📈 economics

A Nonparametric Test for Cross-Unit Spillovers

यह शोध पत्र साथियों के गुणों या परिणामों के माध्यम से संचालित होने वाले क्रॉस-यूनिट स्पिलओवर (cross-unit spillovers) का पता लगाने के लिए एक नवीन, कार्यान्वयन में सरल गैर-पैरामीट्रिक परीक्षण प्रस्तावित करता है, जो विविध इंटरेक्शन संरचनाओं को समाहित करता है और शून्य परिकल्पना (null hypothesis) के तहत एक मानक सामान्य वितरण (standard normal distribution) प्रदान करता है।

मूल लेखक: Margherita Comola, Camila Comunello, Abhimanyu Gupta

प्रकाशित 2026-08-04

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Margherita Comola, Camila Comunello, Abhimanyu Gupta

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 समझने की कोशिश कर रहे हैं कि एक छात्र को अच्छे ग्रेड क्यों मिलते हैं। क्या यह इसलिए है क्योंकि उसने कड़ी मेहनत की? या इसलिए क्योंकि उसका दोस्त, जो उसके बगल में बैठता है, एक जीनियस है? अर्थशास्त्र और सामाजिक विज्ञान की दुनिया में, इसे "स्पिलओवर" (spillover) कहा जाता है। यह इस विचार के बारे में है कि जो एक व्यक्ति के साथ होता है, वह लहरों की तरह फैल सकता है और उनके पड़ोसियों, दोस्तों या साथियों के साथ होने वाली घटनाओं को बदल सकता है। शोधकर्ताओं के लिए यह एक बहुत बड़ी बात है क्योंकि यदि वे इन लहरों को अनदेखा कर देते हैं, तो वे गलत निष्कर्ष निकाल सकते हैं कि दुनिया कैसे काम करती है। दशकों से, वैज्ञानिक इन लहरों को मापने के लिए सरल, सीधी रेखा वाले गणित का उपयोग करने की कोशिश करते रहे हैं। वे मान लेते हैं कि यदि आपके दोस्त के ग्रेड 10 अंक बढ़ जाते हैं, तो आपके ग्रेड भी एक निश्चित, अनुमानित मात्रा में बढ़ जाते हैं। यह ऐसा ही है जैसे यह मान लेना कि यदि आप पानी के एक गिलास में रंग की एक बूंद डालते हैं, तो पूरा गिलास एक विशिष्ट नीले रंग का हो जाएगा।

लेकिन वास्तविक जीवन शायद ही कभी एक सीधी रेखा होता है। कभी-कभी, एक जीनियस दोस्त होने से आप अधिक मेहनत करते हैं। लेकिन दस जीनियस दोस्त होने से आप इतना अभिभूत महसूस कर सकते हैं कि आप हार मान लें। इसे "नॉनलिनियैरिटी" (nonlinearity) कहा जाता है, और यह वैसा ही है जैसे रंग मिलाने के आधार पर डाई अलग तरह से प्रतिक्रिया करती है। समस्या यह है कि पुराने, सीधी रेखा वाले गणित के उपकरण इन अजीब, घुमावदार प्रतिक्रियाओं को पहचानने में बहुत खराब हैं। वे अक्सर डेटा को देखते हैं और कहते हैं, "यहाँ कुछ भी नहीं हो रहा है," जबकि वास्तव में, प्रभाव का एक जटिल नृत्य उनके ठीक सामने चल रहा होता है। यह शोध पत्र एक नया, सुपर-सेंसिटिव डिटेक्टर पेश करता है जिसे उन छिपे हुए, घुमावदार स्पिलओवर्स को पकड़ने के लिए डिज़ाइन किया गया है जिन्हें पुराने उपकरण मिस कर देते हैं।

लेखक, मार्गेरिटा कोमोला, कैमिला कम्यूनेलो और अभिमन्यु गुप्ता ने एक नया सांख्यिकीय परीक्षण बनाया है जिसे वे "एस टेस्ट" (s test) कहते हैं। इसे सामाजिक प्रभाव के लिए एक हाई-टेक मेटल डिटेक्टर के रूप में समझें। पुराने उपकरण एक साधारण चुंबक की तरह थे; वे केवल बड़े, सीधे धातु के टुकड़ों (रैखिक प्रभावों) को ही ढूंढ सकते थे। यदि प्रभाव किसी सर्पिल (spiral) या टेढ़े-मेढ़े पत्थर के आकार का था (नॉनलीनियर), तो चुंबक बस उसके ऊपर से गुजर जाता था। नया "एस टेस्ट", हालांकि, एक स्कैनर की तरह है जो धातु के आकार को देख सकता है, चाहे वह कितना भी अजीब क्यों न हो।

