📈 economics

Identification Design

यह शोध पत्र माइक्रोइकोनोमेट्रिक्स में पहचान डिजाइन (identification design) के लिए एक रूपरेखा विकसित करता है, यह प्रदर्शित करते हुए कि जबकि उपचार-प्रभाव मॉडल (treatment-effect models) स्वाभाविक रूप से हेरफेर योग्य होते हैं, पर्याप्त समृद्ध सहचरों (covariates) का प्रकटीकरण प्रयोगों में हेरफेर को समाप्त कर सकता है, जबकि अवलोकनात्मक अध्ययन सहचर चयन (covariate selection) के प्रति आंशिक रूप से असुरक्षित बने रहते हैं।

मूल लेखक: Maxwell Rosenthal

प्रकाशित 2026-04-20

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Maxwell Rosenthal

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 शहर के मेयर हैं और आपको यह तय करना है कि एक नया पार्क बनाना है या एक नई लाइब्रेरी। आप यह नहीं जानते कि नागरिक वास्तव में किसे पसंद करेंगे। आप एक शोधकर्ता (मान लीजिए कि उसका नाम "डेटा डेव" है) पर निर्भर हैं जो आपको सबूत देगा।

लेकिन यहाँ एक पेंच है: डेटा डेव के अपने एजेंडे हैं। शायद वह खुद को जीनियस दिखाना चाहता हो, या शायद वह किसी विशिष्ट नीति को बढ़ावा देना चाहता हो। वह उसके द्वारा एकत्र किए गए कच्चे आंकड़ों के बारे में झूठ नहीं बोल सकता (वह धोखाधड़ी होगी), लेकिन वह यह चुन सकता है कि उन आंकड़ों को आपके सामने कैसे प्रस्तुत किया जाए। वह अच्छे हिस्सों को उजागर कर सकता है और भ्रमित करने वाले हिस्सों को छिपा सकता है।

यह शोध पत्र, जिसे मैक्सवेल रोसेन्थल ने लिखा है, एक बड़ा सवाल पूछता है: एक निर्णय लेने वाले के रूप में, आप खुद को उस शोधकर्ता से कैसे बचा सकते हैं जो आपको अपना पसंदीदा विकल्प चुनने के लिए मजबूर करने की कोशिश कर रहा है?

यहाँ सरल उपमाओं का उपयोग करके इस शोध पत्र के विचारों का विवरण दिया गया है।

1. "सबसे खराब स्थिति" वाली मानसिकता (The "Worst-Case" Mindset)

अधिकांश अर्थशास्त्र के शोध पत्रों में, निर्णय लेने वाला एक ऐसे जुआरी की तरह होता है जिसकी एक "अंतर्ज्ञान" (prior) होती है कि क्या सच है। लेकिन इस शोध पत्र में, निर्णय लेने वाला एक शंकालु और संदेही (paranoid skeptic) है।

अनुमान लगाने के बजाय, संदेही कहता है: "मुझे तुम्हारे अंतर्ज्ञान पर भरोसा नहीं है। मैं उन सभी संभावित वास्तविकताओं को देखूँगा जो तुम्हारे दिखाए गए डेटा के अनुकूल हैं। मैं यह मान लूँगा कि सबसे खराब संभव वास्तविकता ही सच है, और मैं उस कार्य को चुनूँगा जो उस सबसे खराब स्थिति में सबसे अच्छा काम करता है।"

उपमा: कल्पना कीजिए कि आप एक पुरानी कार खरीद रहे हैं। सेल्समैन आपको इंजन दिखाता है। एक सामान्य खरीदार सोचता है, "यह अच्छा दिख रहा है, तो शायद ठीक ही होगा।" आपका "संदेही" खरीदार सोचता है, "ठीक है, यह मानते हुए कि इंजन वास्तव में सबसे खराब तरीके से खराब है, क्या यह अभी भी सबसे अच्छी कार है जिसे मैं खरीद सकता हूँ?" यदि उत्तर 'हाँ' है, तो आप इसे खरीदते हैं। यदि नहीं, तो आप वापस आ जाते हैं।

