।

उनकी खोज का विवरण यहाँ दिया गया है, सरल उपमाओं का उपयोग करते हुए:

1. समस्या: "रूलर" (पैमाना) बनाम "मैप" (मानचित्र)

जब शोधकर्ताओं को इस 2D सीमा का सामना करना पड़ता है, तो वे अक्सर चीजों को सरल बनाने की कोशिश करते हैं। पूरे मानचित्र को देखने के बजाय, वे प्रत्येक छात्र की सीमा रेखा से दूरी मापते हैं।

उपमा: कल्पना कीजिए कि सीमा एक नदी है। मानचित्र पर लोग कहाँ रहते हैं, यह देखने के बजाय, आप बस यह मापते हैं कि वे पानी के किनारे से कितने फीट दूर खड़े हैं।
लक्ष्य: वे जानना चाहते हैं: "क्या नदी के बस एक फुट पार होना (छात्रवृत्ति मिलना) आपके जीवन को उस व्यक्ति की तुलना में बदल देता है जो नदी से बस एक फुट दूर है?"

2. बड़ी खोज: नदी का आकार मायने रखता है

लेखकों ने इस "दूरी" विधि में एक छिपे हुए जाल की खोज की। उन्होंने पाया कि सीमा का आकार (नदी) माप की सटीकता को बदल देता है।

चिकनी नदी (अच्छी खबर): यदि सीमा एक पूरी तरह से सीधी या धीरे-धीरे मुड़ने वाली रेखा है, तो दूरी विधि खूबसूरती से काम करती है। यह एक सीधी दीवार से दूरी मापने जैसा है; गणित स्पष्ट है और परिणाम सटीक हैं।
टेढ़ी-मेढ़ी नदी (बुरी खबर): वास्तविक दुनिया की सीमाएँ शायद ही कभी पूर्ण होती हैं। उनमें कौने (kinks), मोड़ या तीखे मोड़ (जैसे "L" आकार) होते हैं।
- रूपक: एक इमारत के तीखे कोने के पास खड़े होने की कल्पना करें। यदि आप कोने से अपनी दूरी मापते हैं, तो इमारत का "आकार" यह बदल देता है कि वास्तव में कितने लोग वहां पास में हैं।
- परिणाम: लेखकों ने सिद्ध किया कि इन तीखे कोनों के पास, दूरी विधि "भ्रमित" हो जाती है। भले ही आप सुपर-स्मार्ट गणित (हाई-ऑर्डर पॉलिनोमियल) का उपयोग करें, त्रुटि उतनी तेजी से दूर नहीं होती जितनी आप उम्मीद करते हैं। यह एक कमरे के तापमान को थर्मामीटर से मापने जैसा है जो हवा के झोंके वाले कोने में फंस जाता है; थर्मामीटर कितना भी अच्छा क्यों न हो, रीडिंग गलत (biased) ही रहेगी।

3. समाधान: "रेगुलराइज्ड" बैंडविड्थ (Regularized Bandwidths)

सांख्यिकी (statistics) में, "बैंडविड्थ" एक कैमरे के ज़ूम लेवल की तरह है।

यदि आप बहुत अधिक ज़ूम इन करते हैं (छोटा बैंडविड्थ), तो आप बहुत अधिक शोर (noise) देखते हैं।
यदि आप बहुत अधिक ज़ूम आउट करते हैं (बड़ा बैंडविड्थ), तो आप विवरणों को धुंधला कर देते हैं।

शोध पत्र सही "ज़ूम" चुनने के लिए एक नया नियम पुस्तिका प्रदान करता है:

यदि सीमा चिकनी है: आप सटीक विवरण प्राप्त करने के लिए करीब ज़ूम इन कर सकते हैं।
यदि सीमा में टेढ़े-मेढ़े मोड़ (kinks) हैं: आपको ज़ूम आउट करना चाहिए (बड़ा बैंडविड्थ उपयोग करना चाहिए) ताकि कोने द्वारा उत्पन्न भ्रम को सुधारा जा सके।
"एडेप्टिव" (अनुकूलनीय) दृष्टिकोण: लेखक एक स्मार्ट कैमरे का सुझाव देते हैं जो कोने का पता चलते ही अपने आप ज़ूम आउट हो जाता है और रेखा सीधी होने पर ज़ूम इन हो जाता है। यह सुनिश्चित करता है कि सीमा के हर हिस्से पर परिणाम सटीक हों।

4. सटीकता की "स्पीड लिमिट" (गति सीमा)

यह शोध पत्र यह भी स्थापित करता है कि इन विधियों के सच जानने की गति की "स्पीड लिमिट" क्या है।

उपमा: कल्पना कीजिए कि आप अपने हाथों से किसी छिपी हुई वस्तु को महसूस करके उसके आकार का अनुमान लगाने की कोशिश कर रहे हैं। यदि वस्तु की सतह चिकनी है, तो आप उसके आकार का अनुमान जल्दी लगा सकते हैं। यदि उसके किनारे ऊबड़-खाबड़ या फ्रैक्टल जैसे हैं (जैसे समुद्र तट का किनारा), तो एक अच्छा अनुमान लगाने में बहुत अधिक समय लगता है।
निष्कर्ष: लेखकों ने सिद्ध किया कि दूरी-आधारित विधियों के लिए, यदि सीमा "ऊबड़-खाबड़" है, तो सटीक उत्तर पाने की गति की एक मौलिक सीमा है। आप कितना भी डेटा एकत्र कर लें, जब तक कि आप अपनी विधि को उस ऊबड़-खाबड़पन के अनुसार नहीं बदलते, आप इस स्पीड लिमिट को पार नहीं कर सकते।

5. वास्तविक दुनिया में इसका महत्व क्या है

लेखकों ने अपने सिद्धांत का परीक्षण एक वास्तविक उदाहरण का उपयोग करके किया: एक कोलंबियाई छात्रवृत्ति कार्यक्रम जहाँ पात्रता परीक्षा स्कोर और गरीबी स्तर दोनों पर निर्भर थी। पात्रता की सीमा एक "L" आकार (एक कोना/kink) थी।

इस शोध पत्र से पहले: शोधकर्ता मानक उपकरणों का उपयोग कर रहे होंगे जिन्होंने "L" आकार को अनदेखा किया, जिससे संभावित रूप से इस बारे में गलत उत्तर मिल सकते थे कि किसे छात्रवृत्ति से सबसे अधिक लाभ हुआ।
इस शोध पत्र के बाद: अब शोधकर्ताओं के पास उन "कोनों" के लिए अपने विश्लेषण को समायोजित करने के लिए एक विशिष्ट सॉफ्टवेयर टूल (rd2d) और नियमों का एक सेट है। यह सुनिश्चित करता है कि नीतिगत निर्णय सटीक डेटा पर आधारित हों, न कि उन सांख्यिकीय त्रुटियों पर जो पात्रता रेखा के आकार के कारण उत्पन्न हुई हों।

सारांश

इस शोध पत्र को एक बंपी (ऊबड़-खाबड़) सड़क पर नेविगेट करने के गाइड के रूप में सोचें।

सड़क: उपचार (जैसे छात्रवृत्ति) प्राप्त करने और न प्राप्त करने के बीच की सीमा।
कार: प्रभाव को मापने के लिए उपयोग की जाने वाली सांख्यिकीय विधि।
खोज: मानक कारें (विधियाँ) सीधी सड़कों पर सुचारू रूप से चलती हैं लेकिन तीखे मोड़ों (kinks) पर टकरा जाती हैं या फिसल जाती हैं।
समाधान: लेखों ने एक नया सस्पेंशन सिस्टम (बैंडविड्थ चयन नियम) बनाया है जो स्वचालित रूप से झटकों के अनुसार खुद को समायोजित करता है, जिससे यह सुनिश्चित होता है कि कार सड़क पर बनी रहे और यात्री (शोधकर्ता) सुरक्षित रूप से अपने गंतव्य (सत्य) तक पहुँच सकें।

