Identification of Latent Group Effects under Conditional Calibration

यहाँ मार्सेल टी. कुर्बज़ (Marcell T. Kurbucz) के शोध पत्र "Identification of Latent Group Effects under Conditional Calibration" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या का विवरण (Problem Statement)

यह शोध पत्र अनुभवजन्य अर्थशास्त्र (empirical economics) और सामाजिक विज्ञान की एक व्यापक चुनौती को संबोधित करता है: एक अव्यक्त समूह सदस्यता (latent group membership) ($G \in \{0, 1\}$) के परिणाम ($Y$) पर संरचनात्मक प्रभाव (structural effect) का अनुमान लगाना, जब समूह सूचक $G$ अवर्जित (unobserved) हो।

• संदर्भ: कई स्थितियों में (जैसे, गरीबी की स्थिति, आप्रवास की स्थिति, अनौपचारिक रोजगार), विश्लेषक बाइनरी समूह सूचक को सीधे नहीं देख पाते हैं। इसके बजाय, वे एक कैलिब्रेटेड प्रोबेबिलिटी स्कोर (calibrated probability score) $p \in [0, 1]$ देखते हैं, जो इस विश्वास को दर्शाता है कि इकाई $i$ उस समूह से संबंधित है।
• मुख्य प्रश्न: किन परिस्थितियों में, और किस सूत्र के माध्यम से, संरचनात्मक समूह प्रभाव $\tau$ को $(Y, X, p)$ के संयुक्त वितरण से पहचाना जा सकता है, यह देखते हुए कि $G$ कभी भी अवर्जित रहता है?
• प्रमुख धारणा: स्कोर $p$ सशर्त अंशांकन (conditional calibration) गुण को संतुष्ट करता है: $E[G \mid p, X] = p$। इसका अर्थ है कि $p$, देखे गए सहचरों (covariates) $X$ और स्वयं स्कोर के आधार पर $G$ का एक निष्पक्ष भविष्यवक्ता (unbiased predictor) है।

2. कार्यप्रणाली और मॉडल (Methodology and Model)

लेखक एक कांस्टेंट-कोएफिशिएंट स्ट्रक्चरल मीन मॉडल (constant-coefficient structural mean model) को मोमेंट-आधारित पहचान (moment-based identification) के साथ प्रस्तावित करते हैं।

मॉडल सेटअप:

• संरचनात्मक समीकरण (Structural Equation): $E[Y \mid G, p, X] = \mu(X) + \tau G$।
  • $\tau$ समूह सदस्यता का एक स्थिर संरचनात्मक प्रभाव है।
  • $\mu(X)$ सहचरों पर आधारभूत परिणाम निर्भरता को दर्शाता है।
• अंशांकन स्थिति (Calibration Condition): $E[G \mid p, X] = p$।
• अवशेष (Residuals):
  • $R = Y - m(X)$, जहाँ $m(X) = E[Y \mid X]$।
  • $a = p - r(X)$, जहाँ $r(X) = E[p \mid X]$।
  • $z = 2p - 1$ (हस्ताक्षरित स्कोर/signed score)।
• मुख्य मात्रा: $V^* = E[(p - r(X))^2] = E[\text{Var}(p \mid X)]$। यह $X$ पर आधारित होने के बाद स्कोर के अवशेष विचरण (residual variance) को दर्शाता है।

पहचान रणनीति (Identification Strategy):
लेखक अवलोकनीय चरों को अव्यक्त पैरामीटर $\tau$ से जोड़ने वाला एक क्लोज्ड-फॉर्म मोमेंट समीकरण व्युत्पन्न करते हैं।

• थ्योरम 3 (जनसंख्या मोमेंट आइडेंटिटी): मॉडल की मान्यताओं के तहत, निम्नलिखित पहचान सत्य है:
  $$E[(2p - 1)(Y - m(X))] = 2\tau V^*$$
• पहचान सूत्र (Identification Formula):
  $$\tau = \frac{E[(2p - 1)(Y - m(X))]}{2 E[(p - r(X))^2]}$$
  इसे मोमेंट्स के भारित अनुपात (weighted ratio of moments) के रूप में व्याख्यायित किया जा सकता है। अंश (numerator) हस्ताक्षरित स्कोर और परिणाम अवशेष (outcome residual) के बीच सहसंबंध है (जो $X$ द्वारा नियंत्रित है), और हर (denominator) स्कोर का दोगुना अवशेष विचरण है।

इंस्ट्रूमेंटल वेरिएबल्स (IV) से सादृश्य:
यह पहचान औपचारिक रूप से एक IV एस्टिमेटर के समान है:

• अवशेष स्कोर $a = p - r(X)$ अव्यक्त विचलन $(G - r(X))$ के लिए एक इंस्ट्रूमेंट के रूप में कार्य करता है।
• अंशांकन की स्थिति प्रासंगिकता (relevance) (प्रथम चरण) प्रदान करती है।
• संरचनात्मक माध्य स्वतंत्रता (structural mean independence) एक्सक्लूजन रिस्ट्रिक्शन (exclusion restriction) प्रदान करती है।