2. हेरफेर का "जादुई खेल" (The "Magic Trick" of Manipulation)

यह शोध पत्र एक चौंकाने वाली बात खोजता है: कारण-और-प्रभाव (जैसे "क्या यह दवा फ्लू ठीक करती है?") के लगभग हर अध्ययन में, शोधकर्ता आपको अपनी पसंद का परिणाम चुनने के लिए बेवकूफ बना सकता है।

उपमा: कल्पना कीजिए कि एक जादूगर (शोधकर्ता) और एक न्यायाधीश (आप) हैं। जादूगर के पास ताश की एक गड्डी (डेटा) है। वह गड्डी को फेंट सकता है और आपको एक विशिष्ट कार्ड दिखा सकता है।
- यदि वह आपको "स्पेड का इक्का" दिखाता है, तो आप सोच सकते हैं, "बहुत बढ़िया, मैं स्पेड पर दांव लगाऊंगा!"
- यदि वह आपको "हार्ट का किंग" दिखाता है, तो आप सोच सकते हैं, "ठीक है, मैं हार्ट पर दांव लगाऊंगा!"
- शोध पत्र साबित करता है कि यदि डेटा पर्याप्त जटिल है (जो कि आमतौर पर होता है), तो जादूगर गड्डी को इस तरह व्यवस्थित कर सकता है कि वह आपको जो भी कार्ड दिखाए, आप हमेशा उसी कार्ड पर दांव लगाएंगे जिसे वह चाहता है कि आप लगाएं।

इसे हेरफेर (Manipulability) कहा जाता है। शोध पत्र कहता है कि चिकित्सा परीक्षणों और सामाजिक विज्ञान की दुनिया में, हर एक अध्ययन हेरफेर योग्य (manipulable) है। शोधकर्ता हमेशा डेटा को इस तरह प्रस्तुत करने का तरीका ढूंढ सकता है जिससे उनका पसंदीदा नीति सबसे "सुरक्षित" विकल्प के रूप में दिखाई दे।

3. "लगभग पूर्ण सत्य" का खेल (The "Almost Full Truth" Trick)

आप सोच सकते हैं, "खैर, यदि शोधकर्ता मुझे सारा डेटा दिखाता है, तो वह मुझे धोखा नहीं दे सकता, है ना?"

शोध पत्र कहता है: नहीं। वे अभी भी आपको धोखा दे सकते हैं, लेकिन उन्हें बहुत चतुर होना होगा। वे 99% डेटा दिखा सकते हैं, बस एक छोटी सी, विशिष्ट जानकारी छिपा सकते हैं।

उपमा: एक पहेली (puzzle) की कल्पना करें। यदि आप पूरी तस्वीर देखते हैं, तो आप उत्तर जानते हैं। लेकिन यदि शोधकर्ता आपको पूरी तस्वीर दिखाता है सिवाय एक छोटे से कोने के टुकड़े के, तो वे उस गायब टुकड़े को इस तरह व्यवस्थित कर सकते हैं कि पूरी तस्वीर का अर्थ बदल जाए। वे इतना छिपा सकते हैं कि आप उनके पसंदीदा विकल्प को चुनें, जबकि वे "लगभग सब कुछ" दिखा रहे होते हैं।

4. समाधान: "कोवेरिएट" (Covariate) कवच

तो, हम धोखेबाज को कैसे रोकें? यह शोध पत्र वास्तविक दुनिया के विज्ञान के लिए एक व्यावहारिक नियम प्रदान करता है।

यह पता चलता है कि यदि शोधकर्ता को मजबूर किया जाता है कि वह आपको लोगों के विशिष्ट समूहों (जिन्हें "कोवेरिएट्स" कहा जाता है) के आधार पर डेटा दिखाए, तो जादुई खेल काम करना बंद कर देता है।

