A formal approach to variable selection in difference-in-differences
यह शोधपत्र डिफरेंस-इन-डिफरेंसेंस विश्लेषण में कंडीशनल पैरेलल ट्रेंड्स (conditional parallel trends) को संतुष्ट करने के लिए सहचरों (covariates) के चयन हेतु एक औपचारिक, ग्राफ-आधारित ढांचे का प्रस्ताव करता है, और यह तर्क देता है कि पहचान संबंधी चुनौतियाँ अक्सर लोकप्रिय अनुमानकों (estimators) से स्वयं के बजाय वैधता के लिए आवश्यक एडजस्टमेंट सेट्स और उनके द्वारा उपयोग किए जाने वाले सेट्स के बीच गलत संरेखण से उत्पन्न होती हैं।
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 यह पता लगाने की कोशिश कर रहे हैं कि क्या एक नया, महंगा विटामिन वास्तव में लोगों की लंबाई बढ़ाने में मदद करता है। आपके पास दो समूह हैं: एक समूह जो विटामिन लेता है ("उपचारित" समूह), और दूसरा जो नहीं लेता ("नियंत्रण" समूह)।
इसकी जांच करने का क्लासिक तरीका डिफरेंस-इन-डिफरेंसेस (DiD) विधि है। यह एक दौड़ देखने जैसा है। आप पहले देखते हैं कि दौड़ शुरू होने से पहले (विटामिन लेने से पहले) हर कोई कितना लंबा था। फिर, आप देखते हैं कि वे दौड़ के अंत में (विटामिन लेने के बाद) कितने लंबे हैं। तर्क यह है: यदि गैर-विटामिन समूह उसी गति से बढ़ता रहता जिस गति से वह पहले बढ़ रहा था, तो हम मान सकते हैं कि यदि विटामिन समूह ने विटामिन नहीं लिया होता, तो भी वह उसी गति से बढ़ता। जो वास्तव में हुआ और जो "होता" (यदि विटामिन नहीं लिया गया होता), उसके बीच का अंतर विटामिन का प्रभाव है।
हालाँकि, यह तभी काम करता है जब दोनों समूह शुरुआत से ही एक ही ट्रैक पर दौड़ रहे हों। यदि विटामिन समूह पहले से ही स्वाभाविक रूप से लंबा था या उनके पास बेहतर जूते थे, तो दौड़ निष्पक्ष नहीं है। यह "पैरेलल ट्रेंड्स" (समानांतर रुझान) की धारणा है।
यह पेपर एक रेफरी के लिए नियम पुस्तिका की तरह है कि कैसे यह सुनिश्चित किया जाए कि दौड़ वास्तव में निष्पक्ष हो। यहाँ उनके नए नियमों का सरल विवरण दिया गया है:
1. "किचन सिंक" की समस्या
अतीत में, शोधकर्ता अक्सर बिना सोचे-समझे उनके पास मौजूद हर एक डेटा (लंबाई, वजन, जूते का आकार, पसंदीदा रंग) को मिश्रण में डाल देते थे। वे इसे "किचन सिंक" दृष्टिकोण कहते थे।
- पेपर का समाधान: आप सब कुछ इसमें नहीं डाल सकते। आपको एक मानचित्र (एक "कारण-प्रभाव आरेख" या causal diagram) की आवश्यकता है जिससे यह देखा जा सके कि कौन से चर (variables) वास्तव में मायने रखते हैं। कुछ चर महत्वपूर्ण लग सकते हैं लेकिन वास्तव में वे दौड़ को बिगाड़ सकते हैं।
2. "पूर्ण संतुलन" का मिथक
पुराने तरीके की सोच यह थी कि यदि आप समूहों को समग्र रूप से देखते हैं, तो उनके विकास के रुझान स्वाभाविक रूप से पूरी तरह से संतुलित हो जाएंगे।
- पेपर का समाधान: यह उम्मीद करने जैसा है कि दो अलग-अलग कारें केवल इसलिए बिल्कुल एक ही गति से चलेंगी क्योंकि वे दोनों कारें हैं। यह एक बहुत ही मजबूत, अवास्तविक धारणा है। पेपर दिखाता है कि अक्सर, समूह तब तक संतुलित नहीं होते जब तक कि आप विशिष्ट अंतरों (जैसे इंजन का आकार या टायर का दबाव) को ध्यान में न रखें।
- जाल: कभी-कभी, यदि आप बहुत सारे चर जोड़कर उन्हें संतुलित करने की कोशिश करते हैं, तो आप अनजाने में उस पूर्ण संतुलन को तोड़ सकते जो पहले से मौजूद था, जिससे परिणाम बेहतर होने के बजाय और खराब हो जाता है।
3. "बोरिंग" (उबाऊ) चर
