📈 economics

Sharp Minimax Theory for Randomized Experiments

यह शोध पत्र यह स्थापित करता है कि सीमित जनसंख्या वाले यादृच्छिक प्रयोगों में बाइनरी संभावित परिणामों के लिए, मिनिमैक्स-इष्टतम रणनीति बरनौली रैंडमाइजेशन (Bernoulli randomization) को एक नॉनलीन श्रिंकेज एस्टिमेटर (nonlinear shrinkage estimator) के साथ जोड़ना है, जो $n^{-1} - Cn^{-4/3}$ का द्वितीय-क्रम जोखिम विस्तार (second-order risk expansion) प्राप्त करता है और यह प्रदर्शित करता है कि पूर्ण रैंडमाइजेशन (complete randomization) जैसी मानक प्रक्रियाएं प्रथम क्रम के परे उप-इष्टतम हैं।

मूल लेखक: Timothy Sudijono, Edgar Dobriban, Eric Tchetgen Tchetgen

प्रकाशित 2026-08-17

📖 8 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Timothy Sudijono, Edgar Dobriban, Eric Tchetgen Tchetgen

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 जासूस हैं जो यह पता लगाने की कोशिश कर रहे हैं कि क्या एक नया जादुई काढ़ा वास्तव में काम करता है। आप लोगों का एक समूह रखते हैं, और आप जानना चाहते हैं: क्या वह काढ़ा उन्हें तेज़, स्मार्ट या खुश बनाता है? यह पता लगाने के लिए, आप सबको काढ़ा नहीं दे सकते; आपको उन्हें दो टीमों में बांटना होगा। एक टीम को काढ़ा मिलता है (जो "उपचार" या "ट्रीटमेंट" है), और दूसरी टीम को चीनी की गोली मिलती है (जो "कंट्रोल" है)। यही एक यादृच्छिक प्रयोग (randomized experiment) का सार है।

पेचीदा हिस्सा यह है कि आप नहीं जानते कि कौन स्वाभाविक रूप से तेज़ है या स्वाभाविक रूप से धीमा है। यदि आप गलती से सभी स्वाभाविक रूप से तेज़ लोगों को काढ़ा दे देते हैं, तो आपको लग सकता है कि काढ़ा काम कर रहा है जबकि वह वास्तव में उनकी प्राकृतिक प्रतिभा मात्र है। इसे ठीक करने के लिए, आप यादृच्छिकरण (randomization) का उपयोग करते हैं—जैसे कि हर व्यक्ति के लिए सिक्का उछालकर यह तय करना कि वे किस टीम में शामिल होंगे। यह सुनिश्चित करता है कि टीमें निष्पक्ष हों।

लेकिन बड़ा सवाल यह है कि, एक बार जब आप सिक्के उछाल लेते हैं और डेटा एकत्र कर लेते है, तो आप सबसे सटीक उत्तर प्राप्त करने के लिए संख्याओं का गणित कैसे करेंगे? वैज्ञानिक दशकों से सिक्के उछालने के मानक तरीकों और गणित करने के मानक तरीकों का उपयोग कर रहे हैं। लेकिन क्या होगा अगर वहां एक स्मार्ट, अधिक गुप्त तरीका हो? क्या होगा अगर "मानक" तरीका केवल "ठीक-ठाक" है, लेकिन एक "परफेक्ट" तरीका है जो सच्चाई के अधिक करीब पहुँचता है, विशेष रूप से तब जब आपके पास परीक्षण करने के लिए बहुत बड़ी भीड़ न हो? यह शोध पत्र ठीक इसी रहस्य में उतरता है, और पूछता है: चाहे स्थिति कितनी भी पेचीदा क्यों न हो, प्रयोग को डिजाइन करने और परिणामों का विश्लेषण करने के लिए सबसे अच्छा संभव रणनीति क्या है?