उपमा:
- जाल: शोधकर्ता कहता है, "देखो, 60% लोग जो दवा लेते हैं, वे ठीक हो गए!" आप सोचते हैं, "बहुत बढ़िया!" लेकिन रुकिए, शायद जो लोग दवा ले रहे थे वे पहले से ही युवा और स्वस्थ थे, जबकि बीमार लोग दवा नहीं ले रहे थे।
- कवच: नियम कहता है, "आपको मुझे आयु, लिंग और पहले से मौजूद स्थितियों के आधार पर डेटा दिखाना होगा।"
- यदि शोधकर्ता को प्रत्येक समूह (जैसे, "युवा पुरुष," "वृद्ध महिलाएँ," आदि) के लिए डेटा दिखाना पड़ता है, तो वह अब यह नहीं छिपा सकता कि समूह अलग थे। वह गड्डी को फिर से व्यवस्थित नहीं कर सकता क्योंकि कार्ड एक ग्रिड में व्यवस्थित हैं जिसे आप देख सकते हैं।

शोध पत्र का स्वर्णिम नियम:
यदि कोई अध्ययन एक प्रयोग (experiment) है (जहाँ शोधकर्ता यादृच्छिक रूप से तय करता है कि किसे दवा दी जाएगी), और वे आपको शामिल सभी समूहों का डेटा दिखाते हैं, तो आप सुरक्षित हैं। आपको हेरफेर नहीं किया जा सकता।

हालाँकि, यदि यह एक अवलोकन संबंधी अध्ययन (observational study) है (जहाँ लोग अपनी पसंद की दवा खुद चुनते हैं, जैसे वास्तविक जीवन में), तो शोधकर्ता आपको उन समूहों को चुनकर हेरफेर कर सकता है जिन्हें वह दिखाना चाहता है। यदि वह "बीमार वृद्ध लोगों" के समूह को छिपा देता है, तो वह दवा को बहुत प्रभावी दिखा सकता है।

5. यह क्यों महत्वपूर्ण है

यह शोध पत्र विज्ञान और नीति को पढ़ने के तरीके के लिए एक चेतावनी है।

"सारांश" (summary) आंकड़ों पर भरोसा न करें। यदि एक शोधकर्ता आपको केवल एक बड़ा औसत नंबर देता है, तो संभावना है कि वह उन विवरणों को छिपा रहा है जो आपका विचार बदल सकते हैं।
"कोवेरिएट्स" (Covariates) की मांग करें। हमेशा पूछें: "क्या उन्होंने मुझे प्रत्येक उप-समूह (subgroup) के लिए डेटा दिखाया?" यदि वे केवल आपको "अच्छे" उप-समूह दिखाते हैं, तो संदेह करें।
प्रयोग (Experiments) अवलोकन संबंधी अध्ययनों (Observational Studies) की तुलना में अधिक सुरक्षित हैं। रैंडमाइज्ड ट्रायल (Randomized trials) को हेरफेर करना उन अध्ययनों की तुलना में बहुत कठिन है जहाँ लोग अपने उपचार स्वयं चुनते हैं।

एक वाक्य में सारांश

शोध पत्र यह सिद्ध करता है कि शोधकर्ता लगभग हमेशा निर्णय लेने वालों को उनकी पसंदीदा नीति चुनने के लिए धोखा दे सकते हैं, लेकिन हम उन्हें ऐसा करने से रोक सकते हैं यदि हम उनसे शामिल प्रत्येक विशिष्ट समूह के लिए डेटा का पूरा विवरण दिखाने की मांग करें।

यहाँ मैक्सवेल रोसेन्थल के शोध पत्र "Identification Design" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र रणनीतिक संचार (strategic communication) और कारण अनुमान (causal inference) के साहित्य में एक मौलिक अंतराल को संबोधित करता है। रणनीतिक संचार के मानक मॉडल (जैसे, बेयसियन पर्सुएशन) एक ऐसे निर्णय निर्माता (decision maker - DM) की कल्पना करते हैं जिसके पास एक बाह्य जनिक पूर्वग्रह (exogenous prior) होता है जो एक विशिष्ट संकेत प्राप्ति पर अपने विश्वासों को अपडेट करता है। हालाँकि, अनुभवजन्य अनुसंधान (विशेष रूप से माइक्रो-इकोनोमेट्रिक्स और नियामक मूल्यांकन) में, शोधकर्ता अक्सर व्यक्तिगत स्तर के डेटा के बजाय आंकड़ों के समग्र वितरण (aggregate data distributions) (जैसे, परिणामों, उपचारों और सह-चरों के संयुक्त वितरण) का खुलासा करते हैं।