आमतौर पर, शोधकर्ता उन चरों को अनदेखा कर देते हैं जो समय के साथ नहीं बदलते (जैसे किसी व्यक्ति का लिंग या उसका जन्म स्थान) क्योंकि वे सोचते हैं, "खैर, यह बदलता नहीं है, इसलिए यह कारण नहीं हो सकता कि विटामिन ने काम किया।"
- पेपर का समाधान: कभी-कभी, ये "बोरिंग" चर ही असली राज होते! भले ही कोई चर बदलता नहीं है, लेकिन यह इस बात का कारण हो सकता है कि दोनों समूह शुरुआत में एक-दूसरे से भिन्न क्यों थे। इसके लिए समायोजन करना अध्ययन को बचा सकता है। यह समझने जैसा है कि भले ही कारों का रंग नहीं बदला, लेकिन रंग ने वास्तव में यह निर्धारित किया कि वे किस ट्रैक पर थीं।
4. "घटना के बाद का" चर
मानक सलाह कहती है: "उपचार शुरू होने के बाद एकत्र किए गए डेटा को कभी न देखें।" उदाहरण के लिए, यह न देखें कि विटामिन समूह ने विटामिन लेने के बाद कितना खाया, क्योंकि शायद विटामिन ने उन्हें भूखा बना दिया।
- पेपर का समाधान: यह इस पर निर्भर करता है कि खाने की आदतें क्यों बदलीं।
- यदि विटामिन ने उन्हें भूखा बनाया, तो खाने को न गिनें (यह प्रभाव का हिस्सा है)।
- लेकिन यदि किसी और चीज़ के कारण उन्होंने अधिक खाना शुरू किया (जैसे पास में एक नया रेस्टोरेंट खुल गया), तो आपको उसे गिनना ही होगा, अन्यथा आपको गलत उत्तर मिलेगा।
- रूपक: यह एक जासूस की तरह है। यदि किसी संदिग्ध का बहाना अपराध के कारण बदल गया है, तो उसे अनदेखा करें। लेकिन यदि बहाना ट्रैफिक जाम (अपराध से असंबंधित) के कारण बदला है, तो आपको मामला सुलझाने के लिए ट्रैफिक जाम को ध्यान में रखना होगा।
5. "स्टैगर्ड" (क्रमबद्ध) शुरुआत
कभी-कभी, अलग-अलग समूहों को अलग-अलग समय पर उपचार मिलता है (जैसे कि 2020, 2021, और 2022 में नए कानून लागू करने वाले राज्य)।
- पेपर का समाधान: पेपर उपचार के कब शुरू होने और उपचार क्या है, के बीच अंतर करता है। यदि उपचार स्वयं समय के साथ बदलता है (डायनेमिक), तो यह एक ऐसा फीडबैक लूप बनाता है जिसे सुलझाना कठिन है। यदि उपचार केवल एक बार की चीज़ है जो अलग-अलग लोगों के लिए अलग-अलग समय पर होती है (स्टैटिक), तो इसे संभालना बहुत आसान है।
6. "गलत उपकरण" बनाम "गलत सेटिंग्स"
वैज्ञानिक समुदाय में इस बात पर बहुत बहस हुई है कि इस काम के लिए कौन सा "कैलकुलेटर" (सांख्यिकीय एस्टिमेटर) सबसे अच्छा है।
- पेपर की बड़ी खोज: इससे कोई फर्क नहीं पड़ता कि आप कौन सा कैलकुलेटर उपयोग करते हैं! समस्या कैलकुलेटर नहीं है; समस्या वे सेटिंग्स हैं जो आप उसमें डालते हैं।
- रूपक: कल्पना कीजिए कि आप केक बना रहे हैं। आप एक फैंसी इलेक्ट्रिक मिक्सर या एक साधारण लकड़ी का चम्मच इस्तेमाल कर सकते हैं। यदि आप गलत सामग्री (गलत चर) का उपयोग करते हैं, तो केक का स्वाद खराब ही होगा, चाहे आप किसी भी उपकरण का उपयोग करें।
- समाधान: लेखक आपको दिखाते हैं कि किसी भी कैलकुलेटर के लिए "सामग्री" (एडजस्टमेंट सेट) को ठीक से कैसे सेट किया जाए। यदि आप मशीन में सही चर डालते हैं, तो सबसे सरल मशीन भी सही उत्तर देगी।
मुख्य निष्कर्ष
यह पेपर शोधकर्ताओं को कहता है: यह अनुमान लगाना बंद करें कि कौन से चर उपयोग करने हैं।
- कारण-और-प्रभाव का एक मानचित्र बनाएं।
- अपने समूहों को संतुलित करने के लिए बिल्कुल सही चरों को चुनने के लिए उस मानचित्र का उपयोग करें।
- सबसे जटिल सांख्यिकीय उपकरण चुनने की चिंता न करें; बस यह सुनिश्चित करें कि आप जो भी टूल उपयोग कर रहे हैं, उसमें सही चर डालें।
यदि आप ऐसा करते हैं, तो आपको एक निष्पक्ष दौड़ और एक सच्चा उत्तर मिलता है। यदि आप नहीं करते हैं, तो आप पूरी तरह से गलत चीज़ को माप रहे होंगे।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।