यह सरल अंग्रेजी में इस प्रकार काम करता है: शोधकर्ता इस धारणा के साथ शुरुआत करते हैं कि कोई स्पिलओवर बिल्कुल नहीं है—ठीक वैसे ही जैसे एक जासूस अपराध होने तक यह मान लेता है कि कोई अपराध नहीं हुआ है जब तक कि उसे सबूत न मिल जाए। वे इस "नो स्पिलओवर" विचार पर आधारित एक सरल मॉडल बनाते हैं। फिर, वे यह देखने के लिए अपने नए परीक्षण का उपयोग करते हैं कि क्या वास्तविक दुनिया का डेटा चिल्लाकर कह रहा है, "हे! कुछ गायब है!" यदि डेटा सरल मॉडल में पूरी तरह से फिट बैठता है, तो परीक्षण कहता है, "ठीक है, यहाँ कोई स्पिलओवर नहीं है।" लेकिन यदि डेटा में वे छिपे हुए, घुमावदार पैटर्न हैं जिन्हें सरल मॉडल नहीं समझा सकता, तो परीक्षण चमक उठता है और कहता है, "बिंगो! यहाँ स्पिलओवर हैं, और वे केवल सरल सीधी रेखाएं नहीं हैं।"

इस नए उपकरण की खूबसूरती यह है कि इसे पहले से यह अनुमान लगाने की आवश्यकता नहीं है कि वह अजीब वक्र (curve) कैसा दिखेगा। इसे यह जानने की आवश्यकता नहीं है कि प्रभाव U-आकार का है, S-आकार का है, या ज़िगज़ैग है। यह बस यह जाँचता है कि क्या किसी भी प्रकार की विचित्रता मौजूद है। लेखकों ने यह देखने के लिए चार बहुत अलग वास्तविक परिदृश्यों पर इसका परीक्षण किया कि क्या यह काम करता है:

प्रोफेशनल गोल्फर्स: उन्होंने देखा कि बेहतर गोल्फरों के साथ खेलने से एक खिलाड़ी का प्रदर्शन बेहतर होता है या नहीं। पुराने अध्ययनों ने कहा, "वास्तव में नहीं।" लेकिन नए परीक्षण ने पाया कि प्रभाव थे, बस वे एक सरल सीधी रेखा में नहीं थे।
कॉलेज रूममेट्स: उन्होंने अध्ययन किया कि एक अलग नस्ल के रूममेट होने से छात्रों के ग्रेड पर क्या प्रभाव पड़ता है। पुराने गणित ने कुछ प्रभाव को मिस कर दिया, लेकिन नए परीक्षण ने उन्हें पकड़ लिया।
एलिमेंट्री स्कूल डेस्कमेट्स: उन्होंने जांचा कि क्या एक उच्च उपलब्धि वाले छात्र के बगल में बैठने से दूसरों को सीखने में मदद मिलती है। फिर से, नए परीक्षण ने उन कनेक्शनों को खोज निकाला जिन्हें पुराने सीधी रेखा वाले गणित ने अनदेखा कर दिया था।
अकादमिक शोधकर्ता: उन्होंने देखा कि क्या उत्पादक सहयोगियों के होने से अन्य प्रोफेसर अधिक शोध पत्र प्रकाशित करते हैं। नए परीक्षण ने पुष्टि की कि ये सहकर्मी प्रभाव (peer effects) वास्तविक और जटिल थे, भले ही पुराने उपकरणों ने उन्हें कमजोर या गैर-मौजूद बताया हो।

यह शोध पत्र केवल यह दावा नहीं करता कि यह काम करता है; उन्होंने इसे साबित करने के लिए हजारों कंप्यूटर सिमुलेशन चलाए। इन सिमुलेशन में, उन्होंने नकली दुनिया बनाई जहाँ वे जानते थे कि वास्तव में क्या हो रहा है। जब उन्होंने पुराने उपकरणों का उपयोग किया, तो वे अक्सर प्रभावों को मिस कर गए। जब उन्होंने नए "एस टेस्ट" का उपयोग किया, तो उन्होंने लगभग हर बार स्पिलओवर्स को सही ढंग से पहचाना, भले ही प्रभाव अव्यवस्थित और नॉनलीनियर थे। उन्होंने यह भी दिखाया कि परीक्षण काम करता है भले ही डेटा थोड़ा शोर वाला (noisy) हो या समूहों का आकार अलग-अलग हो।