उन्होंने एक मुफ्त टूलकिट (सॉफ्टवेयर) भी जारी किया है ताकि कोई भी अपने स्वयं के डेटा पर इन नए नियमों को लागू कर सके, जिससे यह सुनिश्चित हो सके कि भौगोलिक सीमाओं, स्कूल जिलों या नीतिगत दहलीज (thresholds) पर किए गए अध्ययन पहले से कहीं अधिक विश्वसनीय हैं।

यहाँ कैटेनो, टिटुनिक और यू (Cattano, Titiunik, and Yu) के शोध पत्र "Estimation and Inference in Boundary Discontinuity Designs: Distance-Based Methods" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र बाउंडरी डिस्कंटिन्यूटी (BD) डिजाइन्स में कारण प्रभावों (causal effects) के अनुमान लगाने की सांख्यिकीय चुनौतियों को संबोधित करता है। मानक रिग्रेशन डिस्कंटिन्यूटी (RD) डिजाइन्स के विपरीत, जहाँ उपचार (treatment) एक एकल थ्रेशोल्ड को पार करने वाले एक यूनिवेरिएट रनिंग वेरिएबल के आधार पर दिया जाता है, BD डिजाइन्स में इकाइयों के पास बाइवेरिएट स्कोर $X_i = (X_{1i}, X_{2i})^\top$ होते हैं। उपचार इस आधार पर दिया जाता है कि इकाई स्कोर के सपोर्ट को विभाजित करने वाली एक एक-आयामी सीमा वक्र (one-dimensional boundary curve) $\mathcal{B}$ के किस ओर स्थित है।

इसका प्राथमिक लक्ष्य बाउंड्री एवरेज ट्रीटमेंट इफेक्ट कर्व (BATEC) का अनुमान लगाना है, जिसे $\tau(x)$ द्वारा दर्शाया गया है, जो सीमा $\mathcal{B}$ के प्रत्येक बिंदु $x$ पर विषम उपचार प्रभावों (heterogeneous treatment effects) को कैप्चर करता है:
$\tau(x) = E[Y_i(1) - Y_i(0) \mid X_i = x], \quad x \in \mathcal{B}$

हालाँकि लोकेशन-आधारित विधियाँ (पूर्ण बाइवेरिएट स्कोर का उपयोग करके) मौजूद हैं, यह शोध पत्र डिस्टेंस-आधारित विधियों पर ध्यान केंद्रित करता है, जो अनुभवजन्य अनुप्रयोगों (जैसे भौगोलिक RD) में व्यापक रूप से उपयोग की जाती हैं। ये विधियाँ बाइवेरिएट स्कोर को एक यूनिवेरिएट साइंड डिस्टेंस (signed distance) रनिंग वेरिएबल $D_i(x) = (1(X_i \in A_1) - 1(X_i \in A_0)) \cdot d(X_i, x)$ में बदल देती हैं, जहाँ $d(\cdot, \cdot)$ एक दूरी फलन (distance function) है। लेखक इन डिस्टेंस-आधारित अनुमानकों (estimators) की सैद्धांतिक वैधता, पूर्वाग्रह (bias) गुणों और अनुमान प्रक्रियाओं की जांच करते हैं, विशेष रूप से यह देखते हुए कि ज्यामितीय नियमितता (geometric regularity) सीमा $\mathcal{B}$ अनुमान को कैसे प्रभावित करती है।

2. कार्यप्रणाली (Methodology)

