तकनीकी सारांश: प्रयोगात्मक डिज़ाइन की सीमाएँ – निम्न-आयामीता से परे सहचर संतुलन (Covariate Balance)

1. समस्या का विवरण

यह शोध पत्र प्रयोगात्मक डिज़ाइन में एक मौलिक तनाव को संबोधित करता है: अर्ध-प्राचलिक दक्षता (semiparametric efficiency - औसत उपचार प्रभाव के विचरण को न्यूनतम करना) प्राप्त करने और परिमित नमूनों (finite samples) में आयामीता के अभिशाप (curse of dimensionality) के बीच का द्वंद्व।

जबकि हालिया सैद्धांतिक कार्यों (जैसे, Bai et al., 2022, 2026b) ने यह स्थापित किया है कि सुक्ष्म स्तरीकृत डिज़ाइन (finely stratified designs) जैसे कि 'मैच्ड पेयर्स' (matched pairs), स्पर्शोन्मुख रूप से (asymptotically) हैन (Hahn, 1998) के अर्ध-प्राचलिक दक्षता सीमा को प्राप्त कर सकते हैं, ये परिणाम कड़े अनुमानों पर निर्भर करते हैं। विशेष रूप से, उन्हें यह आवश्यकता होती है कि मिलान समूहों (matched groups) के भीतर सहचर अंतर स्पर्शोन्मुख रूप से शून्य हो जाएं। यह शोध पत्र तर्क देता है कि उच्च-आयामी सहचरों ($d$) वाले परिमित नमूनों में, यह व्यावहारिक रूप से असंभव है। $d$ आयामों में निकटतम पड़ोसियों के बीच की दूरी $n^{-1/d}$ की दर से घटती है, जिसका अर्थ है कि हजारों इकाइयों के साथ "कई दर्जन" सहचरों में लगभग पूर्ण मिलान प्राप्त करना अव्यावहार्य है।

मुख्य समस्या यह मात्रा निर्धारित करना है कि प्रयोगात्मक डिज़ाइन, आउटकम मॉडल के वर्गों पर समान रूप से (uniformly) दक्षता सीमा तक कितनी तेजी से पहुँच सकते हैं, और नमूना आकार $n$, सहचर आयाम $d$, और आउटकम स्मूथनेस (smoothness) के फलन के रूप में इस अभिसरण (convergence) की सीमाओं को निर्धारित करना है।

2. कार्यप्रणाली और ढांचा

2.1 अतिरिक्त विचरण (Excess Variance) एक असंतुलन के रूप में

लेखक प्रदर्शन मीट्रिक को अतिरिक्त विचरण $V_n$ के रूप में परिभाषित करता है, जो अन-एडजस्टेड हॉरविट्ज़-थॉम्पसन (Horvitz-Thompson) एस्टीमेटर के परिमित-नमूना विचरण और अर्ध-प्राचलिक दक्षता सीमा $V^*$ के बीच का अंतर है।
$$V_n \equiv n \text{Var}(\hat{\theta}) - V^*$$
प्रपोजिशन 2.3 का उपयोग करते हुए, यह शोध पत्र स्थापित करता है कि अतिरिक्त विचरण आउटकम मॉडल $m(\psi) = E[(Y(1) + Y(0))/2 | \psi]$ के इन-सैंपल असंतुलन द्वारा सटीक रूप से निर्धारित होता है:
$$V_n = 4n \cdot E\left[ \left( \frac{1}{n} \sum_{i=1}^n Z_i m(\psi_i) \right)^2 \right]$$
जहाँ $Z_i \in \{-1, 1\}$ केंद्रित उपचार असाइनमेंट (centered treatment assignment) है। यह दक्षता को एक फंक्शन-बैलेंसिंग समस्या के रूप में पुनर्गठित करता है।