3. मुख्य योगदान (Key Contributions)

A. बिंदु पहचान और विफलता की स्थितियाँ (Point Identification and Failure Conditions)

• पहचान: $\tau$ तभी बिंदु-पहचाना (point-identified) जा सकता है जब $V^* > 0$ हो।
• तीव्र विफलता लक्षण वर्णन: यदि $V^* = 0$ है (अर्थात, $p$, $X$ का एक नियतात्मक फलन है), तो पहचान पूरी तरह से विफल हो जाती है। लेखक स्पष्ट रूप से अवलोकन योग्य रूप से समतुल्य मॉडलों का एक निरंतरता (continuum) निर्मित करते हैं, जिसमें $\tau'$ के मनमाने मानों के साथ एक ही $(Y, X, p)$ वितरण प्राप्त होता है। यह सिद्ध करता है कि स्कोर में अवशेष भिन्नता के बिना, $\tau$ के बारे में कोई जानकारी प्राप्त नहीं की जा सकती।

B. संरचनात्मक गुणांक बनाम मार्जिनल गैप (Structural Coefficient vs. Marginal Gap)

यह शोध पत्र पहचाने गए संरचनात्मक गुणांक $\tau$ और मार्जिनल लेटेंट मीन गैप ($\Delta_{marg} = E[Y \mid G=1] - E[Y \mid G=0]$) के बीच अंतर करता है।

• विघटन (Decomposition): $\Delta_{marg} = \tau + C$, जहाँ $C$ एक कंपोजिशनल टर्म है जो अव्यक्त समूहों के बीच सहचरों के वितरण में अंतर को दर्शाता है।
• परिणाम: $\tau$ सहचर-सेल के भीतर (within-covariate-cell) के प्रभाव को पहचानता है। $\Delta_{marg}$ तभी $\tau$ के बराबर होता है जब अव्यक्त समूह सहचरों के मामले में संतुलित हों ($E[\mu(X) \mid G=1] = E[\mu(X) \mid G=0]$)। बिना अतिरिक्त मान्यताओं के, $C$ अनिर्धारित (unidentified) रहता है।

C. अनुमान और निष्कर्ष (Estimation and Inference)

• ओरेकल एस्टिमेटर (Oracle Estimator): यह मानते हुए कि $m(X)$ और $r(X)$ ज्ञात हैं, $\hat{\tau}_{or}$ $\sqrt{n}$-सुसंगत (consistent) है और एक क्लोज्ड-फॉर्म सैंडविच वेरिएंस के साथ एसिम्प्टोटिक रूप से सामान्य (asymptotically normal) है।
• प्लग-इन एस्टिमेटर (Plug-in Estimator): जब न्युसेंस फंक्शन (nuisance functions) का अनुमान लगाया जाता है, तो शोध पत्र निरंतरता (consistency) पर चर्चा करता है। यह नोट करता है कि मानक स्कोर $m(X)$ की दिशा में नेयमैन ऑर्थोगोनैलिटी (Neyman orthogonality) में विफल रहता है, जिससे पूर्वाग्रह (bias) हो सकता है यदि न्युसेंस एस्टिमेटर्स पर्याप्त सटीक नहीं हैं।
• ऑर्थोगोनल एस्टिमेटर (Orthogonal Estimator): एक पुनर्गठित एस्टिमेटर प्रस्तावित किया गया है जो स्कोर $\tilde{\psi}_i = 2(p_i - r(X_i))(Y_i - m(X_i) - \tau(p_i - r(X_i)))$ का उपयोग करता है। यह स्कोर नेयमैन-ऑर्थोगोनल है, जो इसे डबल मशीन लर्निंग (DML) निष्कर्ष के लिए एक उम्मीदवार बनाता है, हालांकि क्रॉस-फिटिंग के तहत औपचारिक $\sqrt{n}$-नॉर्मलिटी को भविष्य के कार्य के लिए छोड़ दिया गया है।

D. अंशांकन विफलता के प्रति मजबूती (Robustness to Calibration Failure)

यह शोध पत्र अंशांकन धारणा ($E[G \mid p, X] \neq p$) के उल्लंघन के प्रभाव का विश्लेषण करता है।

• पूर्वाग्रह सूत्र (Bias Formula): यदि $E[G \mid p, X] = p + \eta(p, X)$, तो एस्टिमेटर $\tau + B_{cal}$ की ओर अभिसरित होता है, जहाँ $B_{cal}$ अंशांकन त्रुटि $\eta$ और हस्ताक्षरित स्कोर $(2p-1)$ के बीच सहसंबंध के समानुपाती है।
• तीव्र संवेदनशीलता सीमा (Sharp Sensitivity Bound): एक समान सीमा $|\eta| \leq \delta$ के तहत अधिकतम संभव पूर्वागण $B_{cal}$ का सूत्र है:
  $$\sup |B_{cal}| = \frac{|\tau| \cdot \delta \cdot E[|2p - 1|]}{2V^*}$$
  यह सीमा 'शार्प' (sharp) है और यह रेखांकित करती है कि जैसे-जैसे $V^* \to 0$ होता है, पूर्वाग्रह विस्फोटित (explode) हो जाता है।

