When Do Treatment Changes Identify Causal Effects?

तकनीकी सारांश: उपचार परिवर्तन (Treatment Changes) कब कारण प्रभावों (Causal Effects) की पहचान करते हैं?

समस्या और प्रेरणा
अनुभवजन्य अनुसंधान (Empirical research) अक्सर कारण प्रभावों की पहचान करने के लिए अवलोकन संबंधी डेटा (observational data) पर निर्भर करता है, जो आमतौर पर या तो 'ऑब्जर्वेबल्स-पर-चयन' (selection-on-observables) रणनीतियों (कोवेरिएट्स पर नियंत्रण लगाकर उपचार स्तरों को एक्सोजेनस मानना) या 'डिफरेंस-इन-डिफरेंसेस' (DiD) डिजाइनों (संभावित परिणामों में समानांतर रुझानों को मानना) का उपयोग करता है। हालाँकि, एक तीसरी, अक्सर अंतर्निहित पद्धति मौजूद है: एक गतिशील रूप से विकसित होते उपचार (जैसे, कर दर समायोजन, खुराक संशोधन) के परिवर्तनों का आकलन करना, न कि विशिष्ट उपचार स्तरों का। जबकि शोधकर्ता अक्सर उपचारों को 'वृद्धि बनाम कोई परिवर्तन नहीं' के बाइनरी संकेतक के रूप में पुनर्गठित करते हैं, इस "उपचार-परिवर्तन" पहचान रणनीति के लिए आवश्यक संरचनात्मक धारणाएं सैद्धांतिक रूप से कम खोजी गई हैं। विशेष रूप से, यह स्पष्ट नहीं है कि ये धारणाएं पारंपरिक स्तर-आधारित रणनीतियों से कैसे संबंधित हैं और क्या वे उनके भीतर निहित हैं। यह शोध पत्र इस बात का समाधान करता है कि उपचार परिवर्तनों में भिन्नता कब कारण प्रभावों की पहचान करती है, उन संरचनात्मक मॉडलों की विशेषता बताता है जो इस पहचान का समर्थन करते हैं, और उपचार-परिवर्तन और उपचार-स्तर की पहचान रणनीतियों के बीच संबंध की जांच करता है।

कार्यप्रणाली और संरचनात्मक ढांचा
यह शोध पत्र रुचि के उपचार प्रभाव को परिभाषित करने के लिए 'पोटेंशियल आउटकम्स फ्रेमवर्क' का उपयोग करता है: बिना किसी परिवर्तन के सापेक्ष एक उपचार वृद्धि $\nabla d$ का औसत प्रभाव, जिसे $\Delta_t(\nabla d)$ के रूप में दर्शाया गया है। मुख्य पहचान धारणा 'उपचार परिवर्तनों के लिए सशर्त स्वतंत्रता धारणा' (CIA-$\nabla D$) है, जो यह आवश्यक बनाती है कि उपचार परिवर्तन $\nabla D_T$, देखे गए कोवेरिएट्स के इतिहास $\bar{X}_{T-1}$ के आधार पर संभावित परिणामों से स्वतंत्र हो।

CIA-$\nabla D$ की वैधता को समझने के लिए, लेखक दो अलग-अलग, गैर-नेस्टेड (non-nested) संरचनात्मक मॉडलों (मॉडल A और मॉडल B) का वर्णन करते हैं, जिनमें परिणाम और उपचार समीकरणों के साथ समय-अपरिवर्तनीय अनऑब्जर्वेबल्स (फिक्स्ड इफेक्ट्स $U$) और समय-परिवर्तनीय अनऑब्जर्वेबल्स ($V_t, W_t$) शामिल हैं:

• मॉडल A: यह आवश्यक बनाता है कि फिक्स्ड इफेक्ट $U$ उपचार समीकरण में योगात्मक रूप से विभाज्य (additively separable) हो (जो $\nabla D_T$ में निरस्त हो जाता है) और गतिशील उपचार प्रभावों (earlier treatments का बाद के परिणामों या कोवेरिएट्स पर प्रभाव) को खारिज करता है। इसके लिए यह भी आवश्यक है कि उपचार समीकरण में समय-परिवर्तनीय अनऑब्जर्वेबल्स, परिणाम समीकरण में मौजूद अनऑब्जर्वेबल्स से स्वतंत्र हों।
• मॉडल B: इसमें भी उपचार समीकरण में $U$ की योगात्मक विभाज्यता की आवश्यकता है, लेकिन यह उपचार प्रक्रिया पर अधिक कड़ा प्रतिबंध लगाता है: उपचार परिवर्तनों को चलाने वाले समय-परिवर्तनीय झटके (shocks) एक 'रैंडम वॉक' (random walk) का पालन करने चाहिए (कोवेरिएट्स के आधार पर क्रमिक रूप से असंबद्ध)। इस मजबूत धारणा के बदले में, मॉडल B गतिशील उपचार प्रभावों की अनुमति देता है।

