📊 statistics

On the Impossibility of Specification Testing of Interference Models Based on Exposure Mappings

यह शोध पत्र यह स्थापित करता है कि एक्सपोज़र मैपिंग इंटरफेरेंस मॉडल्स के लिए कोई भी स्पेसिफिकेशन टेस्ट नेस्टेड मॉडल्स के बीच अंतर करते समय टाइप I और टाइप II त्रुटियों को एक साथ नियंत्रित नहीं कर सकता है, जो यह सिद्ध करता है कि ऐसा कोई भी टेस्ट तब तक रैंडम गेसिंग (यादृच्छिक अनुमान) से बेहतर प्रदर्शन नहीं करता जब तक कि वैकल्पिक परिकल्पना को और अधिक प्रतिबंधित न किया जाए, जैसा कि नो-इंटरफेरेंस और नेटवर्क-लीनियर-इन-मीन्स मॉडल्स के बीच अंतर करने वाले एक सुसंगत टेस्ट द्वारा प्रदर्शित किया गया है।

मूल लेखक: Chao Gao, Christopher Harshaw, Fredrik Sävje, Yitan Wang

प्रकाशित 2026-05-12

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Chao Gao, Christopher Harshaw, Fredrik Sävje, Yitan Wang

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 भीड़ भरे कमरे में रहस्य सुलझाने की कोशिश कर रहे हैं एक जासूस के रूप में। आपको संदेह है कि लोग एक-दूसरे के व्यवहार को प्रभावित कर रहे हैं (सांख्यिकी में इसे "इंटरफेरेंस" या हस्तक्षेप कहा जाता है)। इस मामले को सुलझाने के लिए, आपको एक सिद्धांत की आवश्यकता है कि वे एक-दूसरे को कैसे प्रभावित कर रहे हैं। शायद आप सोचते हैं, "वे केवल अपने निकटतम पड़ोसियों से बात करते हैं," या "वे केवल अपने ठीक सामने बैठे व्यक्ति की नकल करते हैं।"

सांख्यिकी की दुनिया में, इन सिद्धांतों को एक्सपोज़र मॉडल (Exposure Models) कहा जाता है। ये सरल मानचित्र (maps) हैं जो प्रयोग में होने वाली जटिल अंतःक्रियाओं के जाल को समझाने की कोशिश करते हैं।

यह शोध पत्र, जिसे चार शोधकर्ताओं द्वारा लिखा गया है, एक आश्चर्यजनक और कुछ हद तक निराशाजनक निर्णय देता है: आप केवल प्रयोग के डेटा का उपयोग यह साबित करने के लिए नहीं कर सकते कि आपका मानचित्र (map) ही सही है।

यहाँ उनके निष्कर्षों का सरल उपमाओं (analogies) का उपयोग करके विवरण दिया गया है।

1. "जादुई मानचित्र" की समस्या (The "Magic Map" Problem)

कल्पना कीजिए कि आप यह पता लगाने की कोशिश कर रहे हैं कि कमरे का एक विशिष्ट मानचित्र सटीक है या नहीं।

शून्य परिकल्पना (आपका मानचित्र): आप मानते हैं कि मानचित्र कहता है, "लोग केवल अपने बाईं ओर के पड़ोसी से बात करते हैं।"
वैकल्पिक (वास्तविक दुनिया): वास्तविकता यह हो सकती है कि, "लोग अपने बाईं ओर के पड़ोसी और तीन सीटों दूर बैठे व्यक्ति, दोनों से बात करते हैं।"

शोधकर्ता पूछते हैं: क्या हम प्रयोग से प्राप्त डेटा को देखकर यह कह सकते हैं, "आहा! आपका मानचित्र गलत है!"?

2. "नासमझ जासूस" का परिणाम (The "Naive Detective" Result)

इस शोध पत्र का मुख्य निष्कर्ष एक "मजबूत असंभवता परिणाम" (strong impossibility result) है। यह कहता है कि इन "एक्सपोज़र" नियमों पर आधारित किसी भी मानचित्र के लिए, ऐसा कोई परीक्षण (test) नहीं बनाया जा सकता जो एक सिक्का उछालने वाले नासमझ जासूस से बेहतर हो।

यहाँ उपमा दी गई है:
कल्पना कीजिए कि आपके पास एक परीक्षण है जो दावा करता है कि वह यह पता लगा सकता है कि आपका मानचित्र गलत है। शोधकर्ता सिद्ध करते हैं कि जिस भी तरह से वास्तविक दुनिया आपके मानचित्र से भिन्न हो सकती है, उसके लिए एक "ट्रिक" वाला परिदृश्य मौजूद है जहाँ डेटा बिल्कुल वैसा ही दिखता है जैसा कि आपका मानचित्र सही या गलत होने पर दिखता।