तो, मुख्य निष्कर्ष क्या है? लेखक यह नहीं कह रहे हैं कि स्पिलओवर हमेशा जटिल होते हैं। कभी-कभी, वे सरल होते हैं। लेकिन उनका नया उपकरण शोधकर्ताओं को यह जांचने का एक तरीका देता है। यदि परीक्षण कहता है "कोई स्पिलओवर नहीं है," तो आप आश्वस्त हो सकते हैं कि सरल गणित ठीक है। लेकिन यदि परीक्षण कहता है "हाँ," तो यह आपको बताता है कि दुनिया एक सीधी रेखा से कहीं अधिक दिलचस्प है, और आपको यह समझने के लिए और गहराई में जाने की आवश्यकता है कि लोग एक-दूसरे को कैसे प्रभावित करते हैं। यह एक नया लेंस है जो हमें हमारे सामाजिक जगत में अदृश्य लहरों को देखने में मदद करता है, यह सुनिश्चित करता है कि हम सबसे महत्वपूर्ण कहानियों को केवल इसलिए मिस न कर दें क्योंकि वे एक सीधी रेखा में फिट नहीं बैठतीं।

तकनीकी सारांश: क्रॉस-यूनिट स्पिलओवर के लिए एक नॉनपैरामेट्रिक टेस्ट

समस्या विवरण
क्रॉस-यूनिट निर्भरता (cross-unit dependence) आर्थिक और सामाजिक अंतःक्रियाओं की एक व्यापक विशेषता है जो अर्थमितीय अनुमान (econometric inference) को जटिल बनाती है। यह निर्भरता आमतौर पर दो माध्यमों से उत्पन्न होती है: एट्रीब्यूट चैनल (जहाँ साथियों के कोवेरिएट्स व्यक्ति के परिणाम को प्रभावित करते हैं) और आउटकम चैनल (जहाँ साथियों के वास्तविक परिणाम व्यक्ति के परिणाम को प्रभावित करते हैं)। जबकि मौजूदा साहित्य अक्सर इन स्पिलओवर्स को लीनियर स्पेसिफिकेशन (linear specifications) का उपयोग करके मॉडल करता है, ऐसे दृष्टिकोण उन आर्थिक रूप से महत्वपूर्ण निर्भरताओं का पता लगाने में विफल हो सकते हैं जब एजेंट अपने सामाजिक परिवेश के प्रति नॉनलीनियर (nonlinear) प्रतिक्रिया देते हैं। उदाहरण के लिए, व्यवहार साथियों की विशेषताओं के सरल औसत के बजाय उनके वितरण (distribution) पर निर्भर हो सकता है, जिससे ऐसे प्रभाव उत्पन्न होते हैं जो एक-दूसरे को आंशिक रूप से संतुलित कर देते हैं और लीनियर मॉडल द्वारा अनकहे रह जाते हैं। इसके अलावा, मानक पैरामेट्रिक दृष्टिकोण अक्सर पहचान (identification) प्राप्त करने के लिए कड़े अनुमानों पर निर्भर करते हैं, जो उन सेटिंग्स में उनकी नैदानिक उपयोगिता को सीमित करते हैं जहाँ स्पिलओवर का कार्यात्मक रूप अज्ञात होता है।

कार्यप्रणाली
लेखक एक नया नॉनपैरामेट्रिक टेस्ट प्रस्तावित करते हैं, जिसे $s$ टेस्ट कहा जाता है, जिसे कोवेरिएट्स ( $c$ ), आउटकम्स ( $y$ ), या दोनों ($cy$) के माध्यम से संचालित होने वाले क्रॉस-यूनिट स्पिलओवर्स का पता लगाने के लिए डिज़ाइन किया गया है। इस टेस्ट का निर्माण एक लैग्रेंज मल्टीप्लायर (LM) डायग्नोस्टिक के रूप में किया गया है, जो RESET टेस्ट से प्रेरित है, जो 'नो स्पिलओवर' के नुल हाइपोथेसिस (null hypothesis) के विरुद्ध अज्ञात नॉनपैरामेट्रिक विकल्पों के परीक्षण की अनुमति देता है।