द ग्रेट एक्सपेरिमेंट हाइस्ट (महान प्रयोग की चोरी)

विज्ञान की दुनिया में, शोधकर्ता अक्सर "मिनिमैक्स" (Minimax) का खेल खेलते हैं। कल्पना कीजिए कि आप एक चालाक प्रतिद्वंद्वी के खिलाफ खेल रहे हैं जो आपके परीक्षण विषयों के छिपे हुए गुणों को नियंत्रित करता है। यह प्रतिद्वंद्वी चाहता है कि आपका प्रयोग जितना हो सके खराब दिखे। आपका लक्ष्य एक ऐसा डिज़ाइन (कि आप सिक्के कैसे उछालते हैं) और एक एस्टिमेटर (कि आप गणित कैसे करते हैं) चुनना है जो सबसे खराब स्थिति में भी आपकी त्रुटि (error) को यथासंभव छोटा रखे। इस सबसे छोटी संभव "सबसे खराब स्थिति वाली त्रुटि" को मिनिमैक्स रिस्क (minimax risk) कहा जाता है।

लंबे समय तक, वैज्ञानिकों ने सोचा कि चीजों को करने का मानक तरीका लगभग अपराजेय है। सामान्य विधि में पूर्ण यादृच्छिकरण (Complete Randomization) (जैसे कि यह सुनिश्चित करने के लिए कि ठीक आधे लोगों को काढ़ा मिले, टोपी से नाम निकालना) और डिफरेंस-इन-मीन्स (Difference-in-Means) एस्टिमेटर (सरल रूप से कंट्रोल ग्रुप के औसत परिणाम को ट्रीटमेंट ग्रुप के औसत से घटाना) शामिल है। यह "पाठ्यपुस्तक" वाला दृष्टिकोण है, जो हर कक्षा में पढ़ाया जाता है।

लेकिन यह शोध पत्र, टिमोथी सुदिजनो, एडगर डोब्रिबन और एरिक टेटजेन टेटजेन द्वारा, पर्दा हटाकर यह दिखाता है कि पाठ्यपुस्तक वाला दृष्टिकोण केवल आंशिक रूप से सही है। यह सच है कि जबकि मानक विधि बहुत बड़ी भीड़ के लिए पर्याप्त अच्छी है, यह तब लड़खड़ाने लगती है जब भीड़ छोटी या मध्यम आकार की होती है (जैसे कि वास्तविक दुनिया के चिकित्सा परीक्षणों में पाए जाने वाले 100 लोग)।

गुप्त हथियार: श्रिंकेज और एयरी फंक्शन (Airy Function)

लेखकों ने खोजा कि प्रयोगों का असली "चैंपियन" मानक विधि नहीं है। इसके बजाय, जीतने वाली रणनीति एक दो-भागों वाली कॉम्बो है:

बर्नौली रैंडमाइजेशन (Bernoulli Randomization): यह सुनिश्चित करने के बजाय कि ठीक आधे लोगों को काढ़ा मिले, आप प्रत्येक व्यक्ति के लिए व्यक्तिगत रूप से एक सिक्का उछालते हैं। यह ऐसा है जैसे हर किसी को अपना निजी सिक्का उछालने का मौका देना।
नॉनलीनियर श्रिंकेज (Nonlinear Shrinkage): यह असली जादू का खेल है। जब आप परिणाम की गणना करते हैं, तो आप केवल कच्चे अंतर को नहीं लेते। आप परिणाम को शून्य की ओर "श्रिंक" (सिकोड़ते) करते हैं। कल्पना कीजिए कि आप एक रहस्यमय बॉक्स का वजन अनुमान लगा रहे हैं। यदि आपका तराजू थोड़ा डगमगा रहा है, और आप अनुमान लगाते हैं कि 500 पाउंड है, लेकिन आप जानते हैं कि बॉक्स शायद हल्का है, तो आप सुरक्षित रहने के लिए अपने अनुमान को 450 पाउंड की ओर समायोजित कर सकते हैं। शोध पत्र दिखाता है कि गणितीय रूप से अपने अनुमान को शून्य की ओर "श्रिंक" करना (विशेष रूप से एरी फंक्शन (Airy function) से संबंधित एक जटिल वक्र का उपयोग करके) आपको प्रतिद्वंद्वी की सबसे खराब चालों से बचाता है।

लेखकों ने सिद्ध किया कि यह नई विधि, जिसे वे (BRE, Opt) कहते हैं, सबसे अच्छी संभव रणनीति है। यह उस स्तर की सटीकता प्राप्त करती है जिसे मानक विधियाँ नहीं छू सकतीं।

