From Structural Equation Modelling to Double Machine Learning: Robustness Analysis for Survey-Based Research

तकनीकी सारांश: स्ट्रक्चरल इक्वेशन मॉडलिंग से डबल मशीन लर्निंग तक

समस्या विवरण
स्ट्रक्चरल इक्वेशन मॉडलिंग (SEM) अव्यक्त निर्माणों (latent constructs) (जैसे विश्वास, संतुष्टि, इरादा) से जुड़े सर्वेक्षण-आधारित शोध के लिए एक मानक ढांचा है। जबकि SEM मापन मॉडल (measurement models) का प्रभावी ढंग से मूल्यांकन करता है और सिद्धांत-संचालित संरचनात्मक संबंधों का अनुमान लगाता है, इसका पथ महत्व (path significance) एक विशिष्ट मॉडल विनिर्देश पर निर्भर करता है। SEM में एक महत्वपूर्ण पथ गुणांक (path coefficient) वैकल्पिक अनुमान ढांचों, स्कोर निरूपणों, या लचीले नियंत्रण समायनों के तहत स्थिरता का स्वाभाविक रूप से प्रदर्शन नहीं करता है। फलस्वरूप, शोधकर्ताओं के पास यह निर्धारित करने के लिए एक व्यवस्थित, पारदर्शी कार्यप्रवाह (workflow) का अभाव है कि क्या प्रमुख संबंध तब भी सुदृढ़ रहते हैं जब वे अव्यक्त-चर मॉडलिंग (latent-variable modeling) से पारंपरिक प्रतिगमन (regression) या मशीन-लर्निंग-आधारित समायनों की ओर बढ़ते हैं। हालिया साहित्य ने सूचना प्रणालियों (information systems) में डबल मशीन लर्निंग (DML) को पेश किया है और इसे फिनटेक (FinTech) संदर्भों में लागू किया है, फिर भी DML का उपयोग पोस्ट-SEM, पथ-दर-पथ सुदृढ़ता नैदानिक उपकरण (robustness diagnostic tool) के रूप में अव्यक्त-निर्माण मॉडलों के लिए शायद ही कभी किया जाता है।

कार्यप्रणाली: चरणबद्ध SEM–OLS–DML ढांचा
यह शोध पत्र एक दो-स्तरीय, आठ-चरण वाला सुदृढ़ता ढांचा प्रस्तावित करता है जो SEM, ऑर्डिनरी लीस्ट स्क्वायर्स (OLS) प्रतिगमन और डबल मशीन लर्निंग (DML) को एकीकृत करता है। इस कार्यप्रवाह को सुदृढ़ता साक्ष्य के सृजन को उसके अर्थ की व्याख्या से अलग करने के लिए डिज़ाइन किया गया है, यह सुनिश्चित करते हुए कि मशीन लर्निंग, SEM के विकल्प के रूप में नहीं बल्कि उसके पूरक के रूप में कार्य करे।