लेखक यूनिवेरिएट डिस्टेंस स्कोर पर आधारित आइसोट्रोपिक लोकल पॉलीनोमियल रिग्रेशन (isotropic local polynomial regression) का प्रस्ताव और विश्लेषण करते हैं।

अनुमानक (Estimator): लक्षित बिंदु $x \in \mathcal{B}$ के लिए, अनुमानक $\hat{\tau}(x)$ दो स्थानीय बहुपद प्रतिगमन (local polynomial regressions) के बीच का अंतर है (एक उपचार क्षेत्र $A_1$ के लिए और एक नियंत्रण क्षेत्र $A_0$ के लिए) जिन्हें दूरी चर $D_i(x)$ के कटऑफ $c=0$ पर आंका गया है।
$\hat{\tau}(x) = \hat{\theta}_{1,x}(0) - \hat{\theta}_{0,x}(0)$
जहाँ $\hat{\theta}_{t,x}(0)$ दूरी $D_i(x)$ पर लागू किए गए कर्नेल $K_h(\cdot)$ का उपयोग करके भारित वर्ग त्रुटियों (weighted sum of squared errors) के योग को कम करता है।
आइसोट्रोपिक स्मूथिंग (Isotropic Smoothing): यह विधि दूरी चर को एक मानक यूनिवेरिएट रनिंग वेरिएबल के रूप में मानती है। इसका तात्पर्य आइसोट्रोपिक स्मूथिंग है: प्रेक्षणों (observations) को केवल उनके यूक्लिडियन (या मेट्रिक) दूरी के आधार पर भारित किया जाता है, चाहे वे सीमा के किस दिशा से आ रहे हों।
पूर्वाग्रह अपघटन (Bias Decomposition): अनुमान त्रुटि को निम्नलिखित में विभाजित किया गया है:
1. एप्रोक्सिमेशन बायस ( $B(x)$ ): वास्तविक कारण पैरामीटर $\tau(x)$ और प्रेरित यूनिवेरिएट कंडीशनल एक्सपेक्टेशन $\theta_{t,x}(0)$ के बीच का अंतर।
2. स्टोकेस्टिक एरर (Stochastic Error): अनुमानक की सैंपलिंग परिवर्तनशीलता।

3. मुख्य योगदान (Key Contributions)

यह शोध पत्र तीन प्रमुख सैद्धांतिक योगदान देता है:

A. पहचान सिद्धांत (Identification Theory)

लेखक उन शर्तों को स्थापित करते हैं जिनके तहत डिस्टेंस-आधारित एस्टिमेंड (estimand) $\theta_{1,x}(0) - \theta_{0,x}(0)$ वास्तविक BATEC $\tau(x)$ की पहचान करता है।

थ्योरम 1: यह दर्शाता है कि पहचान तब बनी रहती है यदि सीमा $\mathcal{B}$ एक रेक्टिफिएबल कर्व (rectifiable curve) है और डेटा जनरेटिंग प्रोसेस मानक स्मूथनेस स्थितियों को पूरा करता है। डिस्टेंस-आधारित कंडीशनल एक्सपेक्टेशन का सीमा (limit), सीमा बिंदु पर वास्तविक कंडीशनल एक्सपेक्टेशन की ओर अभिसरित (converge) होता है।

B. एप्रोक्सिमेशन बायस और ज्यामितीय अनियमितताएँ (Approximation Bias and Geometric Irregularities)

यह शोध पत्र का सबसे महत्वपूर्ण सैद्धांतिक अंतर्दृष्टि है। लेखक प्रदर्शित करते हैं कि सीमा की ज्यामिति (geometry of the boundary) डिस्टेंस-आधारित अनुमानकों के पूर्वाग्रह गुणों को मौलिक रूप से बदल देती है।