मूल समस्या यह है: एक वस्तुनिष्ठ, पूर्व-रहित निर्णय निर्माता (prior-free decision maker) को उस सूचना संरचना (सूचना संरचना/information structure) के प्रति कैसे प्रतिक्रिया देनी चाहिए (जो एक शोधकर्ता द्वारा डेटा प्रकटीकरण है) जब उन्हें वास्तविक अवस्था (true state) के बारे में अनिश्चितता का सामना करना पड़ता है? DM वास्तविक अवस्थाओं के वितरण ( $\mu$ ) को नहीं जानता है, लेकिन वह शोधकर्ता द्वारा उत्पन्न संकेतों के वितरण को देखता है। DM को एक ऐसा कार्य (जैसे, एक उपचार नीति) चुनना होगा जो देखे गए डेटा और संरचनात्मक धारणाओं के अनुरूप सभी अवस्था वितरणों पर सबसे खराब स्थिति वाले लाभ (worst-case payoff) को अधिकतम करता हो।

यह शोध पत्र पूछता है:

किन परिस्थितियों में एक वातावरण हेरफेर योग्य (manipulable) होता है? (अर्थात, क्या एक शोधकर्ता हमेशा एक ऐसी सूचना संरचना डिजाइन कर सकता है जिससे DM को किसी भी वांछित कार्य के लिए प्रेरित किया जा सके, चाहे वास्तविक अवस्था कुछ भी हो?)
विशिष्ट प्रकटीकरण नीतियां (जैसे, केवल सह-चरों के सीमांत वितरण प्रकट करना) DM को हेरफेर करने की क्षमता को कैसे प्रभावित करती हैं?
जब सटीक पहचान (exact identification) असंभव हो, तो लाभों की सटीक सीमाएँ (sharp bounds) क्या हैं?

2. कार्यप्रणाली और मॉडल ढांचा (Methodology and Model Framework)

परिवेश (The Environment)

अवस्थाएँ ( $\Omega$ ): विलुप्त चरों (latent variables) (जैसे, संभावित परिणाम, उपचार असाइनमेंट) के वास्तविक वितरण का प्रतिनिधित्व करने वाला एक परिमित सेट।
कार्य ( $A$ ): कार्यों का एक कॉम्पैक्ट मेट्रिक स्पेस (जैसे, उपचार $a \in \{0, 1\}$ चुनना)।
स्वीकार्य पूर्वग्रह ( $P$ ): संरचनात्मक धारणाओं (जैसे, अनकन्फाउंडेडनेस, स्ट्रिक्ट ओवरलैप) के अनुरूप संभाव्यता वितरणों का एक सेट। वास्तविक वितरण $\mu \in P$ है।
सूचना संरचना ( $\Sigma, E$ ): एक मैपिंग जहाँ $E: \Omega \to \Delta(\Sigma)$ प्रत्येक अवस्था के लिए संदेशों (संकेतों) के वितरण को निर्दिष्ट करती है। DM संकेतों का जनसंख्या वितरण $E_\mu$ देखता है, न कि व्यक्तिगत वास्तविकता।
पहचाना गया सेट (Identified Set): दिए गए प्रेक्षित संकेत वितरण $E_\mu$ के आधार पर, संभावित अवस्था वितरणों का सेट $P_\mu(\Sigma, E) = \{ \nu \in P \mid E_\nu = E_\mu \}$ है।
निर्णय नियम (Decision Rule): DM सबसे खराब स्थिति वाले अपेक्षित उपयोगिता (worst-case expected utility) को अधिकतम करने के लिए कार्य $\alpha$ चुनता है:
$\max_{\alpha} \inf_{\nu \in P_\mu(\Sigma, E)} U(\alpha, \nu)$
एक सूचना संरचना कार्य $\alpha$ को लागू (implements) करती है यदि $\alpha$ इस मैक्सिमिन (maximin) समस्या का अद्वितीय समाधान है।