1. परत 1: साक्ष्य सृजन

   • मापन परिशोधन और बेसलाइन SEM: प्रक्रिया मापन मॉडल को परिष्कृत करने (संकेतकों की वैधता, विश्वसनीयता और फिट का सत्यापन) के साथ शुरू होती है। महत्वपूर्ण रूप से, किसी भी पथ को महत्व के आधार पर हटाने से पहले, पूर्ण सिद्धांत-निर्दिष्ट संरचनात्मक मॉडल को "सुदृढ़ता-आधारलाइन SEM मॉडल" के रूप में पुन: अनुमानित किया जाता है।
   • स्कोर निर्माण: दो प्रकार के उत्तरदाता-स्तर के निर्माण स्कोर उत्पन्न किए जाते हैं: (a) SEM फैक्टर स्कोर (अव्यक्त संरचना और फैक्टर लोडिंग को सुरक्षित रखते हुए) और (b) माध्य कंपोजिट स्कोर (एक पारदर्शी, सरल बेंचमार्क)।
   • SEM-से-प्रतिगमन अनुवाद: बेसलाइन SEM में प्रत्येक संरचनात्मक पथ को OLS और DML के लिए पथ-स्तरीय विनिर्देश में अनुवादित किया जाता है। एक संरचनात्मक समीकरण $Y \sim D + X$ के लिए, फोकल प्रेडिक्टर $D$ रुचि का चर है, जबकि उसी समीकरण में अन्य प्रेडिक्टर $X$ को सह-प्रेडिक्टर नियंत्रणों के रूप में माना जाता है।
   • OLS बेंचमार्क: निर्माण स्कोर पर OLS प्रतिगमन चलाया जाता है ताकि एक पारदर्शी, रैखिक बेंचमार्क प्रदान किया जा सके। यह जांचता है कि क्या SEM-निहित पथ पैटर्न पारंपरिक प्रतिगमन धारणाओं के तहत दृश्यमान रहता है।
   • DML-शैली का अवशेषीकरण (Residualisation): लचीले नियंत्रण समायोजन के तहत स्थिरता की जांच करने के लिए DML लागू किया जाता है। 'नजेंस फंक्शन्स' (nuisance functions) का अनुमान लगाने के लिए मशीन लर्निंग लर्नर्स (रैंडम फॉरेस्ट, ग्रेडिएंट बूस्टिंग, और सपोर्ट वेक्टर मशीन) का उपयोग करके आउटकम ($Y$) और फोकल प्रेडिक्टर ($D$) को कंट्रोल वेक्टर ($X$) पर प्रतिगमन किया जाता है। ओवरफिटिंग को रोकने के लिए क्रॉस-फिटिंग का उपयोग किया जाता है।
   • संवेदनशीलता जाँच: ढांचे में लर्नर संवेदनशीलता (RF, GBM, SVM की तुलना) और स्कोर संवेदनशीलता (फैक्टर बनाम कंपोजिट स्कोर की तुलना) की जाँच शामिल है। दिशात्मक सुदृढ़ता का परीक्षण करने के लिए चयनित विपरीत-दिशा निदान (reverse-direction diagnostics) भी किए जाते हैं।

2. परत 2: एकीकृत व्याख्या

   • SEM, OLS, और DML से प्राप्त परिणामों की तुलना विभिन्न विधियों, स्कोर प्रकारों और लर्नर्स के बीच की जाती है।
   • पथों को अभिसरण (convergence) या विचलन (divergence) के आधार पर वर्गीकृत किया जाता है:
     • दृढ़ रूप से सुदृढ़ (Strongly Robust): सभी विधियों में स्थिर दिशा और महत्व।
     • आंशिक रूप से सुदृढ़/DML-संवेदनशील (Partially Robust/DML-Sensitive): दिशा स्थिर है, लेकिन लचीले नियंत्रण समायोजन के तहत महत्व कमजोर हो जाता है।
     • स्कोर-संवेदनशील (Score-Sensitive): परिणाम इस बात पर अत्यधिक निर्भर करते हैं कि फैक्टर स्कोर या कंपोजिट स्कोर का उपयोग किया जा रहा है।
     • दिशात्मक रूप से अस्थिर (Directionally Unstable): संकेत (signs) पलट जाते हैं या विपरीत-दिशा निदान विपरीत दिशा का अधिक समर्थन दिखाते हैं।

अनुभवजन्य प्रदर्शन (Empirical Demonstration)
इस ढांचे को एक फिनटेक डिजिटल कस्टमर इंटिमेसी (DCI) सर्वेक्षण मॉडल पर लागू किया गया है जिसमें 17 संरचनात्मक पथ और निर्माण जैसे कि कथित गुणवत्ता (Perceived Quality), उपयोगकर्ता अनुभव (User Experience), विश्वास (Trust), और भावनात्मक जुड़ाव (Emotional Connection) शामिल हैं।