चूंकि इन "ट्रिक" परिदृश्यों में डेटा बिल्कुल समान दिखता है, इसलिए आपका परीक्षण अंतर नहीं बता सकता।

यदि आप अपने परीक्षण को "ट्रिक" परिदृश्यों को पकड़ने के लिए पर्याप्त संवेदनशील बनाने की कोशिश करते हैं, तो आप तब गलत अलार्म (Type I errors) बजाने लगेंगे जब आपका मानचित्र वास्तव में सही होगा।
यदि आप गलत अलार्म को रोकने की कोशिश करते हैं, तो आप "ट्रिक" परिदृश्यों के प्रति अंधे हो जाएंगे (Type II errors)।

शोध पत्र सिद्ध करता है कि आपकी गलतियों का योग (गलत अलार्म + छूटे हुए सुराग) हमेशा 100% होगा। इसका मतलब है कि आपका परीक्षण एक ऐसे जासूस से बेहतर नहीं है जो अपनी आँखें बंद करता है, सिक्का उछालता है, और कहता है, "मैं आपके मानचित्र को खारिज करता हूँ!"—जो 50% बार ऐसा करता है।

निष्कर्ष: आप सामाजिक प्रभाव के बारे में अपने पूरे सिद्धांत (कि लोग एक-दूसरे को कैसे प्रभावित करते हैं) को मान्य करने के लिए प्रयोग के डेटा का उपयोग नहीं कर सकते, यदि आप इन मानक "एक्सपोज़र मानचित्रों" पर निर्भर हैं। डेटा में यह अंतर करने के लिए पर्याप्त जानकारी नहीं है कि एक सही मानचित्र और एक थोड़ा गलत मानचित्र के बीच क्या अंतर है।

3. यह क्यों होता है? ("गिरगिट" प्रभाव - The "Chameleon" Effect)

शोधकर्ता बताते हैं कि ये एक्सपोज़र मॉडल गिरगिट की तरह हैं। आप खेल के अंतर्निहित नियमों (लोगों के वास्तविक प्रभाव का तरीका) को इस तरह बदल सकते हैं कि वे आपके मानचित्र के नियमों की पूरी तरह से नकल करें, जिससे उन्हें पहचानना असंभव हो जाए।

यह एक जादूगर को यह बताने की कोशिश करने जैसा है कि वह किसी विशिष्ट ट्रिक का उपयोग कर रहा है या किसी अन्य ट्रिक का, लेकिन जादूगर इतना कुशल है कि दर्शक दोनों ही स्थितियों में बिल्कुल एक जैसा परिणाम देखते हैं। आप चाहे कितनी भी बार शो देखें (नमूना आकार कितना भी बड़ा क्यों हो), आप केवल अंतिम परिणाम को देखकर यह पता नहीं लगा सकते कि कौन सी ट्रिक इस्तेमाल की गई थी।

4. क्या सारी उम्मीदें खत्म हो गई हैं? (The "Special Case" Exception)

यह शोध पत्र यह नहीं कहता कि सभी परीक्षण बेकार हैं। यह कहता है कि परीक्षण करना असंभव है यदि आप एक "एक्सपोज़र मैप" की तुलना एक व्यापक, अधिक जटिल "एक्सपस्पोज़र मैप" से करने की कोशिश कर रहे हैं।

हालाँकि, यदि आप केवल मानचित्र से परे अतिरिक्त धारणाएँ (assumptions) बनाने के लिए तैयार हैं, तो वे एक रास्ता प्रदान करते हैं।

उपमा:
केवल यह अनुमान लगाने के बजाय कि लोग कैसे बात करते हैं, आप एक विशिष्ट गणितीय नियम मान लेते हैं: "लोगों का व्यवहार उनके पड़ोसियों के व्यवहार का एक सीधी रेखा वाला औसत (straight-line average) है।" इसे लीनियर-इन-मीन्स मॉडल (Linear-in-Means Model) कहा जाता है।

क्योंकि यह नियम एक सामान्य "एक्सपोज़र मैप" की तुलना में बहुत अधिक सख्त और विशिष्ट है, शोधकर्ता एक ऐसा परीक्षण बनाने में सक्षम रहे जो काम करता है। यह यह कहने जैसा है, "मुझे नहीं पता कि खेल के सटीक नियम क्या हैं, लेकिन मैं इस बात पर दांव लगाने को तैयार हूँ कि नियम इस विशिष्ट, सरल सूत्र का पालन करते हैं।" यदि आप वह विशिष्ट दांव लगाने को तैयार हैं, तो आप वास्तव में परीक्षण कर सकते हैं कि क्या डेटा इसका समर्थन करता है।