मुख्य अवधारणाएं (Key Concepts)

हेरफेरशीलता (Manipulability): एक वातावरण हेरफेर योग्य है यदि प्रत्येक कार्य $\alpha$ और प्रत्येक वास्तविक अवस्था $\mu$ के लिए, एक ऐसी सूचना संरचना मौजूद है जो $\alpha$ को लागू करती है।
सीमांत सूचना संरचनाएं (Marginal Information Structures): एक प्रतिबंध जो वास्तविक दुनिया के अभ्यास को दर्शाता है जहाँ शोधकर्ता चरों के एक उपसमुच्चय (subset) के संयुक्त वितरण (जैसे, परिणाम $Y$ , उपचार $T$ , और सह-चरों का एक उपसमुच्चय $Z$ ) को प्रकट करता है, जबकि अन्य ( $W$ ) को छोड़ देता है।

3. मुख्य योगदान और परिणाम (Key Contributions and Results)

A. हेरफेरशीलता का लक्षण वर्णन (Characterization of Manipulability)

सिद्धांत 1 (Theorem 1) एक वातावरण के हेरफेर योग्य होने के लिए आवश्यक और पर्याप्त शर्त प्रदान करता है:

एक वातावरण हेरफेर योग्य है यदि और केवल यदि स्वीकार्य पूर्वग्रहों पर सबसे खराब स्थिति वाला लाभ सभी कार्यों के लिए समान है।
$\inf_{\nu \in P} U(\alpha, \nu) = \inf_{\nu \in P} U(\beta, \nu) \quad \forall \alpha, \beta \in A$
निहितार्थ: यदि कार्यों के 'वर्स्ट-केस पेऑफ' भिन्न हैं, तो DM कभी भी उस कार्य को नहीं चुनेगा जिसका वर्स्ट-केस पेऑफ कम है, चाहे सूचना संरचना कुछ भी हो।

B. उपचार-प्रभाव मॉडल पर अनुप्रयोग (Application to Treatment-Effects Models)

यह शोध पत्र बाइनरी उपचारों, परिणामों और सह-चरों वाले कारण अनुमान मॉडलों पर इस ढांचे को लागू करता है।

प्रपोजिशन 2 (Proposition 2): सभी उपचार-प्रभाव मॉडल हेरफेर योग्य (manipulable) हैं।
- तर्क: इन मॉडलों में, स्वीकार्य पेऑफ वेक्टर्स एक हाइपरक्यूब $[\min Y, \max Y]^A$ बनाते हैं। फलस्वरूप, किसी भी कार्य के लिए सबसे खराब स्थिति वाला लाभ वैश्विक न्यूनतम परिणाम ( $\min Y$ ) होता है। चूंकि सभी कार्यों का वर्स्ट-केस पेऑफ समान है, इसलिए DM वर्स्ट-केस में उदासीन (indifferent) होता है, जिससे शोधकर्ता DM को किसी भी विशिष्ट कार्य को चुनने के लिए हेरफेर कर सकता है।
प्रपोजिशन 3 (Strong Manipulability): उपचार-प्रभाव मॉडल मजबूत रूप से हेरफेर योग्य (strongly manipulable) हैं।
- हेरफेर लगभग पूर्णतः सूचनात्मक (almost fully informative) संरचनाओं के माध्यम से संभव है (एक $n$ -स्टेट मॉडल में $n-1$ रैखिक रूप से स्वतंत्र सांख्यिकी प्रकट करना)।
- ये संरचनाएं 'टाई-ब्रेकिंग' नियमों के प्रति सुदृढ़ हैं और DM को "विषम" (immiserate) नहीं करती हैं (लागू किए गए कार्य के तहत वास्तविक पेऑफ सटीक रूप से पहचाना जाता है, जो हेरफेर के एक्स-पोस्ट प्रकटीकरण को रोकता है)।