"एरी" कनेक्शन और सेकंड-ऑर्डर सीक्रेट

यहाँ कहानी सुखद रूप से अजीब हो जाती है। लेखकों ने केवल एक बेहतर विधि ही नहीं खोजी; उन्होंने एक सेकंड-ऑर्डर एक्सपेंशन का उपयोग करके यह भी गणना की कि यह कितनी बेहतर है। सरल शब्दों में, उन्होंने त्रुटि सूत्र को देखा और एक छोटा, छिपा हुआ पद (term) पाया जिसे बाकी सभी ने अनदेखा कर दिया था।

मानक विधियों में त्रुटि $1/n$ (जहाँ $n$ लोगों की संख्या है) की तरह घटती है। नई विधि भी $1/n$ की तरह घटती है, लेकिन इसमें एक गुप्त बोनस है: यह त्रुटि को थोड़ा और कम करती है, विशेष रूप से एक पद जिसमें $n^{-4/3}$ शामिल है।

यह क्यों शानदार है? क्योंकि यह अतिरिक्त सटीकता का अंश एरी फंक्शन (Airy function) से जुड़ा है, जो एक विशेष गणितीय वक्र है जो आमतौर पर बताता है कि प्रकाश कैसे मुड़ता है या इलेक्ट्रॉन क्वांटम भौतिकी में कैसे व्यवहार करते हैं। चिकित्सा प्रयोगों की दुनिया में इस वक्र को खोजना एक भौतिकी की पाठ्यपुस्तक के भीतर एक 'सुफ़ले' (soufflé) की रेसिपी खोजने जैसा है। यह इस क्षेत्र में एक पूरी तरह से नई खोज है। लेखक दिखाते हैं कि उनके सूत्र में स्थिरांक $C$ , एयरी फंक्शन के डेरिवेटिव के सबसे बड़े नकारात्मक शून्य से संबंधित है, जो लगभग 1.617 के बराबर है।

वास्तविकता की जाँच: क्या काम करता है और क्या नहीं

यह शोध पत्र बहुत स्पष्ट है कि यह किन चीजों को खारिज करता है। यह सिद्ध करता है कि मानक "डिफरेंस-इन-मीन्स" विधि और "कम्प्लीट रैंडमाइजेशन" का जोड़ा सर्वश्रेष्ठ विकल्प नहीं है। यह केवल "प्रथम क्रम तक मिनिमैक्स ऑप्टिमल" है। इसका मतलब है कि यदि आप बड़ी तस्वीर देखते हैं, तो यह ठीक है, लेकिन यदि आप विवरणों पर ज़ूम करते हैं (विशेष रूप से 100 के आसपास के सैंपल साइज के साथ), तो यह नई विधि की तुलना में काफी खराब है।

वास्तव में, 100 के सैंपल साइज के लिए, मानक विधि का अधिकतम जोखिम (maximum risk) अनुकूल विधि की तुलना में लगभग 40% अधिक होता है। विज्ञान की दुनिया में यह एक बहुत बड़ा अंतर है! यदि आप 100 लोगों के साथ एक परीक्षण चला रहे हैं, तो पुराने पाठ्यपुस्तक वाले तरीके पर टिके रहने से आप अपने उत्तर को बहुत अधिक धुंधला (fuzzy) छोड़ देते हैं।

हालाँकि, लेखक इस बात को लेकर सावधान हैं कि वे पुराने तरीकों को "बेकार" नहीं कह रहे हैं। वे दिखाते हैं कि मानक विधियाँ एडमिसेबल (admissible) हैं, जिसका अर्थ है कि ऐसा कोई अन्य तरीका नहीं है जो हर एक संभावित परिदृश्य में सख्ती से बेहतर हो। नई विधि सबसे खराब स्थितियों में बेहतर है, लेकिन पुराने तरीके कुछ बहुत विशिष्ट, दुर्लभ स्थितियों में थोड़ा बेहतर प्रदर्शन कर सकते हैं। यह एक ट्रेड-ऑफ है।

निष्कर्ष

यह शोध पत्र केवल चीजें करने का नया तरीका ही नहीं सुझाता है; यह गणितीय रूप से सिद्ध करता है कि बर्नौली रैंडमाइजेशन और एक नॉनलीनियर श्रिंकेज एस्टिमेटर का संयोजन सीमित जनसंख्या प्रयोगों के लिए सैद्धांतिक स्वर्ण मानक (gold standard) है।