सारांश

बुरी खबर: आप यह साबित करने के लिए प्रयोगात्मक डेटा का उपयोग नहीं कर सकते कि "लोग एक-दूसरे को कैसे प्रभावित करते हैं" (एक्सपोज़र मैप पर आधारित) आपका सामान्य सिद्धांत सही है। डेटा बहुत अस्पष्ट है; एक परीक्षण केवल अनुमान लगाने से बेहतर नहीं होगा।
अच्छी खबर: यदि आप अपने सिद्धांत को एक बहुत ही विशिष्ट, गणितीय रूप से सरल आकार (जैसे एक सीधी रेखा) तक सीमित करने के लिए तैयार हैं, तो आप एक ऐसा परीक्षण बना सकते हैं जो काम करता है।
सबक: सामाजिक प्रभाव के बारे में अपने जटिल सिद्धांतों को मान्य करने के लिए केवल डेटा पर भरोसा न करें। आपको काम करने योग्य परीक्षण बनाने के लिए बाहरी ज्ञान या मजबूत धारणाओं को साथ लाना होगा। डेटा अकेले "परफेक्ट मैप" के रहस्य को सुलझाने के लिए पर्याप्त नहीं है।

तकनीकी सारांश: एक्सपोज़र मैपिंग पर आधारित स्पेक्सिफिकेशन टेस्टिंग की असंभवता पर

समस्या विवरण
ऐसे रैंडमाइज्ड प्रयोगों में जहाँ स्पिलओवर (इंटरफेरेंस) का संदेह हो, विश्लेषकों को प्रभाव का अनुमान लगाने के लिए इंटरफेरेंस के एक मॉडल को प्रस्तावित करना होता है। अनुभवजन्य अभ्यास (एम्पिरिकल प्रैक्टिस) में प्रमुख दृष्टिकोण एक्सपोज़र मैपिंग (Aronow & Samii, 2017) का उपयोग करता है, जो उच्च-आयामी ट्रीटमेंट वेक्टर को प्रत्येक इकाई के लिए एक निम्न-आयामी सारांश में बदल देता है। एक महत्वपूर्ण चुनौती यह है कि स्पिलओवर की वास्तविक प्रकृति शायद ही कभी ज्ञात होती है, जिससे शोधकर्ता यह निर्धारित करने के लिए स्पेसिफिकेशन टेस्ट (specification tests) का उपयोग करते हैं कि क्या चुना गया इंटरफेरेंस मॉडल सही ढंग से निर्दिष्ट (correctly specified) है।

जबकि मौजूदा साहित्य ने ऐसे स्पेसिफिकेशन टेस्ट विकसित किए हैं (अक्सर फिशर-शैली के रैंडमाइजेशन टेस्ट पर आधारित) जो टाइप I एरर (एक सही मॉडल को खारिज करना) को नियंत्रित करते हैं, इन टेस्ट्स का टाइप II एरर (एक गलत मॉडल को स्वीकार करना) अभी भी कम समझा गया है। इस शोध पत्र द्वारा संबोधित केंद्रीय प्रश्न यह है कि क्या एक ऐसा स्पेसिफिकेशन टेस्ट निर्मित करना संभव है जो एक सही ढंग से निर्दिष्ट एक्सपोज़र मैपिंग मॉडल और एक गलत तरीके से निर्दिष्ट मॉडल के बीच विश्वसनीय रूप से अंतर कर सके, विशेष रूप से तब जब मिसस्पेसिफिकेशन (गलत विनिर्देशन) 'वेल-सेपरेटेड' (well-separated) हो।

कार्यप्रणाली और ढांचा
लेखक रैंडमाइज्ड प्रयोगों के लिए एक डिज़ाइन-आधारित ढांचे को अपनाते हैं। वे निम्नलिखित घटकों का उपयोग करके समस्या को औपचारिक रूप देते हैं:

मॉडल: नल मॉडल ( $M_0$ ) और अल्टरनेटिव मॉडल ( $M_1$ ) संभावित परिणाम कार्यों (potential outcome functions) के सेट हैं। दोनों को एक समान मोमेंट बाउंड ( $\|y\|_\infty \le 1$ ) द्वारा प्रतिबंधित किया गया है ताकि परिणाम सुव्यवस्थित रहें।
एक्सपोज़र मॉडल: यह शोध पत्र उन मॉडलों पर ध्यान केंद्रित करता है जहाँ एक इकाई का संभावित परिणाम केवल एक एक्सपोज़र मैपिंग $h_i(z)$ पर निर्भर करता है। एक मॉडल तब सही ढंग से निर्दिष्ट माना जाता है जब परिणाम $z$ में उन परिवर्तनों के प्रति अपरिवर्तित रहता है जो एक्सपोज़र $h_i(z)$ को नहीं बदलते हैं।
सेपरेशन (Separation): पावर (power) का मूल्यांकन करने के लिए, लेखक एक सेपरेशन फंक्शनल $g(y)$ को परिभाषित करते हैं जो एक संभावित परिणाम फलन के नल मॉडल से विचलन को मापता है। एक विकल्प $\delta$ -सेपरेटेड है यदि $g(y) \ge \delta$ हो।
प्रदर्शन मीट्रिक: शोध पत्र ओवरऑल टेस्टिंग एरर $R(D, \phi, \delta)$ का मूल्यांकन करता है, जिसे वर्स्ट-केस टाइप I एरर और $\delta$ -सेपरेटेड अल्टरनेटिव्स के वर्स्ट-केस टाइप II एरर के योग के रूप में परिभाषित किया गया है।
असंभवता मानदंड (Impossibility Criterion): एक टेस्टिंग समस्या को असंभव माना जाता है यदि मिनिमैक्स टेस्टिंग एरर $R^*(\delta) = 1$ हो। इसका तात्पर्य यह है कि कोई भी टेस्टिंग प्रक्रिया एक ऐसी नाइव (naive) प्रक्रिया से बेहतर प्रदर्शन नहीं कर सकती जो सभी डेटा को त्याग देती है और रैंडम तरीके से नल को रिजेक्ट करती है।

मुख्य योगदान और परिणाम

एक्सपोज़र मैपिंग के लिए असंभवता प्रमेय (Impossibility Theorem):
शोध पत्र का प्राथमिक परिणाम (थ्योरम 3.1) एक सशक्त असंभवता परिणाम स्थापित करता है: एक्सपोज़र मैपिंग मॉडलों की स्पेसिफिकेशन टेस्टिंग असंभव है।

विशेष रूप से, किसी भी नल एक्सपोज़र मॉडल $M_0$ और किसी भी अल्टरनेटिव एक्सपोज़र मॉडल $M_1$ (जहाँ $M_0 \subseteq M_1$ ) के लिए, मिनिमैक्स टेस्टिंग एरर सभी गैर-तुच्छ (non-trivial) सेपरेशन मानों $\delta$ के लिए ठीक 1 है।
यह परिणाम सभी सैंपल साइज ( $n$ ), यूनिफॉर्मली बाउंडेड आउटकम्स के लिए, और मैक्सिमली सेपरेटेड अल्टरनेटिव्स के लिए भी मान्य है।
प्रूफ स्केच: लेखक स्पष्ट मिश्रण वितरण (mixture distributions) $\Pi_0$ (जो $M_0$ पर समर्थित है) और $\Pi_1$ (जो $\delta$ -सेपरेटेड $M_1$ पर समर्थित है) का निर्माण करते हैं, ताकि देखे गए परिणामों के वितरण के बीच टोटल वेरिएशन डिस्टेंस शून्य ( $d_{TV}(Q_0(z), Q_1(z)) = 0$ ) हो जाए, जो कि किसी भी ट्रीटमेंट असाइनमेंट $z$ के लिए सत्य है। चूंकि देखे गए डेटा वितरण किसी भी प्रयोगात्मक डिज़ाइन के तहत अविभेद्य (indistinguishable) हैं, इसलिए कोई भी टेस्ट रैंडम गेसिंग से बेहतर पावर प्राप्त नहीं कर सकता।

शार्प नल (Sharp Nulls) पर कोरोलरी:
यह असंभवता विशिष्ट सामान्य मामलों तक विस्तृत है, जैसे कि "कोई ट्रीटमेंट इफेक्ट नहीं" और "कोई इंटरफेरेंस नहीं" (SUTVA) के बीच अंतर करना। भले ही ट्रीटमेंट इफेक्ट मैक्सिमली लार्ज (मोमेंट बाउंड द्वारा सेपरेटेड) हो, नल और अल्टरनेटिव मिश्रणों के तहत डेटा वितरण समान होते हैं, जिससे मॉडल अनुभवजन्य रूप से अविभेद्य हो जाते हैं।
गैर-एक्सपोज़र अल्टरनेटिव्स के लिए सुसंगत टेस्ट (Consistent Test):
लेखक यह प्रदर्शित करते हैं कि असंभवता का परिणाम विशेष रूप से एक्सपोज़र मैपिंग मॉडलों के वर्ग के लिए विशिष्ट है। अल्टरनेटिव मॉडल को एक ऐसे ढांचे तक सीमित करके जो एक्सपोज़र मैपिंग नहीं है, सूचनात्मक टेस्टिंग संभव हो जाती है।