थ्योरम 2 (अनियमित सीमाएँ): यदि सीमा $\mathcal{B}$ $B$ में किंक्स (kinks) (ऐसे बिंदु जहाँ स्पर्श रेखा (tangent) परिभाषित नहीं है या अचानक बदल जाती है) हैं, तो डिस्टेंस-आधारित अनुमानक का एप्रोक्सिमेशन बायस अपरिहार्य रूप से $O(h)$ के क्रम का होता है, चाहे उपयोग किया गया बहुपद क्रम $p$ $p$ या मूल प्रतिगमन फलनों की स्मूथनेस कुछ भी हो।
- तंत्र (Mechanism): किनक के पास, प्रेरित यूनिवेरिएट कंडीशनल एक्सपेक्टेशन $\theta_{t,x}(r)$ गैर-विभेदक (non-differentiable) हो जाता है (लिप्सचिट्ज़ निरंतर (Lipschitz continuous) लेकिन स्मूथ नहीं), क्योंकि दूरी फलन के लेवल सेट्स (level sets) की ज्यामिति द्वारा उन्हें काट दिया जाता है।
- निहितार्थ: बहुपद क्रम $p$ को बढ़ाना (जैसे, रैखिक के बजाय द्विघात (quadratic) का उपयोग करना) किनक के पास बायस को कम नहीं करता है।
थ्योरम 3 (स्मूथ सीमाएँ): यदि सीमा $\mathcal{B}$ पर्याप्त रूप से स्मूथ है (जैसे, $C^{\kappa+2}$ ), तो मानक नॉनपैरामीट्रिक बायस दर $O(h^{\kappa \wedge (p+1)})$ पुनः प्राप्त हो जाती है।

C. मिनिमैक्स इष्टतमता और अभिसरण दरें (Minimax Optimality and Convergence Rates)

थ्योरम 4 और 5 (अभिसरण और अनुमान): लेखक पॉइंटवाइज और यूनिफॉर्म अभिसरण दरें निकालते हैं और वैध कॉन्फिडेंस इंटरवल और बैंड्स का निर्माण करते हैं।
- वेरिएंस अभिसरण दर $(nh^2)^{-1}$ है, जो मानक यूनिवेरिएट RD ( $nh^{-1}$ ) की तुलना में धीमी है क्योंकि लक्ष्य एक वक्र पर प्रतिबंधित द्विविचरित (bivariate) फलन है।
- वैध यूनिफॉर्म अनुमान के लिए "स्मॉल बायस" स्थिति की आवश्यकता होती है। जब किनक्स मौजूद होते हैं, तो इसके लिए अंडरस्मूथिंग (ऐसा $h$ चुनना जिससे बायस वेरिएंस के सापेक्ष नगण्य हो जाए) आवश्यक है।
थ्योरम 6 (मिनिमैक्स लोअर बाउंड): लेखक सिद्ध करते हैं कि एक रेक्टिफिएबल बाउंड्री पर आइसोट्रोपिक नॉनपैरामीट्रिक अनुमानकों के एक व्यापक वर्ग के लिए, यूनिफॉर्म मिनिमैक्स अभिसरण दर $n^{-1/4}$ है (लॉग-फैक्टरों तक)।
- यह दर लिप्सचिट्ज़ निरंतर द्विविचरित फलनों के अनुमान के लिए इष्टतम दर के साथ मेल खाती है।
- महत्वपूर्ण रूप से, कोई भी आइसोट्रिक डिस्टेंस-आधारित अनुमानक $n^{-1/4}$ से तेज़ दर प्राप्त नहीं कर सकता यदि सीमा में किनक्स हो सकते हैं, चाहे मूल डेटा की स्मूथनेस कुछ भी हो। यह लोकेशन-आधारित विधियों की तुलना में डिस्टेंस-आधारित विधियों की एक मौलिक सीमा स्थापित करता है।

4. परिणाम और संख्यात्मक साक्ष्य (Results and Numerical Evidence)

