📊 statistics

Two-stage Least Squares with Clustered Data under the Local Average Treatment Effect Framework

यह शोध पत्र स्थानीय औसत उपचार प्रभाव (LATE) ढांचे के तहत क्लस्टर्ड डेटा में कारण प्रभावों का अनुमान लगाने के लिए कैनोनिकल टू-स्टेज लीस्ट स्क्वायर्स (2SLS) और फिक्स्ड इफेक्ट्स वाले टू-स्टेज लीस्ट स्क्वायर्स (2SFE) के बीच के ट्रेड-ऑफ का विश्लेषण करता है, यह प्रदर्शित करते हुए कि जबकि दोनों विधियाँ समरूप क्लस्टर्स में वैध निष्कर्ष प्रदान करती हैं, 2SFE विषम सेटिंग्स में क्लस्टर-विशिष्ट LATE के भारित औसत की पहचान करता है और इसे ऐसे विषमता का पता लगाने के लिए एक परीक्षण के साथ प्रस्तावित किया गया है।

मूल लेखक: Anqi Zhao, Peng Ding, Fan Li

प्रकाशित 2026-04-02

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Anqi Zhao, Peng Ding, Fan Li

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 यह पता लगाने की कोशिश कर रहे हैं कि क्या एक नया उर्वरक (Treatment) वास्तव में फसलों को बड़ा बनाता है। लेकिन एक समस्या है: जो किसान उर्वरक का उपयोग करने का चुनाव करते हैं, वे शायद पहले से ही बेहतर खेती करने वाले भी हो सकते हैं। यह समझना मुश्किल बना देता है कि बड़ी फसलें उर्वरक के कारण हुईं या किसान के कौशल के कारण। इसे अंतर्जातता (Endogeneity) कहा जाता है।

इस समस्या को हल करने के लिए, आप एक "जादुई ट्रिक" का उपयोग करते हैं जिसे इंस्ट्रुमेंटल वेरिएबल (IV) कहा जाता है। मान लीजिए कि आप कुछ किसानों को उर्वरक के लिए एक कूपन (IV) बेतरतीब ढंग से (randomly) देते हैं। चूंकि कूपन रैंडम है, यह कौशल और उर्वरक के उपयोग के बीच के संबंध को तोड़ देता है। अब, आप देख सकते हैं कि क्या कूपन से फसलें बड़ी हुईं, और फिर आप निष्कर्ष निकाल सकते हैं कि क्या उर्वरक वास्तव में काम करता है।

अब, कल्पना कीजिए कि आपका डेटा केवल व्यक्तिगत किसानों की सूची नहीं है। यह समूहों में विभाजित है। आपके पास 100 अलग-अलग गाँव हैं (ये आपके क्लस्टर/Clusters हैं)। एक ही गाँव के किसान एक ही मिट्टी, मौसम और स्थानीय बाजार की स्थितियों को साझा करते हैं।

यह शोध पत्र इस बारे में है कि आपके गाँव के डेटा का विश्लेषण करने के लिए एक जासूस के पास दो अलग-अलग तरीके हैं।

दो जासूस: 2SLS बनाम 2SFE

यह शोध पत्र उन दो तरीकों की तुलना करता है जिनका उपयोग एक जासूस कर सकता है:

1. "बड़ी तस्वीर" वाला जासूस (Canonical 2SLS)

यह जासूस सभी गाँवों के सभी किसानों को एक विशाल समूह के रूप में देखता है।

यह कैसे काम करता है: वे यह देखने के लिए एक मानक गणना चलाते हैं कि क्या कूपन से फसलें बड़ी होती हैं।
सावधानी: वे जानते हैं कि गाँव अलग हैं, इसलिए वे एक विशेष "सुरक्षा जाल" (Cluster-Robust Standard Errors) का उपयोग करते हैं ताकि उनके विश्वास अंतराल (confidence intervals) गाँव के अंतर को ध्यान में रखते हुए पर्याप्त चौड़े हों।
खामी: वे उत्तर की गणना करते समय प्रत्येक गाँव के विशिष्ट विवरणों को नजरअंदाज कर देते हैं। वे गाँव के अंतर को केवल एक "शोर" (noise) के रूप में देखते हैं जिसे बाद में ठीक किया जाना है।