वे "नो इंटरफेरेंस" (SUTVA) के नल हाइपोथेसिस के विरुद्ध एक नेटवर्क लीनियर-इन-मीन्स मॉडल (जहाँ परिणाम उपचारित पड़ोसियों के अंश के रैखिक/linear में होते हैं) के अल्टरनेटिव के विरुद्ध एक यूनिफॉर्मली कंसिस्टेंट टेस्ट का निर्माण करते हैं।
यह टेस्ट बरनौली डिज़ाइन के तहत संभावित परिणामों के क्वाड्रेटिक फंक्शनल के एक कंसिस्टेंट एस्टीमेटर का उपयोग करता है।
यह टेस्ट तब कंसिस्टेंट है जब नेटवर्क की अधिकतम डिग्री ( $d_{max}$ ) इस प्रकार हो कि $d_{max} = o(n^{1/5})$ ।

महत्व और दावे
शोध पत्र का दावा है कि एक्सपोज़र मैपिंग मॉडलों को केवल प्रयोगात्मक डेटा का उपयोग करके मान्य (validate) करने में असमर्थता एक मौलिक सीमा है, न कि पद्धतिगत परिष्कार (methodological sophistication) की कमी।

ज्ञानमीमांसीय निहितार्थ (Epistemological Implication): मॉडल स्पेसिफिकेशन की समस्या को केवल प्रयोगात्मक डेटा के माध्यम से हल नहीं किया जा सकता है। लेखक तर्क देते हैं कि शोधकर्ता डेटा के माध्यम से एक्सपोज़र मॉडलों के सभी संभावित मिसस्पेसिफिकेशन को खारिज करने पर भरोसा नहीं कर सकते।
व्यावहारिक मार्गदर्शन: लेखक कहते हैं कि स्पेसिफिकेशन टेस्ट केवल तभी उपयोगी होते हैं जब शोधकर्ता एक्सपोज़र मैपिंग के संरचनात्मक प्रतिबंधों से परे पूर्व-निर्धारित प्रतिबंध (a priori restrictions) लागू करते हैं। यदि कोई प्रयोगकर्ता पूर्व-निर्धारित रूप से किसी भी विचलन को खारिज करने के लिए तैयार नहीं है, तो एकमात्र वैध निष्कर्ष यह है कि नल मिसस्पेसिफाइड हो सकता है।
फोकस में बदलाव: यह शोध पत्र सुझाव देता है कि क्षेत्र को यह सत्यापित करने के प्रयास से हटकर (जो कि असंभव दिखाया गया है) विशिष्ट, पूर्व-निर्दिष्ट प्रकार के विचलन को लक्षित करने वाले टेस्ट बनाने की ओर बढ़ना चाहिए (जैसा कि लीनियर-इन-मीन्स उदाहरण द्वारा दर्शाया गया है)।
बाहरी डेटा की भूमिका: लेखक नोट करते हैं कि मॉडल स्पेसिफिकेशन को हल करने के लिए बाहरी डेटा या गुणात्मक विधियों को शामिल करने की आवश्यकता हो सकती है, हालांकि यह नए, संभावित रूप से अटैस्टेबल (untestable) अनुमान पेश करता है।

संक्षेप में, यह शोध पत्र औपचारिक रूप से सिद्ध करता है कि कोई भी स्पेसिफिकेशन टेस्ट नेस्टेड एक्सपोज़र मैपिंग मॉडलों के बीच समान रूप से अंतर नहीं कर सकता है, चाहे सैंपल साइज या सेपरेशन का परिमाण कुछ भी हो। फलस्वरूप, सूचनात्मक स्पेसिफिकेशन टेस्टिंग के लिए एक्सपोज़र मैपिंग्स के वर्ग से परे अल्टरनेटिव हाइपोथेसिस के दायरे को सीमित करना आवश्यक है।

1. "जादुई मानचित्र" की समस्या (The "Magic Map" Problem)

2. "नासमझ जासूस" का परिणाम (The "Naive Detective" Result)

3. यह क्यों होता है? ("गिरगिट" प्रभाव - The "Chameleon" Effect)

4. क्या सारी उम्मीदें खत्म हो गई हैं? (The "Special Case" Exception)

सारांश

इसी तरह के और पेपर