जबकि "परफेक्ट" विधि में जटिल गणित शामिल है जो विशाल डेटासेट के लिए गणना करना कठिन हो सकता है, लेखक बताते हैं कि छोटे-से-मध्यम परीक्षणों के लिए (जैसे 100 से कम प्रतिभागियों वाले कई चिकित्सा अध्ययन), यह विधि गणनात्मक रूप से व्यवहार्य है और सटीकता में भारी सुधार प्रदान करती है।

इसलिए, अगली बार जब आप किसी वैज्ञानिक अध्ययन के बारे में सुनें, तो याद रखें, शोधकर्ताओं ने अपने सिक्के कैसे उछाल दिए और उन्होंने अपने गणित को कैसे किया, यह आपकी सोच से कहीं अधिक मायने रखता है। एक छिपा हुआ, एयरी-फंक्शन-संचालित "सुपर-मेथड" इंतज़ार कर रहा है, जो त्रुटियों को कम करता है और सबसे खराब स्थितियों को मात देता है, यह साबित करता है कि सांख्यिकी की कठोर दुनिया में भी, हमेशा थोड़े से गणितीय जादू के लिए जगह होती है।

तकनीकी सारांश: यादृच्छिक प्रयोगों के लिए शार्प मिनिमैक्स थ्योरी (Sharp Minimax Theory)

समस्या विवरण
यह शोध पत्र क्षमता परिणामों (potential outcomes) के ढांचे के तहत परिमित जनसंख्या (finite population) वाले यादृच्छिक प्रयोगों में नमूना औसत उपचार प्रभाव (SATE) के अनुमान की मौलिक समस्या को संबोधित करता है। लेखक यह निर्धारित करने के लिए सभी व्यवहार्य प्रयोगात्मक डिजाइनों (उपचार असाइनमेंट तंत्र) और अनुमानकों (estimators) के स्थान पर संयुक्त रूप से अनुकूलन करते हुए मिनिमैक्स जोखिम (minimax risk) का लक्षण वर्णन करना चाहते हैं। पूर्ववर्ती कार्य, जो अक्सर अनुमानक (जैसे कि डिफरेंस-इन-मीन्स) को स्थिर रखते हैं या डिजाइन को प्रतिबंधित करते हैं, के विपरीत, यह अध्ययन डिजाइन और अनुमानक के अनियंत्रित संयुक्त चयन पर विचार करता है ताकि डिजाइन की यादृच्छिकता पर औसत त्रुटि (मीन स्क्वेयर्ड एरर) के सैद्धांतिक निचली सीमा (lower bound) को निर्धारित किया जा सके। विश्लेषण बाइनरी क्षमता परिणामों पर केंद्रित है, जिसमें सीमित परिणामों के विस्तार भी शामिल हैं।

कार्यप्रणाली और सैद्धांतिक ढांचा
मुख्य पद्धतिगत योगदान एक जटिल संयुक्त अनुकूलन समस्या (जो $2^{2n}$ क्षमता विन्यास और सभी संभावित डिजाइनों पर आधारित है) को कम मापदंडों वाले एक सरल सांख्यिकीय मॉडल में बदलना है।

दो-मापदंड मॉडल में न्यूनीकरण (Reduction to a Two-Parameter Model):
लेखक प्रदर्शित करते हैं कि मूल समस्या के लिए मिनिमैक्स जोखिम एक न्यूनीकृत मॉडल $\rho^*_n$ के मिनिमैक्स जोखिम के समान है। इस न्यूनीकृत मॉडल में, अज्ञात पैरामीटर गैर-ऋणात्मक पूर्णांक $p, q, r$ हैं जैसे कि $p+q+r=n$ , जो $+1, -1,$ और $0$ के व्यक्तिगत उपचार प्रभावों (ITE) वाले इकाइयों की गणनाओं का प्रतिनिधित्व करते हैं। यहाँ प्रेक्षित डेटा $X \sim p + \text{Bin}(r, 1/2)$ है, और लक्ष्य पैरामीटर $(p-q)/n$ का अनुमान लगाना है।