C. सीमांत सूचना संरचनाएं और पहचान (Marginal Information Structures and Identification)

शोध पत्र सीमांत सूचना संरचनाओं ( $Y, T, Z$ को प्रकट करना लेकिन $W$ को छोड़ देना) पर ध्यान केंद्रित करता है।

सिद्धांत 2 (Theorem 2 - Identification Condition): एक सीमांत सूचना संरचना उपचार-प्रभाव मॉडल को पहचानती है (इसे गैर-हेरफेर योग्य बनाती है) यदि और केवल यदि प्रकट किए गए सह-चर $Z$ $Z$ असाइनमेंट तंत्र (assignment mechanism) को मापने योग्य बनाने के लिए पर्याप्त समृद्ध हैं।
- विशेष रूप से, $P(T|X)$ केवल $Z$ पर निर्भर होना चाहिए। यदि असाइनमेंट छोड़े गए चरों $W$ पर निर्भर है, तो मॉडल पूरी तरह से पहचाना नहीं जा सकता है।
प्रयोगों के लिए निहितार्थ: उन यादृच्छिक प्रयोगों (randomized experiments) में जहाँ असाइनमेंट सह-चरों से स्वतंत्र है ( $P(T|X) = P(T)$ ), मॉडल छोड़े गए सह-चरों के बावजूद पहचाना जाता है।
अवलोकन संबंधी अध्ययनों (Observational Studies) के लिए निहितार्थ: ये अभी भी आंशिक रूप से हेरफेर योग्य रहते हैं। शोधकर्ता DM के वर्स्ट-केस विश्वासों को बदलने के लिए सह-चरों का चयन कर सकते हैं।

D. सटीक पेऑफ सीमाएँ (Sharp Payoff Bounds)

उन अवलोकन संबंधी अध्ययनों के लिए जहाँ सटीक पहचान विफल हो जाती है (छोड़े गए चरों के कारण), यह शोध पत्र DM के पेऑफ पर सटीक सीमाएँ (tight bounds) प्राप्त करता है।

सिद्धांत 3 (Theorem 3): कार्य $a$ $a$ के अपेक्षित पेऑफ के लिए निचली ( $L(a)$ $L (a)$ ) और ऊपरी ( $H(a)$ $H (a)$ ) सीमाओं को परिभाषित करता है।
- सीमाएँ $(Y, T, Z)$ के देखे गए सीमांत वितरण और छोड़े गए समूहों के लिए चरम संभावित विपरीत-तथ्यात्मक (counterfactual) मूल्यों पर निर्भर करती हैं।
प्रपोजिशन 4 (Proposition 4): एक कार्य सीमांत संरचना के माध्यम से लागू करने योग्य है यदि और केवल यदि वह सभी कार्यों में निचली सीमा $L(a)$ को अधिकतम करता है।
महत्व: यह "हेरफेर की गुंजाइश" (scope for manipulation) को मापता है। जैसे-जैसे प्रकट किए गए सह-चरों का सेट बढ़ता है, $L(a)$ और $H(a)$ के बीच का अंतर कम होता जाता है, जिससे DM को हेरफेर करने की क्षमता कम हो जाती है।

E. गैर-हेरफेर योग्य वातावरण (Non-Manipulable Environments)

ऐसे वातावरण जो हेरफेर योग्यता की शर्त को पूरा नहीं करते (जहाँ वर्स्ट-केस पेऑफ भिन्न होते हैं), उनके लिए यह शोध पत्र नियमितता धारणाओं (Assumptions 2 & 3) के तहत लागू करने योग्य कार्यों को स्पष्ट करता है।