मॉडल स्पेसिफिकेशन: सामान्य मॉडल अज्ञात फलनों $f(\cdot)$ और $g_j(\cdot)$ की अनुमति देता है जो आउटकम और एट्रीब्यूट स्पिलओवर का प्रतिनिधित्व करते हैं:
$y_i = f(w_i'y) + x_i'\beta + \sum_{j=1}^l g_j(w_i'c_j) + \epsilon_i$
जहाँ $W$ एक सोशल वेट मैट्रिक्स (निश्चित या एक्सोजेनस) है और $x_i$ रिग्रेसर्स हैं।
अनुमान (Approximation): अज्ञात फलनों को एक सीरीज़ एक्सपेंशन (जैसे, हर्मिट पॉलीनोमियल्स) का उपयोग करके एप्रोक्सिमेट किया जाता है, जिसमें बेसिस फंक्शन्स ( $p$ ) की संख्या बढ़ती जाती है। नुल हाइपोथेसिस को सीरीज़ कोएफिशिएंट्स ( $\mu_f = 0, \mu_{g_j} = 0$ ) पर प्रतिबंधों के एक सेट के रूप में तैयार किया गया है।
टेस्ट स्टैटिस्टिक: टेस्ट स्टैटिस्टिक इंस्ट्रुमेंटल वेरिएबल्स (IV) के ग्रेडिएंट पर आधारित है, जिसे नुल हाइपोथेसिस के तहत इवैल्यूएट किया गया है। महत्वपूर्ण रूप से, क्योंकि यह टेस्ट एक LM अप्रोच का पालन करता है, इसके लिए केवल नुल के तहत अनुमान की आवश्यकता होती है (अर्थात, एक मानक लीनियर रिग्रेशन), जिससे वैकल्पिक मॉडल के तहत नॉनपैरामेट्रिक अनुमान लगाने की आवश्यकता नहीं रहती।
एसिम्प्टोटिक गुण (Asymptotic Properties): दिखाया गया है कि टेस्ट स्टैटिस्टिक $S$ , नुल हाइपोथेसिस के तहत एक एसिम्प्टोटिक स्टैंडर्ड नॉर्मल डिस्ट्रीब्यूशन का पालन करता है। इसका व्युत्पन्न क्लस्टर-रोबस्ट फ्रेमवर्क का उपयोग करता है ताकि क्लस्टर-के भीतर की निर्भरता, सीरियल कोरिलेशन और सामान्य स्थानिक निर्भरता संरचनाओं को समायोजित किया जा सके। यह टेस्ट ग्लोबल अल्टरनेटिव्स के विरुद्ध भी सुसंगत (consistent) सिद्ध हुआ है।
निर्णय नियम (Decision Rule): लेखक एक कंपोजिट निर्णय नियम की सिफारिश करते हैं: यदि व्यक्तिगत $c$ , $y$ , या संयुक्त $cy$ में से कम से कम एक टेस्ट नुल को रिजेक्ट करता है, तो 'नो स्पिलओवर्स' के नुल को रिजेक्ट करें। यह दृष्टिकोण उन समस्याओं को कम करता है जहाँ कोलिनेैरिटी (collinearity) या एक चैनल में कमजोर सिग्नल संयुक्त टेस्ट में स्पिलओवर्स को छिपा सकते हैं, या जहाँ एक संयुक्त टेस्ट सीमित नमूनों (finite samples) में डिग्री-ऑफ-फ्रीडम की समस्याओं से ग्रस्त हो सकता है।
मजबूती (Robustness): कार्यप्रणाली कई इंटरेक्शन मैट्रिसेस के माध्यम से हेट्रोजेनियस स्पिलओवर्स को समायोजित करती है और इंटरेक्शन स्ट्रक्चर में मेजरमेंट एरर के प्रति रोबस्ट है, बशर्ते कि एरर लेटेंट सोशल स्पेस के सापेक्ष एसिम्प्टोटिक रूप से नगण्य हो।

प्रमुख परिणाम और अनुभवजन्य चित्रण
पेपर मौजूदा अध्ययनों के चार अनुभवजन्य पुन: विश्लेषणों के माध्यम से टेस्ट की प्रयोज्यता को प्रदर्शित करता है, जो दिखाता है कि नॉनपैरामेट्रिक टेस्ट अक्सर वहां क्रॉस-यूनिट निर्भरता का पता लगाता है जहां लीनियर स्पेसिफिकेशन विफल रहते हैं:

प्रोफेशनल गोल्फ (Guryan et al., 2009): जबकि मूल लीनियर स्पेसिफिकेशन उच्च-कौशल वाले वातावरण में पीयर इफेक्ट्स के सीमित प्रमाण पाते हैं, $s$ टेस्ट ने सभी स्पेसिफिकेशन्स में एट्रीब्यूट्स और आउटकम्स दोनों के माध्यम से महत्वपूर्ण नॉनलीनियर स्पिलओवर्स का पता लगाया।
इंटररेशियल रूममेट्स (Corno et al., 2022): दक्षिण अफ्रीकी विश्वविद्यालय के छात्रों के एक अध्ययन में, $s$ टेस्ट ने ब्लैक छात्रों के लिए शैक्षणिक प्रदर्शन और पूर्ण नमूने में स्पिलओवर्स की पहचान की, जो मूल लीनियर मॉडल्स द्वारा नहीं पकड़े गए थे, विशेष रूप से निरंतरता की पात्रता और परीक्षा पास दरों के संबंध में।
डेस्कमेट इंटरवेंशन (Wu et al., 2023): चीनी प्राथमिक विद्यालयों के एक रैंडमाइज्ड अध्ययन में, मूल लीनियर रिग्रेशन्स ने बहुत कम प्रमाण दिए कि डेस्कमेट बेसलाइन प्रदर्शन एंडलाइन अकादमिक स्कोर को प्रभावित करता है। हालांकि, $s$ टेस्ट ने अधिकांश स्पेसिफिकेशन्स में नो स्पिलओवर्स के नुल को रिजेक्ट कर दिया, जिससे अकादमिक और व्यक्तित्व दोनों परिणामों के लिए नॉनलीनियर डिपेंडेंसी उजागर हुई।
अकादमिक अनुसंधान (Bosquet et al., 2022): फ्रांसीसी अर्थशास्त्रियों के बीच पीयर इफेक्ट्स के पुनरीक्षण में, $s$ टेस्ट ने सभी स्पेसिफिकेशन्स में 'नो स्पिलओवर्स' के नुल को रिजेक्ट किया, जिसमें वे मामले भी शामिल थे जहां मूल अध्ययन ने कोई महत्वपूर्ण प्रभाव नहीं पाया था जब साथियों को व्यापक रूप से (संपूर्ण विश्वविद्यालय) परिभाषित किया गया था, और यह केवल तभी मूल निष्कर्षों के अनुरूप था जब साथियों को एक ही क्षेत्र (field) तक सीमित किया गया था।

महत्व और दावे
यह पेपर $s$ टेस्ट को अनुप्रयुक्त शोधकर्ताओं (applied researchers) के लिए एक व्यावहारिक डायग्नोस्टिक टूल के रूप में स्थापित करता है। इसका प्राथमिक महत्व इसकी क्षमता में निहित है:

नॉनलिनियटी का पता लगाना: उन रूपों को उजागर करना जिन्हें मानक लीनियर एप्रोक्सिमेशन मिस कर देते हैं।
कार्यान्वयन की सरलता: केवल नुल के तहत अनुमान की आवश्यकता होती है, जिससे यह कम्प्यूटेशनल रूप से सरल और परिचित लीनियर रिग्रेशन फ्रेमवर्क के साथ संगत हो जाता है।
बहुमुखी प्रतिभा: ब्लॉक-टाइप (जैसे, गाँव, स्कूल) और नेटवर्क-टाइप डेटा, साथ ही अधूरे या शोर वाले इंटरेक्शन डेटा वाली सेटिंग्स को समायोजित करना।

लेखक तर्क देते हैं कि $s$ टेस्ट रिसर्च डिजाइन प्रक्रिया में एक महत्वपूर्ण पहला कदम के रूप में कार्य करता है। यदि टेस्ट नुल को रिजेक्ट करने में विफल रहता है, तो यह मानक अनुमान रणनीतियों (जैसे, लीनियर इंटेंट-टू-ट्रीट रिग्रेशन्स) के साथ आगे बढ़ने के लिए अनुभवजन्य समर्थन प्रदान करता है। इसके विपरीत, यदि नॉनलीनियर निर्भरता का पता चलता है, तो यह संभावित रूप से पर्याप्त स्पिलओवर प्रभावों को ध्यान में रखने के लिए अनुमान रणनीतियों को अनुकूलित करने के संकेत देता है। पेपर निष्कर्ष निकालता है कि स्पिलओवर का रूप और विस्तार whenever possible अनुभवजन्य साक्ष्य द्वारा सूचित किया जाना चाहिए, न कि केवल पैरामेट्रिक धारणाओं पर निर्भर रहना चाहिए।

इसी तरह के और पेपर