शोध पत्र औपचारिक रूप से प्रदर्शित करता है कि उपचार-परिवर्तन पहचान के तहत आधारभूत धारणाएं सामान्यतः उपचार-स्तर की रणनीतियों (Selection-on-Observables, CIA-$D$, और DiD, CIA-$\nabla Y$) के साथ नेस्टेड नहीं हैं। विशेष रूप से, CIA-$\nabla D$, CIA-$D$ या CIA-$\nabla Y$ को निहित नहीं करता है, और न ही इसके विपरीत। हालांकि, मॉडल B (रैंडम वॉक) की विशिष्ट स्थितियों के तहत, उपचार परिवर्तनों पर नियंत्रण करना, पिछले उपचार के सापेक्ष उपचार स्तरों पर नियंत्रण करने के समान हो जाता है, जिससे तीनों रणनीतियां संयुक्त रूप से वैध हो जाती हैं।

प्रमुख योगदान और सैद्धांतिक परिणाम

1. गैर-नेस्टेड मॉडलों का लक्षण वर्णन: यह शोध पत्र स्थापित करता है कि उपचार परिवर्तनों के माध्यम से वैध पहचान, स्तर-आधारित पहचान के लिए आवश्यक संरचनात्मक स्थितियों से भिन्न होती है। यह गैर-नेस्टिंग इंगित करती है कि एक रणनीति जो एक सेट की धारणाओं के तहत वैध है, वह दूसरे सेट के तहत विफल हो सकती है जहाँ एक स्तर-आधारित रणनीति सफल होती है।
2. रैंडम वॉक के तहत समानता: एक प्रमुख सैद्धांतिक परिणाम यह है कि यदि उपचार प्रक्रिया रैंडम वॉक का पालन करती है (मॉडल B), तो उपचार परिवर्तनों पर नियंत्रण करना, पिछले उपचार दिए जाने पर उपचार स्तरों पर नियंत्रण करने के समान होता है। यह समानता स्तरों और परिवर्तनों पर आधारित विधियों का संयुक्त रूप से लाभ उठाने के लिए हॉसमैन-टाइप ओवरआइडेंटिफिकेशन परीक्षणों के निर्माण की अनुमति देती है।
3. संरचनात्मक डबल रोबस्टनेस (DR): ओवरआइडेंटिफिकेशन परीक्षणों से परे, गैर-नेस्टिंग परिणाम उन अनुमानकों (estimators) के लिए 'स्ट्रक्चरल डबल रोबस्टनेस' गुण को दर्शाते हैं, जो दोनों परिणामों और उपचारों को डिफरेंस करते हैं, जैसे कि क्लासिकल टू-वे फिक्स्ड इफेक्ट्स (TWFE) एस्टिमेटर। शोध पत्र सिद्ध करता है कि TWFE तब भी सुसंगत (consistent) रहता है जब या तो उपचार-परिवर्तन धारणा (उपचार समीकरण में योगात्मक विभाज्यता) या समानांतर-रुझान धारणा (परिणाम समीकरण में योगात्मक विभाज्यता) में से कोई एक सत्य हो, बिना दोनों के एक साथ आवश्यक हुए। यह गुण तब भी बना रहता है जब दूसरी धारणा विफल हो जाती है।
4. एस्टिमैंड अंतर और रीस्केलिंग: शोध पत्र स्पष्ट करता है कि विषम उपचार प्रभावों (heterogeneous treatment effects) के तहत, विभिन्न रणनीतियों के एस्टिमैंड (estimands) भिन्न होते हैं। विशेष रूप से, CIA-$\nabla D$ एस्टिमेटर, एक पर्सिस्टेंस फैक्टर $\lambda$ (वह डिग्री जिससे उपचार स्तर परिवर्तनों के साथ सह-गतिमान होते हैं) द्वारा स्केल किए गए मार्जिनल इफेक्ट्स के भारित औसत (weighted average) को लक्षित करता है, जबकि TWFE और स्तर-आधारित रणनीतियां सीधे अनस्केल्ड मार्जिनल प्रभाव को लक्षित करती हैं। फलस्वरूप, वैध ओवरआइडेंटिफिकेशन परीक्षणों के लिए तुलना से पहले CIA-$\nabla D$ अनुमानों को $1/\lambda$ द्वारा रीस्केल करना आवश्यक है।