सिद्धांत 4 (Theorem 4): वास्तविक अवस्था $\mu$ $μ$ के तहत एक कार्य $\alpha$ $α$ लागू करने योग्य है यदि और केवल यदि एक ऐसा स्वीकार्य पूर्वग्रह $\nu$ $ν$ मौजूद है कि:
1. $\alpha$ पूर्वग्रह $\nu$ के तहत पूर्ण सूचना के तहत इष्टतम है ( $\alpha \in \alpha^*(\nu)$ )।
2. $\nu$ के तहत $\alpha$ का पेऑफ $\mu$ के तहत $\alpha$ के पेऑफ से अधिक नहीं है ( $U(\alpha, \nu) \leq U(\alpha, \mu)$ )।
यह परिणाम कार्यान्वयन (implementation) को निर्णय समस्या में एक "सैडल पॉइंट" (saddle point) के अस्तित्व से जोड़ता है, जिसे लगभग पूर्णतः सूचनात्मक संरचनाओं के माध्यम से प्राप्त किया जा सकता है।

4. महत्व और निहितार्थ (Significance and Implications)

सैद्धांतिक योगदान: यह शोध पत्र अर्थशास्त्र में "पहचाने गए सेट" (identified set) को अंतर्जात (endogenize) बनाता है, सूचना संरचना को एक चयन चर (choice variable) के रूप में मानता है। यह ब्लैकवेल के प्रयोग सिद्धांत (Blackwell's theory of experiments), बेयसियन पर्सुएशन (Bayesian Persuasion), और अर्थशास्त्र में आंशिक पहचान (Partial Identification) के बीच के अंतर को पाटता है।
हेरफेर के प्रति सुदृढ़ता (Robustness to Manipulation): यह प्रदर्शित करता है कि मानक उपचार-प्रभाव मॉडल स्वाभाविक रूप से हेरफेर के प्रति संवेदनशील हैं क्योंकि किसी भी उपचार के लिए सबसे खराब स्थिति (worst-case scenario) एक ही है (सबसे खराब संभव परिणाम)। यह सुझाव देता है कि अर्थशास्त्र में मानक "वर्स्ट-केस" सुदृढ़ता जाँचें रणनीतिक प्रकटीकरण को रोकने के लिए अपर्याप्त हो सकती हैं।
नीतिगत सिफारिशें:
- प्रयोग (Experiments): पूर्ण पहचान (और इस प्रकार हेरफेर के प्रति प्रतिरक्षा) तब प्राप्त होती है जब प्रकट किए गए सह-चर असाइनमेंट तंत्र को सत्यापित करने के लिए पर्याप्त होते हैं।
- अवलोकन संबंधी अध्ययन (Observational Studies): यदि सह-चर छोड़े जाते हैं तो आंशिक पहचान अपरिहार्य है। हालाँकि, यह शोध पत्र जोखिम को मापने के लिए सटीक सीमाएँ प्रदान करता है।
- प्रकटीकरण मानक (Disclosure Standards): ये परिणाम सह-चर चयन के माध्यम से "हेरफेर की गुंजाइश" को समाप्त करने के लिए सख्त प्री-रजिस्ट्रेशन और संयुक्त वितरण (परिणाम, उपचार और सभी प्रासंगिक सह-चर) के पूर्ण प्रकटीकरण का समर्थन करते हैं।
पद्धतिगत बदलाव (Methodological Shift): यह ध्यान "वास्तविक प्रभाव क्या है?" से हटाकर "एक विशिष्ट नीति विकल्प की गारंटी देने के लिए किस सूचना संरचना की आवश्यकता है?" पर केंद्रित करता है। यह नियामक निकायों और नीति निर्माताओं के लिए महत्वपूर्ण है जिन्हें संभावित रूप से पक्षपाती या चुनिंदा रूप से घोषित डेटा पर कार्य करना होता है।

संक्षेप में, रोसेन्थल एक कठोर गेम-थ्योरेटिक ढांचा प्रदान करते हैं जो दिखाता है कि हालांकि कारण अनुमान मॉडल सैद्धांतिक रूप से हेरफेर योग्य हैं, हेरफेर की सीमा स्पष्ट रूप से प्रकट किए गए सह-चरों की समृद्धि द्वारा सीमित है। यह शोध पत्र वैज्ञानिक अनुसंधान और विनियमन में कठोर प्रकटीकरण प्रोटोकॉल के लिए एक गणितीय औचित्य प्रदान करता।