2. "स्थानीय विशेषज्ञ" वाला जासूस (2SLS with Fixed Effects / 2SFE)

यह जासूस गाँवों के प्रति जुनूनी है।

यह कैसे काम करता है: वे प्रत्येक गाँव पर एक "नाम टैग" लगा देते हैं। वे अनिवार्य रूप से पूछते हैं: "इस विशिष्ट गाँव के भीतर, क्या कूपन ने मदद की?" और फिर वे उन गाँव-विशिष्ट उत्तरों का औसत निकालते हैं।
लाभ: वे उत्तर की गणना में सीधे तौर पर गाँव के अंतरों का उपयोग करते हैं। यदि गाँव A में बेहतरीन मिट्टी है और गाँव B में खराब मिट्टी है, तो यह तरीका तुरंत इसका हिसाब रखता है।
खामी: वे केवल तभी काम कर सकते हैं जब "कूपन" (IV) और "उर्वरक का उपयोग" (Treatment) गाँवों के भीतर भिन्न होते हैं। यदि एक गाँव के हर किसान को कूपन मिला या किसी को नहीं मिला, तो यह जासूस फंस जाएगा।

बड़ा सवाल: कौन सा जासूस बेहतर है?

लेखकों ने यह देखने के लिए सिमुलेशन और गणित चलाया कि किस स्थिति में किस जासूस का उपयोग किया जाए। यहाँ सरल विवरण दिया गया है:

परिदृश्य A: गाँव लगभग एक जैसे हैं (Homogeneous)
कल्पना कीजिए कि सभी 100 गाँवों में समान मिट्टी, मौसम और किसान कौशल है।

निर्णय: लंबे समय में दोनों जासूस आपको सही उत्तर देंगे।
दक्षता (Efficiency): "स्थानीय विशेषज्ञ" (2SFE) आमतौर पर तेज़ और अधिक सटीक होता है, लेकिन केवल तभी जब कूपन गाँवों के भीतर कुछ हद तक रैंडम तरीके से वितरित किए गए थे। यदि कूपन अजीब, क्लस्टर्ड तरीके से वितरित किए गए थे, तो "बड़ी तस्वीर" वाला जासूस वास्तव में बेहतर हो सकता है।
ट्विस्ट: यदि आपके पास गाँवों के बारे में अतिरिक्त जानकारी है (जैसे "औसत वर्षा"), तो "बड़ी तस्वीर" वाला जासूस उस जानकारी का उपयोग बेहतर उत्तर पाने के लिए कर सकता है। "स्थानीय विशेषज्ञ" जासूस उस जानकारी को फेंक देता है क्योंकि उन्होंने पहले ही गाँव के नाम टैग का उपयोग कर लिया है।

परिदृश्य B: गाँव बहुत अलग हैं (Heterogeneous)
कल्पना कीजिए कि गाँव A एक रेगिस्तान में है, गाँव B एक वर्षावन में है, और गाँव C एक ज्वालामुखी पर है। उर्वरक का प्रभाव प्रत्येक स्थान में पूरी तरह से अलग हो सकता है।

"बड़ी तस्वीर" वाला जासूस (2SLS): यह जासूस भ्रमित हो जाता है। वे आपको ऐसा उत्तर दे सकते हैं जिसका कोई वास्तविक अर्थ नहीं है। यह एक रेगिस्तान और एक बर्फ के टुकड़े के तापमान का औसत निकालकर यह कहने जैसा है कि "यह कमरे का तापमान है।" गणित टूट जाता है, और परिणाम एक सच्चा कारण प्रभाव (causal effect) नहीं होता।
"स्थानीय विशेषज्ञ" वाला जासूस (2SFE): यह जासूस चमकता है। वे प्रत्येक गाँव के भीतर प्रभाव की गणना करते हैं और फिर उन्हें औसत निकालते हैं। वे आपको प्रत्येक गाँव के वास्तविक प्रभावों का एक स्पष्ट, भारित औसत (weighted average) देते हैं। उनका उत्तर व्याख्या योग्य और भरोसेमंद है।