सिमुलेशन अध्ययन: कोलंबिया के "सेर पिलो पागा" (SPP) शिक्षा सब्सिडी कार्यक्रम (जिसकी एक L-आकार की सीमा और एक किनक है) से कैलिब्रेटेड डेटा का उपयोग करते हुए, लेखक दिखाते हैं कि:
- मानक यूनिवेरिएट RD बैंडविड्थ चयनकर्ता (जो स्मूथ सीमाओं के लिए डिज़ाइन किए गए हैं) किनक्स के पास महत्वपूर्ण बायस पैदा करते हैं।
- एडाप्टिव बैंडविड्थ चयन (किनक्स के पास $h \propto n^{-1/4}$ और अन्यत्र $h \propto n^{-1/(4+2p)}$ का उपयोग करके) इस बायस को प्रभावी ढंग से कम करता है।
अनुभवजन्य अनुप्रयोग (Empirical Application): लेखक SPP डेटा का पुन: विश्लेषण करते हैं। वे सीमा के साथ विषम उपचार प्रभाव पाते हैं: कार्यक्रम अकादमिक स्कोर और धन (wealth) के उच्च स्तर की तुलना में कम स्कोर और कम धन (किनक के पास) वाले छात्रों के लिए अधिक प्रभावी है।

5. महत्व और व्यावहारिक निहितार्थ (Significance and Practical Implications)

सैद्धांतिक आधार: यह BD डिजाइन्स में डिस्टेंस-आधारित विधियों के लिए पहला कठोर सैद्धांतिक औचित्य है। यह स्पष्ट करता है कि ये विधियाँ लोकप्रिय (सरलता, डेटा उपलब्धता के कारण) क्यों हैं, लेकिन साथ ही उनकी सांख्यिकीय सीमाओं को भी उजागर करता है।
ज्यामितीय जागरूकता: यह शोध पत्र शोधकर्ताओं के देखने के नजरिए को मौलिक रूप से बदल देता है। यह तर्क देता है कि सीमा की ज्यामिति केवल एक परेशानी वाला पैरामीटर (nuisance parameter) नहीं है, बल्कि सांख्यिकीय प्रदर्शन का एक केंद्रीय निर्धारक है।
कार्यान्वयन दिशानिर्देश:
- बैंडविड्थ चयन: शोधकर्ताओं को अंधाधुंध यूनिवेरिएट RD बैंडविड्थ नियमों को लागू नहीं करना चाहिए। यदि सीमा में किनक्स हैं, तो इष्टतम बैंडविड्थ वैश्विक स्तर पर $n^{-1/4}$ के रूप में स्केल होती है या एडेप्टिव रूप से स्केल होती है।
- बायस सुधार: मानक रोबस्ट बायस सुधार (उच्च-क्रम बहुपदों का उपयोग करके) किनक्स के पास विफल हो जाता है क्योंकि बायस $O(h^{p+1})$ नहीं बल्कि $O(h)$ होता है। अंडरस्मूथिंग (undersmoothing) ही अनुशंसित उपाय है।
- सॉफ्टवेयर: लेखक rd2d R पैकेज प्रदान करते है, जो इन डिस्टेंस-आधारित अनुमानकों, एडेप्टिव बैंडविड्थ चयनकर्ताओं और यूनिफॉर्म अनुमान प्रक्रियाओं को लागू करता है।

संक्षेप में, यह शोध पत्र डिस्टेंस-आधारित विधियों का उपयोग करके बाउंड्री डिस्कंटिन्यूटी डिजाइन्स में कारण अनुमान के लिए एक व्यापक ढांचा प्रदान करता है। यह स्थापित करता है कि हालांकि ये विधियाँ व्यावहारिक और वैध हैं, उनका प्रदर्शन असाइनमेंट बाउंड्री की ज्यामितीय नियमितता द्वारा सख्ती से सीमित है, जिसके लिए किनक्स जैसी अनियमितताओं को संभालने के लिए विशेष अनुमान और निष्कर्ष रणनीतियों की आवश्यकता होती है।