Assessing Sensitivity to IV Exclusion and Exogeneity without First Stage Monotonicity

यहाँ Diegert, Masten, और Poirier के शोध पत्र "Assessing Sensitivity to IV Exclusion and Exogeneity without First Stage Monotonicity" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

इंस्ट्रुमेंटल वेरिएबल (IV) विश्लेषण दो मुख्य मान्यताओं पर निर्भर करता है: एक्सक्लूजन (Exclusion) (उपकरण केवल उपचार के माध्यम से ही परिणाम को प्रभावित करता है) और एक्सोजेनिटी (Exogeneity) (उपकरण यादृच्छिक रूप से आवंटित किया जाता है)। कई अनुभवजन्य (empirical) सेटिंग्स में, इन मान्यताओं को उचित ठहराना कठिन होता है। इसके अलावा, मानक IV साहित्य अक्सर एक तीसरी धारणा लागू करता है: प्रथम-चरण एकरूपता (First-stage monotonicity) (जैसे, उपकरण हमेशा उपचार की संभावना को बढ़ाता है या कभी भी उसे कम नहीं करता है)।

यह शोध पत्र निम्नलिखित कमियों को संबोधित करता है:

• एकरूपता का अभाव (Lack of Monotonicity): कई डिज़ाइन (जैसे, जज IV, लेनेसी डिज़ाइन) एकरूपता का उल्लंघन करते हैं। मौजूदा संवेदनशीलता विश्लेषण (sensitivity analyses) अक्सर इसकी आवश्यकता रखते हैं।
• विषमता (Heterogeneity): अधिकांश संवेदनशीलता विश्लेषण समरूप उपचार प्रभावों (homogeneous treatment effects) या रैखिक मॉडल (linear models) को मानते हैं। यह शोध पत्र अनिश्चित विषमता (arbitrary heterogeneity) की अनुमति देता है।
• सतत परिणाम (Continuous Outcomes): सतत परिणामों के लिए संवेदनशीलता विश्लेषण के पिछले तरीके सीमित या गणनात्मक रूप से अव्यवहार्य (computationally intractable) थे।
• असत्यता (Falsifiability): मानक IV मॉडल परीक्षण योग्य होते हैं; यदि डेटा मान्यताओं का खंडन करता है, तो मॉडल असत्य सिद्ध हो जाता है। यह शोध पत्र यह निर्धारित करने का प्रयास करता है कि मॉडल को डेटा के अनुरूप बनाने के लिए मान्यताओं में न्यूनतम कितनी ढील दी जा सकती है।

2. कार्यप्रणाली (Methodology)

लेखक एक आंशिक पहचान (partial identification) ढांचे को विकसित करते हैं जो प्रथम-चरण एकरूपता (monotonicity) को लागू किए बिना एक्सक्लूजन और एक्सोजेनिटी को शिथिल करने वाले एक एकीकृत संवेदनशीलता मॉडल वर्ग के अंतर्गत आता है।

A. ढांचा (The Framework)

• चर (Variables): मान लीजिए $X$ उपचार है, $Z$ उपकरण है, और $Y$ परिणाम है। संभावित परिणामों को $Y(x, z)$ द्वारा दर्शाया गया है।
• कोई एकरूपता नहीं (No Monotonicity): यह ढांचा "डिफायर्स" (defiers - वे इकाइयाँ जहाँ $X(1) < X(0)$) की अनुमति देता है और प्रथम चरण पर कोई प्रतिबंध नहीं लगाता है।
• संवेदनशीलता मॉडल (Sensitivity Models): लेखक एक निरंतर शिथिलता पैरामीटर (relaxation parameter) $\theta \in [0, 1]$ पेश करते हैं।
  • $\theta = 0$: पूर्ण एक्सक्लूजन और एक्सोजेनिटी लागू होती है (मानक IV)।
  • $\theta = 1$: कोई भी धारणा लागू नहीं होती (Manski bounds)।
  • $\theta \in (0, 1)$: उल्लंघन के मध्यवर्ती स्तर।
• एकीकृत वर्ग (Unifying Class): यह शोध पत्र तीन प्रमुख संवेदनशीलता मॉडलों को विशेष मामलों के रूप में समाहित करता है:
  1. मार्जिनल सेंसिटिविटी मॉडल (MSM): उपकरण और संभावित परिणामों के बीच ऑड्स रेशियो (odds ratio) को सीमित करता है।
  2. c-dependence: उपकरण की सशर्त (conditional) और बिना शर्त (unconditional) संभावनाओं के बीच अधिकतम अंतर को सीमित करता है।
  3. कोलमोगोरोव-स्मिरनोव (KS) / सुप्रीमम डिस्टेंस (Supremum Distance): विभिन्न उपकरण मूल्यों के आधार पर संभावित परिणामों के वितरण फलनों (distribution functions) या घनत्वों (densities) के बीच की दूरी को सीमित करता है।