4. अनुभवजन्य परिणाम (मोंटे कार्लो सिमुलेशन) (Empirical Results - Monte Carlo Simulations)

शोध पत्र व्यापक सिमुलेशन के माध्यम से सिद्धांत को सत्यापित करता है:

1. एसिम्प्टोटिक नॉर्मलिटी: ओरेकल एस्टिमेटर निष्पक्ष है और $n \geq 1,000$ के लिए सामान्य वितरण का पालन करता है।
2. पहचान सीमा (Identification Boundary): जैसे-जैसे $V^* \to 0$ होता है, RMSE $1/V^*$ के अनुपात में बढ़ता है, जो सैद्धांतिक पहचान विफलता की पुष्टि करता है।
3. अंशांकन संवेदनशीलता: गलत अंशांकन के तहत अनुभवजन्य पूर्वागण (empirical bias) व्युत्पन्न शार्प बाउंड से मेल खाता है। सममित अंशांकन त्रुटियाँ (स्कोर के लंबवत) शून्य पूर्वागण उत्पन्न करती हैं, जबकि सबसे खराब स्थिति वाली त्रुटियाँ अधिकतम पूर्वागण उत्पन्न करती हैं।
4. हार्ड-थ्रेशोल्डिंग (Hard-Thresholding): $p$ को बाइनरी इंडिकेटर ($1\{p > .5\}$) से बदलने से गंभीर एटेन्यूएशन बायस (attenuation bias) होता है। अनुमानित गैप $\kappa < 1$ के कारक से सिकुड़ जाता है, जो स्कोर के प्रसार (dispersion) के कम होने पर और खराब हो जाता है। मोमेंट-आधारित एस्टिमेटर थ्रेशोल्डिंग पर स्पष्ट रूप से हावी है।
5. विषम प्रभाव (Heterogeneous Effects): जब $\tau$, $X$ के साथ बदलता है, तो मोमेंट एस्टिमेटर एक वेरिएंस-वेटेड एवरेज $\bar{\tau} = E[\tau(X) \text{Var}(p \mid X)] / E[\text{Var}(p \mid X)]$ की पहचान करता है, जो उन इकाइयों को अधिक महत्व देता है जहाँ स्कोर सबसे अधिक सूचनात्मक होता है।

5. महत्व और निहितार्थ (Significance and Implications)

• सैद्धांतिक प्रगति: यह कैलिब्रेटेड संभावनाओं का उपयोग करके अव्यक्त समूह प्रभावों के लिए एक कठोर पहचान ढांचा प्रदान करता है, जो आधुनिक एल्गोरिद्मिक और प्रशासनिक सेटिंग्स में एक सामान्य डेटा संरचना है।
• व्यावहारिक उपयोगिता: यह एक क्लोज्ड-फॉर्म एस्टिमेटर प्रदान करता है जो जटिल नॉनपैरामीट्रिक पहचान शर्तों (जैसा कि प्रॉक्सी वेरिएबल साहित्य में होता है) की आवश्यकता को समाप्त करता है और सरल थ्रेशोल्डिंग के गंभीर पूर्वाग्रह से बचता है।
• नीतिगत प्रासंगिकता: यह फेयरनेस ऑडिटिंग (fairness auditing) और वितरण संबंधी विश्लेषण के लिए महत्वपूर्ण है जहाँ संरक्षित गुण (protected attributes) अनुपस्थित होते हैं लेकिन अनुमानित होते हैं। यह स्पष्ट करता है कि ऐसे तरीकों द्वारा अनुमानित "ग्रुप गैप" एक संरचनात्मक, सहचर-के-भीतर (within-covariate) प्रभाव है, जो कच्चे मार्जिनल गैप से भिन्न है, जिससे कंपोजिशनल अंतरों को कारण प्रभाव (causal effect) के रूप में गलत समझने से रोका जा सकता है।
• मजबूती (Robustness): शार्प संवेदनशीलता सीमाएं शोधकर्ताओं को यह मापने की अनुमति देती हैं कि अंशांकन त्रुटि उनके परिणामों को कितना विकृत कर सकती है, जिससे मजबूती जाँच (robustness checks) के लिए एक ठोस उपकरण मिलता है।

संक्षेप में, यह शोध पत्र स्थापित करता है कि सशर्त अंशांकन (conditional calibration) के साथ अवशेष स्कोर भिन्नता (residual score variation) संरचनात्मक समूह प्रभावों को पहचानने के लिए पर्याप्त है, जो कि एक सहज वर्गीकरण दृष्टिकोण की तुलना में बेहतर, क्लोज्ड-फॉर्म समाधान प्रदान करता है।