"विषमता परीक्षण" (झूठ पकड़ने वाला यंत्र - The Lie Detector Test)

लेखकों ने आपको केवल यह नहीं बताया कि किसे चुनना है; उन्होंने एक झूठ पकड़ने वाला परीक्षण बनाया है।

उन्होंने महसूस किया कि यदि गाँव अलग हैं, तो दोनों जासूस आपको अलग उत्तर देंगे।
उन्होंने दोनों परिणामों की तुलना करने के लिए एक सांख्यिकीय परीक्षण बनाया।
यह कैसे काम करता है: यदि दोनों जासूस सहमत हैं, तो गाँव संभवतः समान (Homogeneous) हैं, और आप सरल विधि का उपयोग कर सकते हैं। यदि दोनों जासूसों के बीच महत्वपूर्ण असहमति है, तो यह एक संकेत है कि गाँव बहुत अलग (Heterogeneous) हैं। उस स्थिति में, आपको "स्थानीय विशेषज्ञ" (2SFE) पर भरोसा करना चाहिए और "बड़ी तस्वीर" वाले को अनदेखा करना चाहिए।

वास्तविक दुनिया का उदाहरण: मोरक्को में माइक्रोक्रेडिट

इस शोध पत्र ने मोरक्को में सूक्ष्म ऋणों (micro-loans) के एक वास्तविक अध्ययन पर इसका परीक्षण किया।

उन्होंने विभिन्न गाँवों के घरों को देखा।
उन्होंने "झूठ पकड़ने वाले परीक्षण" का उपयोग किया।
परिणाम: परीक्षण ने कहा, "हे, ये गाँव बहुत अलग नहीं हैं!" (p-value उच्च था)।
निष्कर्ष: इस विशिष्ट मामले में, सरल "बड़ी तस्वीर" वाली विधि ठीक काम करती थी, लेकिन अतिरिक्त डेटा (जैसे परिवार का आकार) जोड़ने से उत्तर और भी सटीक हो गया।

एक वाक्य में सारांश

यदि आपके समूह (गाँव, स्कूल, अस्पताल) मोटे तौर पर एक जैसे हैं, तो आप सरल विधि का उपयोग कर सकते हैं, लेकिन यदि वे बहुत अलग हैं, तो आपको एक सच्चा उत्तर प्राप्त करने के लिए "फिक्स्ड इफेक्ट्स" विधि का उपयोग करना चाहिए, और लेखकों ने आपको यह जांचने के लिए एक उपकरण दिया है कि आप किस स्थिति में हैं।

यहाँ झाओ, डिंग और ली के शोध पत्र "Two-stage least squares with clustered data" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

अनुभवजन्य अर्थशास्त्र (Empirical economics) में, डेटा अक्सर क्लस्टर्ड होता है (जैसे, स्कूलों के भीतर छात्र, गाँवों के भीतर परिवार)। जब किसी अंतर्जात उपचार (endogenous treatment) के कारण प्रभाव का अनुमान लगाने के लिए इंस्ट्रुमेंटल वेरिएबल्स (IV) का उपयोग किया जाता है, तो शोधकर्ता आमतौर पर टू-स्टेज लीस्ट स्क्वायर्स (2SLS) का उपयोग करते हैं।

कैनोनिकल 2SLS (Canonical 2SLS): यह बिंदु अनुमान (point estimation) में क्लस्टर संरचना की उपेक्षा करते हुए, परिणाम को IV का उपयोग करके उपचार पर प्रतिगमन (regress) करता है, लेकिन निष्कर्ष (inference) के लिए क्लस्टर-रोबस्ट स्टैंडर्ड एरर्स (CRSE) का उपयोग करता है।
फिक्स्ड इफेक्ट्स के साथ 2SLS (2SFE): यह क्लस्टर संरचना को बिंदु अनुमान और निष्कर्ष दोनों में शामिल करने के लिए क्लस्टर संकेतकों (fixed effects) को प्रतिगमन में शामिल करता है।