अनुभवजन्य और सिमुलेशन परिणाम

• सिमुलेशन अध्ययन: शोध पत्र अपने गैर-नेस्टिंग परिणामों की पुष्टि करने के लिए सिमुलेशन अध्ययन करता है। उन परिदृशस्यों में जहाँ केवल एक धारणा सत्य होती है, संबंधित एस्टिमेटर सुसंगत होता है जबकि अन्य पक्षपाती (biased) होते हैं। महत्वपूर्ण रूप से, सिमुलेशन TWFE की डबल रोबस्टनेस की पुष्टि करते हैं: यह तब भी सुसंगत रहता है जब या तो उपचार-परिवर्तन या समानांतर-रुझान धारणा सत्य होती है, भले ही दूसरी विफल हो जाए। जब उपचार रैंडम वॉक का पालन करता है, तो सभी रणनीतियां सुसंगत अनुमान प्रदान करती हैं।
• अनुभवजन्य अनुप्रयोग: पद्धति को सिगरेट की मांग की मूल्य लोच (price elasticity) का अनुमान लगाने के लिए स्टेट-लेवल पैनल डेटा (Baltagi and Levin, 1986) पर लागू किया गया है। अध्ययन चार रणनीतियों की तुलना करता है: CIA-$\nabla D$, CIA-$\nabla Y$ (DiD), CIA-$D$ (selection-on-observables), और TWFE।
  • परिणाम दिखाते हैं कि स्तर-आधारित रणनीतियां (CIA-$\nabla Y$, CIA-$D$, TWFE) सुसंगत अनुमान (लोच $\approx -0.38$ से $-0.40$) प्रदान करती हैं।
  • उपचार-परिवर्तन रणनीति (CIA-$\nabla D$), पर्सिस्टेंस फैक्टर के लिए रीस्केल करने के बाद भी, पूर्ण मान में काफी बड़ी लोच ($\approx -0.68$) प्रदान करती है।
  • हॉसमैन ओवरआइडेंटिफिकेशन परीक्षण स्तर-आधारित रणनीतियों के विरुद्ध उपचार-परिवर्तन रणनीति की संयुक्त वैधता को दृढ़ता से खारिज करते हैं।
  • TWFE की डबल रोबस्टनेस को देखते हुए, यह विसंगति सुझाव देती है कि उपचार-परिवर्तन धारणा (CIA-$\nabla D$) इस संदर्भ में विफल हो जाती है, संभवतः इसलिए क्योंकि बड़े मूल्य वृद्धि वाले राज्यों में अनऑब्जर्व्ड तरीकों से व्यवस्थित अंतर होता है जो कोवेरिएट्स द्वारा कैप्चर नहीं किया जाता है।

महत्व
यह शोध पत्र कारण अनुमान (causal inference) में उपचार परिवर्तनों के उपयोग के लिए एक व्यवस्थित सैद्धांतिक आधार प्रदान करता है, यह स्पष्ट करते हुए कि यह दृष्टिकोण पारंपरिक विधियों से भिन्न संरचनात्मक धारणाओं पर निर्भर करता है। यह रेखांकित करता है कि हालांकि उपचार-परिवर्तन पहचान स्तर-आधारित पहचान को दूषित करने वाले फिक्स्ड इफेक्ट्स को हटाकर शक्ति प्रदान कर सकता है, यह सार्वभौमिक रूप से श्रेष्ठ नहीं है। गैर-नेस्टेड धारणाओं की पहचान शोधकर्ताओं को अपनी पहचान धारणाओं की वैधता को खारिज करने के लिए ओवरआइडेंटिफिकेशन परीक्षणों का उपयोग करने की अनुमति देती है। इसके अतिरिक्त, TWFE की स्ट्रक्चरल डबल रोबस्टनेस का प्रदर्शन एक व्यावहारिक सुरक्षा प्रदान करता है: शोधकर्ता TWFE पर सुसंगत अनुमान के लिए भरोसा कर सकते हैं यदि वे या तो उपचार-परिवर्तन या समानांतर-रुझान धारणा को उचित ठहरा सकते हैं, भले ही दूसरी विफल हो जाए। शोध पत्र निष्कर्ष निकालता है कि उपचार परिवर्तनों का उपयोग करने वाले शोधकर्ताओं को उन संरचनात्मक स्थितियों के बारे में स्पष्ट होना चाहिए जिन पर वे निर्भर हैं (जैसे, गतिशील प्रभावों की अनुपस्थिति या रैंडम वॉक शॉक्स) और उन्हें अपनी पहचान धारणाओं की वैधता के नैदानिक उपकरण के रूप में ओवरआइडेंटिफिकेशन परीक्षणों पर विचार करना चाहिए।