B. असतत परिणाम (Discrete Outcomes - Section 2)

जब परिणाम असतत होते हैं (जैसे, बाइनरी):

• संभावित परिणामों की सशर्त संभावनाओं ($p_Y$) के लिए पहचाना गया सेट (identified set), मैन्स्की बाउंड्स (Manski bounds) (प्रेक्षित डेटा से प्राप्त) और संवेदनशीलता बाधा सेट (sensitivity constraint set) (जो $\theta$ द्वारा परिभाषित है) का प्रतिच्छेदन (intersection) है।
• यह प्रतिच्छेदन एक बंद उत्तल बहुभुज (closed convex polytope) बनाता है।
• रैखिक प्रोग्रामिंग (LP): क्योंकि बाधाएं रैखिक हैं और उद्देश्य फलन (objective functionals, जैसे ATE, ATT, QTE) संभावनाओं में रैखिक हैं, इसलिए इन मापदंडों के तीक्ष्ण बाउंड्स (sharp bounds) एक परिमित-आयामी रैखिक प्रोग्राम को हल करके प्राप्त किए जाते हैं।
• असत्यता सीमा (Falsification Frontier): लेखक "असत्यता बिंदु" ($\underline{\theta}$) व्युत्पन्न करते हैं, जो $\theta$ का वह न्यूनतम मान है जिसके लिए पहचाना गया सेट गैर-रिक्त (non-empty) है। यदि मानक IV मॉडल ($\theta=0$) एक रिक्त सेट देता है, तो मॉडल असत्य सिद्ध हो जाता है।

C. सतत परिणाम (Continuous Outcomes - Section 3)

जब परिणाम सतत होते हैं, तो पहचाना गया सेट एक अनंत-आयामी वस्तु (घनत्व फलनों का एक सेट) होता है।

• अनंत-आयामी LP: समस्या को घनत्व फलनों के स्थान पर एक अनुकूलन (optimization) के रूप में तैयार किया जाता है, जो रैखिक असमानता बाधाओं के अधीन है।
• सीव सन्निकटन (Sieve Approximation): इसे गणनात्मक रूप से व्यवहार्य बनाने के लिए, लेखक बर्नस्टीन बहुपदों (Bernstein polynomials) (एक सीव स्पेस) का उपयोग करके अनंत-आयामी घनत्व स्थान को सन्निकट करने का प्रस्ताव देते हैं।
• विवक्तीकरण (Discretization): सतत बाधाओं को बिंदुओं के एक परिमित ग्रिड पर मूल्यांकन करके सन्निकट किया जाता है।
• परिणाम: अनंत-आयामी समस्या को एक परिमित-आयामी रैखिक प्रोग्राम में बदल दिया जाता है जिसे मानक सॉफ़्टवेयर का उपयोग करके हल किया जा सकता है। लेखक सिद्ध करते हैं कि जैसे-जैसे सीव आयाम और ग्रिड का आकार बढ़ता है, अनुमानित बाउंड्स वास्तविक पहचाने गए सेट की ओर अभिसरित (converge) होते हैं।

3. प्रमुख योगदान (Key Contributions)

1. एकरूपता का उन्मूलन (Relaxation of Monotonicity): यह शोध पत्र प्रथम-चरण एकरूपता की आवश्यकता के बिना IV के लिए पहला सामान्य संवेदनशीलता विश्लेषण ढांचा प्रदान करता है, जिससे यह जज IV जैसे जटिल डिज़ाइनों के लिए लागू करने योग्य हो जाता है।
2. एकीकृत संवेदनशीलता मॉडल (Unifying Sensitivity Model): यह एक सामान्य श्रेणी को औपचारिक रूप देता है जो MSM, c-dependence, और KS दूरी को समाहित करती है, जिससे शोधकर्ता अपने संदर्भ के लिए सबसे उपयुक्त मीट्रिक चुन सकते हैं।
3. सतत परिणामों के लिए गणनात्मक सुगमता (Computational Tractability for Continuous Outcomes): सीव विधियों को रैखिक प्रोग्रामिंग के साथ जोड़कर, लेखक IV उल्लंघनों के तहत सतत परिणामों के लिए उपचार प्रभावों (ATE, ATT, QTE) पर तीक्ष्ण बाउंड्स की गणना करने के लिए एक व्यावहारिक एल्गोरिदम प्रदान करते हैं।
4. असत्यता अनुकूल सेट (Falsification Adaptive Sets): विधि स्पष्ट रूप से "असत्यता बिंदु" (falsification point) की गणना करती है, जिससे शोधकर्ता यह निर्धारित कर सकते हैं कि डेटा के साथ मॉडल को सुसंगत बनाने के लिए मान्यताओं में विचलन कितना छोटा होना चाहिए।
5. निरंतरता और एकरूपता (Continuity and Monotonicity): लेखक सिद्ध करते हैं कि पहचाने गए सेट और परिणामी बाउंड्स संवेदनशीलता पैरामीटर $\theta$ के संबंध में निरंतर और एकदिष्ट (monotonic) हैं, जो स्थिर संवेदनशीलता प्लॉट्स सुनिश्चित करते हैं।