यद्यपि अनऑब्जर्व्ड क्लस्टर विषमता (unobserved cluster heterogeneity) को नियंत्रित करने के लिए अवलोकन संबंधी अध्ययनों में 2SFE को प्राथमिकता दी जाती है, लेकिन लोकल एवरेज ट्रीटमेंट इफेक्ट (LATE) ढांचे के भीतर इसकी कारण व्याख्या (causal interpretation) और दक्षता गुण (efficiency properties) अपेक्षाकृत अनछुए रहे हैं। विशेष रूप से, यह स्पष्ट नहीं है कि कब 2SFE, कैनोनिकल 2SLS की तुलना में अधिक कुशल है और क्या 2SFE विषम क्लस्टरों (heterogeneous clusters) के मामले में एक वैध कारण अनुमान (causal estimand) प्रदान करता है।

2. कार्यप्रणाली और ढांचा (Methodology and Framework)

लेखक क्लस्टर समरूपता (cluster homogeneity) के संबंध में दो विशिष्ट धारणाओं के तहत पोटेंशियल आउटकम्स फ्रेमवर्क (इम्बेंस और एंग्रिस्ट, 1994) का उपयोग करके इन दो अनुमानकों (estimators) का विश्लेषण करते हैं:

समरूप क्लस्टर (Homogeneous Clusters - धारणा 3): सभी इकाइयाँ एक समान मार्जिनल वितरण साझा करती हैं।
विषम क्लस्टर (Heterogeneous Clusters - धारणा 4): एक क्लस्टर के भीतर की इकाइयाँ एक वितरण साझा करती हैं, लेकिन विभिन्न क्लस्टरों के बीच वितरण भिन्न होता है।

मुख्य परिभाषाएँ:

कैनोनिकल 2SLS ( $\hat{\tau}_{2sls}$ ): $\text{2sls}(Y_i \sim 1 + D_i \mid 1 + Z_i)$ ।
2SFE ( $\hat{\tau}_{2sfe}$ ): $\text{2sls}(Y_i \sim D_i + C_i \mid Z_i + C_i)$ , जहाँ $C_i$ क्लस्टर संकेतक हैं।
धारणाएँ: शोध पत्र मानक IV स्थितियों (एक्सक्लूजन रिस्ट्रिक्शन, रेलेवेंस, मोनोटोनिटी) को क्लस्टर्ड डेटा के लिए अनुकूलित करते हुए मानता है, जहाँ IV क्लस्टर स्तर पर यादृच्छिक रूप से आवंटित (randomly assigned) होता है (या क्लस्टरों के भीतर स्वतंत्र होता है)।

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

A. समरूप क्लस्टरों के तहत वैधता और दक्षता

जब क्लस्टर समरूप होते हैं (धारणा 3), तो लेखक स्थापित करते हैं:

वैधता (Validity): $\hat{\tau}_{2sls}$ और $\hat{\tau}_{2sfe}$ दोनों वैश्विक LATE ( $\tau_c$ ) के सुसंगत (consistent) और एसिम्प्टोटिकली नॉर्मल अनुमानक हैं। दोनों मामलों में निष्कर्ष के लिए क्लस्टर-रोबस्ट स्टैंडर्ड एरर्स वैध हैं।
दक्षता ट्रेड-ऑफ (Efficiency Trade-off): इस अंतर्ज्ञान के विपरीत कि फिक्स्ड इफेक्ट्स हमेशा दक्षता में सुधार करते हैं, यह शोध पत्र सिद्ध करता है कि 2SFE सार्वभौमिक रूप से अधिक कुशल नहीं है।
- एक लीनियर IV मॉडल के तहत, एसिम्प्टोटिक वेरिएंस का अनुपात क्लस्टर-स्तरीय विचरण ( $\sigma^2_\alpha$ ) और इडियोसेंट्रिक विचरण ( $\sigma^2_\epsilon$ ) के अनुपात तथा IV के भीतर-क्लस्टर विचरण ( $\kappa_N$ ) पर निर्भर करता है।
- 2SFE दक्षता के लिए शर्त: 2SFE केवल तभी कैनोनिकल 2SLS से अधिक कुशल है यदि:
  1. क्लस्टर-विशिष्ट प्रभावों का विचरण, इडियोसेंट्रिक विचरण पर हावी हो ( $\sigma^2_\epsilon$ की तुलना में $\sigma^2_\alpha$ बड़ा हो)।
  2. IV में पर्याप्त भीतर-क्लस्टर विचरण हो ( $\kappa_N$ बहुत छोटा न हो)।
- यदि क्लस्टर प्रभाव नगण्य हैं ( $\sigma^2_\alpha \approx 0$ ), तो कैनोनिकल 2SLS वास्तव में अधिक कुशल है क्योंकि 2SFE उस विचरण को सोख लेता है जिसे अन्यथा अनुमान के लिए उपयोग किया जा सकता था, जिससे डिग्री ऑफ फ्रीडम "बर्बाद" होती है।
कोवेरिएट समायोजन (Covariate Adjustment):
- कैनोनिकल 2SLS क्लस्टर-स्तरीय कोवेरिएट्स (जैसे, गाँव का आकार) को समायोजित कर सकता है, जो दक्षता में सुधार कर सकते हैं यदि ये कोवेरिएट्स क्लस्टर विषमता की व्याख्या करते हैं।
- 2SFE फिक्स्ड इफेक्ट्स के माध्यम से सभी क्लस्टर-स्तरीय विचरण को सोख लेता है, जिससे क्लस्टर-स्तरीय कोवेरिएट्स को कोलीनियर (collinear) और अनुपयोगी बना देता है। अतः, यदि सूचनात्मक क्लस्टर-स्तरीय कोवेरिएट्स मौजूद हैं, तो कैनोनिकल 2SLS बेहतर हो सकता है।

B. विषम क्लस्टरों के तहत कारण व्याख्या (Causal Interpretation)

जब क्लस्टर विषम होते हैं (धारणा 4):

2SFE व्याख्या: $\hat{\tau}_{2sfe}$ एक क्लस्टर-विशिष्ट LATE के भारित औसत ( $\sum \kappa_{g,2sfe} \tau_{c,g}$ ) का सुसंगत अनुमान लगाता है, जहाँ भार गैर-ऋणात्मक हैं और उनका योग एक है। यह एक अच्छी तरह से परिभाषित कारण मात्रा (causal quantity) है।
कैनोनिकल 2SLS व्याख्या: $\hat{\tau}_{2sls}$ आम तौर पर LATE के भारित औसत का अनुमान नहीं लगाता है। इसकी प्रोबेबिलिटी लिमिट में क्लस्टर-विशिष्ट IV संभावनाओं और बेसलाइन परिणामों के बीच सहसंबंध से संबंधित बायस (bias) पद शामिल होते हैं। यह "लेवल-इंडिपेंडेंट" नहीं है (अर्थात, यदि सभी वास्तविक LATE शून्य हैं, तब भी यह गैर-शून्य हो सकता है)।
निहितार्थ: विषम क्लस्टरों वाले सेटिंग्स में, 2SFE कैनोनिकल 2SLS की तुलना में अधिक व्याख्या योग्य और मजबूत अनुमान (estimand) प्रदान करता है।

C. क्लस्टर विषमता के लिए प्रस्तावित परीक्षण

शोधकर्ताओं को दोनों विधियों के बीच चयन करने के लिए मार्गदर्शन देने हेतु, लेखक एक हौसमैन-प्रकार का परीक्षण (Hausman-type test) प्रस्तावित करते हैं:

सांख्यिकी (Statistic): $t_{diff} = (\hat{\tau}_{2sls} - \hat{\tau}_{2sfe}) / \hat{se}_{diff}$ ।
तर्क: समरूप क्लस्टरों के तहत, दोनों अनुमानक एक ही पैरामीटर को लक्षित करते हैं, इसलिए अंतर शून्य होना चाहिए। विषम क्लस्टरों के तहत, वे अलग-अलग मापदंडों को लक्षित करते हैं (या 2SLS बायस्ड होता है), जिससे एक महत्वपूर्ण अंतर उत्पन्न होता है।
वितरण (Distribution): लेखक दोनों अनुमानकों के संयुक्त एसिम्प्टोटिक वितरण को व्युत्पन्न करते हैं, जो समरूपता की शून्य परिकल्पना (null hypothesis) के तहत $t_{diff} \xrightarrow{d} N(0,1)$ दिखाता है।

4. अनुभवजन्य अनुप्रयोग और सिमुलेशन (Empirical Application and Simulation)

सिमुलेशन: लेखक अपने सैद्धांतिक निष्कर्षों को सिमुलेशन के माध्यम से मान्य करते हैं।
- समरूप सेटिंग्स में, दोनों विधियाँ सही कवरेज प्राप्त करती हैं, लेकिन दक्षता लाभ विचरण अनुपात और IV विचरण पर निर्भर करते हैं।
- विषम सेटिंग्स में, प्रस्तावित परीक्षण बढ़ती विषमता के साथ शून्य परिकल्पना को उच्च शक्ति (power) के साथ खारिज करता है, जबकि 2SFE निष्पक्ष (unbiased) रहता है और 2SLS बायस्ड हो जाता है।
अनुप्रयोग: इन विधियों को मोरक्को में एक माइक्रोक्रेडिट कार्यक्रम मूल्यांकन पर लागू किया गया है।
- विषमता परीक्षण ने शून्य परिकल्पना को खारिज करने में विफल रहा (क्लस्टर समरूप प्रतीत हुए)।
- परिणामों ने दिखाया कि कोवेरिएट-समायोजित 2SFE ($2sfe-x$) ने सबसे संकीर्ण कॉन्फिडेंस इंटरवल प्रदान किए, जो इस विशिष्ट संदर्भ में फिक्स्ड इफेक्ट्स के साथ कोवेरिएट समायोजन से दक्षता लाभ को प्रदर्शित करता है।

5. महत्व और निष्कर्ष (Significance and Conclusion)

यह शोध पत्र क्लस्टर्ड IV सेटिंग्स में कैनोनिकल 2SLS और 2SFE के बीच चयन करने के लिए एक कठोर सैद्धांतिक आधार प्रदान करता है।

व्यावहारिक मार्गदर्शन: यह दक्षता ट्रेड-ऑफ का आकलन किए बिना IV रिग्रेशन में फिक्स्ड इफेक्ट्स को नियमित रूप से शामिल करने के विरुद्ध चेतावनी देता है। यदि क्लस्टर विषमता कम है या क्लस्टरों के भीतर IV विचरण सीमित है, तो कैनोनिकल 2SLS (संभावित रूप से क्लस्टर-स्तरीय कोवेरिएट्स के साथ) अधिक कुशल हो सकता है।
मजबूती (Robustness): यह रेखांकित करता है कि विषम क्लस्टरों के मामले में वैध कारण व्याख्या के लिए 2SFE आवश्यक है, क्योंकि कैनोनिक 2SLS ऐसी स्थितियों में बायस्ड अनुमान दे सकता है।
नैदानिक उपकरण (Diagnostic Tool): प्रस्तावित $t$ -परीक्षण शोधकर्ताओं को क्लस्टर विषमता का पता लगाने और उपयुक्त अनुमानक चुनने के लिए एक व्यावहारिक, डेटा-संचालित विधि प्रदान करता है।

संक्षेप में, यह शोध पत्र इन दोनों मानक दृष्टिकोणों के बीच के ट्रेड-ऑफ को हल करता है, यह स्पष्ट करता है कि कौन सा कब प्रभावी है, और अंतर्निहित डेटा संरचना का पता लगाने के लिए एक सांख्यिकीय परीक्षण प्रदान करता है।