यह तुल्यता प्रेक्षित डेटा $Y_i$ और उपचार संकेतकों $A_i$ को चरों $S_i = A_i Y_i(1) + (1-A_i)(1-Y_i(0))$ में रूपांतरित करके स्थापित की जाती है।
क्षमता परिणामों पर एक विशिष्ट "सबसे प्रतिकूल" (least-favorable) प्रायिकता (prior) के तहत, रूपांतरित चर $S_i$ , डिजाइन $A$ से स्वतंत्र हो जाते हैं, जिससे समस्या को न्यूनीकृत द्विपद (binomial) प्रयोग में मैप किया जा सकता है।

द्वितीय-क्रम एसिम्प्टोटिक विश्लेषण (Second-Order Asymptotic Analysis):
शार्प स्थिरांक (constants) और उच्च-क्रम के पदों को प्राप्त करने के लिए, लेखक लेविट (Levit) के बाउंडेड नॉर्मल मीन्स पर आधारित कार्य से प्रेरित प्रमाण रणनीति का उपयोग करते हैं। वे न्यूनीकृत मॉडल को $\theta = p-q$ और $r$ का उपयोग करके पुनर्गठित करते हैं, जहाँ $X = \theta + \sum_{i=1}^r \epsilon_i$ और $\epsilon_i$ रेडेमर (Rademacher) चर हैं।

वे $\delta_{n,h}(X) = X/n - n^{-\alpha}h(X/n^\alpha)$ के रूप में एक संभावित अनुमानक प्रस्तावित करते हैं।
जोखिम विस्तार का विश्लेषण करके, वे निर्धारित करते हैं कि मानक $1/n$ दर पर दूसरा-क्रम का सुधार केवल तभी संभव है जब $\alpha = 2/3$ हो।
फलन $h$ का अनुकूलन एक परिवर्तनशील समस्या (variational problem) की ओर ले जाता है जिसमें विभेदक ऑपरेटर (differential operator) $-4 \frac{d^2}{dx^2} + |x|$ शामिल है। इस समस्या का समाधान एयरी फलन (Airy function) द्वारा शासित होता है, विशेष रूप से इसके व्युत्पन्न (derivative) के सबसे बड़े ऋणात्मक शून्य द्वारा।

ग्राह्यता और प्रभुत्व विश्लेषण (Admissibility and Dominance Analysis):
लेखक मानक प्रक्रियाओं—कम्प्लीट रैंडमाइज्ड एक्सपेरिमेंट्स (CRE), बर्नौली रैंडमाइज्ड एक्सपेरिमेंट्स (BRE) और डिफरेंस-इन-मीन्स (DIM), होरविट्ज़-थॉम्पसन (HT), और सेंटर्ड HT अनुमानकों—का मूल्यांकन करते हुए उनकी तुलना व्युत्पन्न मिनिमैक्स निचली सीमा से करते हैं। ग्राह्यता (admissibility) का आकलन यह जांचकर किया जाता है कि क्या कोई प्रक्रिया सभी क्षमता परिणाम विन्यासों में जोखिम के संदर्भ में किसी अन्य प्रक्रिया पर प्रभुत्व रखती है।

प्रमुख परिणाम

शार्प मिनिमैक्स रिस्क एक्सपेंशन:
मिनिमैक्स जोखिम $\rho^*_n$ निम्नलिखित द्वितीय-क्रम विस्तार को स्वीकार करता है:
$\rho^*_n = \frac{1}{n} - \frac{C_A}{n^{4/3}} + o(n^{-4/3})$
जहाँ $C_A = -4^{1/3} a'_1 \approx 1.617$ , और $a'_1$ एयरी फलन के व्युत्पन्न का सबसे बड़ा ऋणात्मक शून्य है। यह $n^{-4/3}$ दर और एयरी फलन के साथ इसका संबंध इस साहित्य में एक नवीन योगदान के रूप में पहचाना गया है।
इष्टतम प्रक्रिया (Optimal Procedure):
मिनिमैक्स जोखिम एक विशिष्ट प्रक्रिया द्वारा प्राप्त किया जाता है: संभावना $1/2$ के साथ बर्नौली रैंडमाइजेशन (BRE) और एक नॉनलीन श्रिंकेज अनुमानक (nonlinear shrinkage estimator)। इष्टतम अनुमानक एक सबसे प्रतिकूल प्रायिकता के तहत SATE का पोस्टीरियर मीन (posterior mean) है, जो रूपांतरित डेटा $\sum S_i$ पर लागू एक नॉनलीन फलन के अनुरूप है। यह अनुमानक निष्पक्ष (unbiased) अनुमानक को शून्य की ओर सिकोड़ता (shrink) है।
मानक प्रक्रियाओं की उप-इष्टतमता (Sub-optimality):