• परिणाम: अधिकांश पथ (जैसे, $PQ \to AT$, $AT \to BI$, $EC \to DCI$) दोनों स्कोर प्रकारों के लिए SEM, OLS और DML लर्नर्स के बीच दृढ़ रूप से सुदृढ़ रहे।
• सूक्ष्म निष्कर्ष:
  • $UB \to SA$ (उपयोग व्यवहार से संतुष्टि): SEM और फैक्टर-स्कोर DML में महत्वपूर्ण और नकारात्मक है, लेकिन कंपोजिट-स्कोर जाँच में कमजोर/गैर-महत्वपूर्ण है, जो स्कोर-प्रतिनिधित्व संवेदनशीलता को दर्शाता है।
  • $TR \to EC$ (विश्वास से भावनात्मक जुड़ाव): SEM में गैर-महत्वपूर्ण है लेकिन साइन संवेदनशीलता के साथ स्कोर-आधारित जाँच में महत्वपूर्ण है, जिसके लिए सैद्धांतिक समीक्षा की आवश्यकता है।
  • $CA \to AT$ (ग्राहक जागरूकता से दृष्टिकोण): सभी विधियों में कमजोर है, जो सुझाव देता है कि यदि सिद्धांत कमजोर है तो यह हटाने का एक उम्मीदवार हो सकता है।
  • विपरीत निदान: भावनात्मक जुड़ाव और DCI के बीच का संबंध दोनों दिशाओं में स्थिरता दिखाता है, जो एक पारस्परिक जुड़ाव का सुझाव देता है।

प्रमुख योगदान

1. व्यावहारिक कार्यप्रवाह: यह शोध पत्र SEM-निहित पथों को OLS और DML-शैली के सुदृढ़ता जाँचों में अनुवादित करने के लिए एक पुनरुत्पादनीय (reproducible), चरणबद्ध कार्यप्रवाह प्रदान करता है, बिना मशीन लर्निंग को अव्यक्त-चर मॉडलिंग के विकल्प के रूप में देखे।
2. नैदानिक स्पष्टता: यह सर्वेक्षण-आधारित अनुसंधान के भीतर स्कोर-प्रतिनिधित्व संवेदनशीलता (फैक्टर बनाम कंपोजिट) और लर्नर संवेदनशीलता (RF बनाम GBM बनाम SVM) की व्याख्या को स्पष्ट करता है।
3. संसाधन उपलब्धता: लेखक एक गूगल कोलैब वर्कबुक और जेनेडो (Zenodo) के माध्यम से जनरेट की गई परिणाम फ़ाइलें प्रदान करते हैं, जो शोधकर्ताओं को अन्य सर्वेक्षण-आधारित अव्यक्त-निर्माण अध्ययनों के लिए इस सुदृढ़ता कार्यप्रवाह को अनुकूलित करने हेतु एक पुन: प्रयोज्य टेम्पलेट प्रदान करता है।

महत्व और दावे
यह शोध पत्र इस ढांचे को एक साधारण सुदृढ़ता परिशिष्ट के बजाय एक "मॉडल-निर्णय सहायता प्रक्रिया" के रूप में स्थापित करता है। इसका प्राथमिक महत्व "ट्रिम-देन-चेक" (SEM के तुरंत बाद गैर-महत्वपूर्ण पथों को हटाना) से "चेक-देन-डिसाइड" (जाँचो-फिर-निर्णय-लो) दृष्टिकोण की ओर बढ़ने में निहित है। पूर्ण सैद्धांतिक पथ प्रणाली को डाउनस्ट्रीम सुदृढ़ता विश्लेषण के लिए बनाए रखकर, शोधकर्ता अव्यक्त मॉडलिंग, पारदर्शी प्रतिगमन और लचीले मशीन-लर्निंग समायनों के साक्ष्य के अभिसरण के आधार पर अंतिम संरचनात्मक निर्णय ले सकते हैं।

लेखक स्पष्ट रूप से कहते हैं कि यह दृष्टिकोण सुदृढ़ता मूल्यांकन को मजबूत करता है लेकिन क्रॉस-सेक्शनल सर्वेक्षण डेटा में निश्चित कारण संबंधी दावे (interventional or counterfactual) स्थापित नहीं करता है। यह ढांचा यह पहचानने के लिए डिज़ाइन किया गया है कि कौन से संबंध स्थिर हैं और किन्हें सावधानीपूर्वक व्याख्या, अधिक सैद्धांतिक चर्चा, या अनुदैर्ध्य (longitudinal) सत्यापन की आवश्यकता है। यह एक पद्धतिगत अंतर को संबोधित करता है, जहाँ DML को विशेष रूप से अव्यक्त-निर्माण मॉडलों के लिए एक पोस्ट-SEM नैदानिक उपकरण के रूप में रखा गया है, जो कि कारण अनुमान (causal inference) या SEM-ML एकीकरण अध्ययनों में प्राथमिक एस्टीमेटर या भविष्य कहनेवाला (predictive) उपकरण के रूप में इसके उपयोग से भिन्न है।