4. परिणाम और अनुभवजन्य अनुप्रयोग (Results and Empirical Application)

अनुभवजन्य अनुप्रयोग (Empirical Application):
लेखक गिलक्रिस्ट और सैंड्स (2016) का पुनरावलोकन करते हैं, जो मौसम का उपयोग उपकरण के रूप में करके मूवी व्यूअरशिप में पीयर इफेक्ट्स (peer effects) का अध्ययन करते हैं।

• संदर्भ: मौसम का उपयोग ओपनिंग-वीकेंड व्यूअरशिप के लिए एक उपकरण के रूप रूप में किया जाता है। चिंता यह है कि मौसम सीधे बाद की व्यूअरशिप को प्रभावित कर सकता है (जैसे, सामाजिक शिक्षण या गतिशील स्टूडियो व्यवहार के माध्यम से), जो एक्सक्लूजन का उल्लंघन करता है।
• निष्कर्ष:
  • पूर्ण एक्सोजेनिटी/एक्सक्लूजन ($\theta=0$) की आधार रेखा धारणा के तहत, अध्ययन एक सकारात्मक पीयर इफेक्ट पाता है (ओपनिंग व्यूअरशिप में नकारात्मक झटका बाद की कम व्यूअरशिप की संभावना को बढ़ाता है)।
  • संवेदनशीलता: निष्कर्ष अत्यधिक संवेदनशील है। c-dependence के तहत, औसत उपचार प्रभाव (ATE) के लिए पहचाना गया सेट बहुत कम संवेदनशीलता पैरामीटर ($c = 0.015$) पर शून्य को शामिल करता है। इसका अर्थ है कि यदि उपकरण की वैधता केवल 1.5 प्रतिशत अंक से भी बाधित होती है, तो सकारात्मक पीयर इफेक्ट का निष्कर्ष समाप्त हो जाता है।
  • वितरणात्मक प्रभाव (Distributional Effects): क्वांटाइल ट्रीटमेंट इफेक्ट्स (QTE) के लिए, बाउंड्स एक्सोजेनिटी के तहत निचले क्वांटाइल्स के लिए सटीक (tight) होते हैं, लेकिन जैसे-जैसे $c$ बढ़ता है या उच्च क्वांटाइल्स के लिए, वे काफी विस्तृत हो जाते हैं, जो एकरूपता की कमी और ऊपरी टेल (upper tail) में डेटा की विरलता को दर्शाता है।

5. महत्व (Significance)

• अनुप्रयुक्त शोधकर्ताओं के लिए मजबूती (Robustness for Applied Researchers): यह शोध पत्र अनुप्रयुक्त शोधकर्ताओं को "वैध/अवैध" उपकरण मूल्यांकन से आगे बढ़ने के लिए एक टूलकिट प्रदान करता है। इसके बजाय, वे संवेदनशीलता प्लॉट (sensitivity plots) बना सकते हैं जो दिखाते हैं कि उनका निष्कर्ष कैसे बदलता है जब उपकरण "अपूर्ण" होता जाता है।
• पारदर्शिता (Transparency): अपने निष्कर्षों को पलटने के लिए मान्यताओं के उल्लंघन को कितना मजबूत होना चाहिए, इस "ब्रेकडाउन पॉइंट" ($\theta$ जहाँ प्रभाव शून्य हो जाता है) को मात्रात्मक रूप से निर्धारित करके, शोधकर्ता पारदर्शी रूप से रिपोर्ट कर सकते हैं।
• सामान्यीकरण (Generalizability): यह विधि बाइनरी, असतत और सतत परिणामों के लिए लागू होती है, और प्रतिबंधात्मक एकरूपता धारणाओं के बिना कई उपकरणों और उपचारों को संभालती है।
• सैद्धांतिक कठोरता (Theoretical Rigor): यह शोध पत्र सैद्धांतिक आंशिक पहचान (जो अक्सर अमूर्त होती है) और व्यावहारिक गणना (LP और सीव्स के माध्यम से) के बीच के अंतर को पाटता है, जिससे जटिल IV सेटिंग्स के लिए कठोर संवेदनशीलता विश्लेषण सुलभ हो जाता है।

संक्षेप में, यह शोध पत्र IV अनुमानों की मजबूती का आकलन करने के लिए एक लचीला, गणनात्मक रूप से व्यवहार्य और सैद्धांतिक रूप से सुदृढ़ तरीका प्रदान करके कारण अनुमान (causal inference) के क्षेत्र को उन्नत करता है, जब एक्सक्लूजन, एक्सोजेनिटी और एकरूपता की सख्त मान्यताओं को शिथिल किया जाता है।