(CRE, DIM) और (BRE, DIM) जैसी मानक प्रक्रियाओं को केवल प्रथम-क्रम ( $1/n$ ) तक मिनिमैक्स अनुकूल माना जाता है।
मध्यम नमूना आकार (जैसे, $n=100$ ) के लिए, (CRE, DIM) का अधिकतम जोखिम सैद्धांतिक इष्टतम $\rho^*_n$ से लगभग 40% अधिक है।
(BRE, HT) अनुमानक को अग्राह्य (inadmissible) दिखाया गया है और यह (CRE, DIM) द्वारा स्पष्ट रूप से डोमिनेट (dominate) किया जाता है।

ग्राह्यता (Admissibility):

इष्टतम प्रक्रिया (BRE, Opt) ग्राह्य (admissible) है।
मानक प्रक्रिया (CRE, DIM) भी ग्राह्य है और यह (BRE, DIM) तथा (BRE, HT) दोनों पर प्रभुत्व रखती है।
न तो (BRE, Opt) और न ही (CRE, DIM) एक-दूसरे पर प्रभुत्व रखते हैं; वे ग्राह्यता के मामले में तुलनात्मक नहीं हैं, हालांकि (BRE, Opt) कम खराब-मामले के जोखिम (worst-case risk) की पेशकश करता है।

महत्व और दावे
लेखक दावा करते हैं कि वे बिना हस्तक्षेप (no interference) के परिमित जनसंख्या वाले यादृच्छिक प्रयोगों के लिए मिनिमैक्स जोखिम का सटीक लक्षण वर्णन प्रदान करते हैं, जो डिजाइन और अनुमानक के संयुक्त अनुकूलन के अंतराल को भरता है।

सैद्धांतिक बेंचमार्क: व्युत्पन्न विस्तार $\rho^*_n$ मजबूती और दक्षता के लिए एक सैद्धांतिक बेंचमार्क के रूप में कार्य करता है, जो प्रथम-क्रम और द्वितीय-क्रम अनुकूलता के बीच अंतर करता है।
द्वितीय-क्रम पद की नवीनता: $n^{-4/3}$ पद की उपस्थिति और एयरी फलन के साथ इसका संबंध इस साहित्य में एक गैर-मानक और नया परिणाम है, जो सर्वे सैंपलिंग में $n^{-3/2}$ दरों या बाउंडेड नॉर्मल मीन्स समस्याओं में स्थिर विचरण (constant variance) धारणाओं के विपरीत है।
व्यावहारिक निहितार्थ: यह स्वीकार करते हुए कि मिनिमैक्सिटी एक रूढ़िवादी मानदंड है, लेखक सुझाव देते हैं कि छोटे या मध्यम आकार के परीक्षणों (जैसे, $n \le 100$ ) के लिए, नॉनलीन श्रिंकेज अनुमानक (BRE, Opt) मानक विधियों की तुलना में अधिकतम जोखिम में पर्याप्त कमी लाता है, विशेष रूप से तब जब वास्तविक उपचार प्रभाव छोटा हो। हालांकि, वे नोट करते हैं कि (CRE, DIM) एक वैध, ग्राह्य और निष्पक्ष विकल्प बना हुआ है, जिसका उपयोग अभ्यास में जारी रखने के लिए उचित है।

लेखक स्पष्ट रूप से कहते हैं कि उनके परिणाम एक सैद्धांतिक बेंचमार्क के रूप में intended हैं और (BRE, Opt) के व्यावहारिक विकास के लिए आगे के अनुसंधान, विशेष रूप से अनुमान और सह-चरों (covariates) के समावेश की आवश्यकता है।

द ग्रेट एक्सपेरिमेंट हाइस्ट (महान प्रयोग की चोरी)

गुप्त हथियार: श्रिंकेज और एयरी फंक्शन (Airy Function)

"एरी" कनेक्शन और सेकंड-ऑर्डर सीक्रेट

वास्तविकता की जाँच: क्या काम करता है और क्या नहीं

निष्कर्ष

इसी तरह के और पेपर