2.2 विश्लेणात्मक उपकरण

• मिनिमैक्स विश्लेषण (Minimax Analysis): शोध पत्र विशिष्ट फंक्शन क्लासेस (Hölder, Sobolev, और प्रतिबंधित-जटिलता गैर-प्राचलिक वर्गों) पर $V_n$ के ऊपरी और निचले स्तरों को व्युत्पन्न करता है।
• ग्राम-श्मिट वॉक (Gram-Schmidt Walk - GSW): कार्यप्रणाली बंसल एट अल. (2019) और हरशॉ एट अल. (2024) के वेक्टर बैलेंसिंग एल्गोरिदम का लाभ उठाती है। लेखक इस एल्गोरिदम को "कर्नेलाइज" (kernelize) करता है, जिसमें एक डिज़ाइन कर्नेल $K$ का उपयोग करके एक धनात्मक अर्ध-निश्चित इनपुट मैट्रिक्स $\Gamma_n$ का निर्माण किया जाता है। यह एल्गोरिदम को केवल रैखिक फलनों के बजाय एक रिप्रोड्यूसिंग कर्नेल हिल्बर्ट स्पेस (RKHS) के भीतर फलनों को संतुलित करने की अनुमति देता है।
• फंक्शन क्लासेस:
  • होल्डर क्लासेस ($\mathcal{P}_\beta$): खुरदरे (rough), कम स्मूथ आउटकम्स के लिए।
  • सोबोलेव स्पेस ($H^s$): स्मूथ आउटकम्स के लिए, जो स्मूथनेस ऑर्डर $s$ द्वारा पैरामीटराइज्ड हैं।
  • प्रतिबंधित-जटिलता वर्ग (Restricted-Complexity Classes): एडिटिव मॉडल ($g(\psi) = a + \sum g_j(\psi_j)$) और बाइवेरिएट इंटरैक्शन मॉडल, जिन्हें तब भी संतुलित करने के लिए डिज़ाइन किया गया है जब $d$ बड़ा हो।

3. मुख्य योगदान और परिणाम

3.1 उच्च आयामों में एकरूप दक्षता की असंभवता

शोध पत्र एक केंद्रीय असंभवता प्रमेय (Theorem 3.1, Corollary 3.2, Theorem 4.9) सिद्ध करता है:

• मैच्ड पेयर्स: कोई भी मिलान योजना यह गारंटी नहीं दे सकती कि अतिरिक्त विचरण $n^{-2/d}$ से तेज दर से कम होगा, यहाँ तक कि रैखिक (अनंत रूप से स्मूथ) आउटकम मॉडल के लिए भी।
• सामान्य डिज़ाइन: कोई भी स्वीकार्य प्रयोगात्मक डिज़ाइन उस क्षेत्र के बाहर समान रूप से स्पर्शोन्मुख दक्षता (uniform asymptotic efficiency - $V^*$ की ओर अभिसरण) की गारंटी नहीं दे सकता जहाँ $d = o(\log n)$ है।
• निहितार्थ: हजारों इकाइयों वाले प्रयोगों के लिए, मानक दक्षता गारंटी केवल एक "मुट्ठी भर" सहचरों के लिए ही मान्य होती है। इसके परे, आयामीता का अभिशाप किसी भी डिज़ाइन को शास्त्रीय दक्षता सीमा के करीब समान रूप से पहुँचने से रोकता है, चाहे आउटकम मॉडल की स्मूथनेस कुछ भी हो।

3.2 खुरदरे मॉडलों के लिए मिलान की इष्टतमता (Optimality)

जबकि मैचिंग स्मूथ मॉडलों के लिए उच्च आयामों में अक्षम है, यह शोध पत्र स्थापित करता है कि यह खुरदरे आउटकम मॉडलों (Hölder classes जहाँ $\beta \in (0, 1]$ है) के लिए निश्चित निम्न आयामों में मिनिमैक्स इष्टतम (minimax optimal) है (Theorem 3.4, Corollary 3.6)। स्टेबल मैचिंग दर $V_n \asymp n^{-2\beta/d}$ प्राप्त करती है। यह धीमी दर कमजोर धारणाओं के तहत "मजबूती की कीमत" (price of robustness) है; मिलान लिप्सचिट्ज़ एंडपॉइंट ($\beta=1$) से परे स्मूथनेस का लाभ नहीं उठा सकता।

3.3 नॉन-पैरामीट्रिक GSW और स्मूथनेस के प्रति अनुकूलन (Adaptation)

स्मूथनेस का लाभ उठाने के लिए, लेखक Kernelized GSW डिज़ाइन प्रस्तावित करता है:

• अनुकूली दरें (Adaptive Rates): GSW डिज़ाइनों का एक एकल अनुक्रम, जो अज्ञात सोबोलेव स्मूथनेस $s > 0$ के प्रति बिना किसी पूर्व ज्ञान के, एक ट्यूनिंग पैरामीटर $\nu_n = c/\log n$ के साथ मैटर्न कर्नेल (Matertn kernel) का उपयोग करके अनुकूलित (adapt) होता है।
• अभिसरण दरें (Convergence Rates): डिज़ाइन अतिरिक्त विचरण दर $V_n \asymp (\frac{\log n}{n})^{(2s/d) \wedge 1}$ प्राप्त करता है।
  • जब $2s \leq d$ हो, तो दर $n^{-2s/d}$ होती है।
  • जब $2s > d$ हो, तो यह लॉगरिदमिक कारकों के साथ लगभग पैरामीट्रिक ($n^{-1}$) होती है।
• सीमा: यहाँ तक कि ये अनुकूलित डिज़ाइन भी पूर्ण दक्षता के लिए $d = o(\log n)$ बाधा को पार नहीं कर सकते।

3.4 निम्न आयामों से परे कुशल डिज़ाइन (प्रतिबंधित जटिलता)

असंभवता परिणाम से प्रेरित होकर, शोध पत्र पूर्ण फंक्शन स्पेस के बजाय प्रतिबंधित-जटिलता गैर-प्राचलिक वर्गों (जैसे एडिटिव या बाइवेरिएट मॉडल) को संतुलित करने का प्रस्ताव देता है।

• एडिटिव और बाइवेरिएट डिज़ाइन: $g(\psi) = a + \sum g_j(\psi_j)$ जैसे फंक्शन क्लासेस को लक्षित करके, ये डिज़ाइन बहुत उच्च आयामों को समायोजित कर सकते हैं:
  • एडिटिव मॉडल: $d = o(n)$ सहचरों की अनुमति देते हैं।
  • बाइवेरिएट इंटरैक्शन मॉडल: $d = o(\sqrt{n})$ सहचरों की अनुमति देते हैं।
• विचरण लक्ष्य (Variance Target): ये डिज़ाइन एक लक्ष्य $V^* + \Delta_G$ की ओर बढ़ते हैं, जहाँ $\Delta_G$ अन-मॉडलled भिन्नता के कारण विचरण अंतराल है। यदि वर्किंग मॉडल एक अच्छा सन्निकटन (approximation) है, तो यह लक्ष्य $V^*$ के करीब होता है लेकिन बहुत तेज़ दरों पर प्राप्त करने योग्य होता है।

3.5 Matched GSW के माध्यम से सुदृढ़ीकरण (Robustification)

लेखक अन-मॉडलled भिन्नता से सुरक्षा के लिए संरचित GSW को मिलान (matching) के साथ जोड़ता है (Section 5.2)।

• तंत्र: मिलिंग जोड़ों के भीतर स्थानीय भिन्नता ($m - m_G$) को नियंत्रित करती है, जबकि GSW संरचित घटक ($m_G$) के वैश्विक असंतुलन को नियंत्रित करता है।
• परिणाम: परिणामी "Matched GSW" डिज़ाइन संरचित घटक के लिए तेज़ अभिसरण दर बनाए रखते हुए अन-मॉडलled भिन्नता के विरुद्ध मजबूती प्रदान करता है। प्रमेय 5.6 दिखाता है कि यदि अवशेष (residual) Hölder continuous है, तो कुल अतिरिक्त विचरण, अवशेष के लिए मिलिंग दर और संरचित भाग के लिए GSW दर के योग द्वारा सीमित होता है।

3.6 अनुभवजन्य अनुप्रयोग (Empirical Application)

शोध पत्र आर्थिक क्षेत्र के 12 प्रकाशित रैंडमाइज्ड प्रयोगों (नमूना आकार $n \in [96, 1200]$, आयाम $d \in [7, 51]$) के कैलिब्रेटेड मोंटे कार्लो सिमुलेशन का उपयोग करके इन डिज़ाइनों का मूल्यांकन करता है।

• निष्कर्ष:
  • एडिटिव और बाइवेरिएट नॉन-पैरामीट्रिक GSW डिज़ाइन, क्लासिकल मैच्ड पेयर्स की तुलना में प्रत्येक अनुभवजन्य सेटिंग में एस्टीमेटर के विचरण को कम करते हैं।
  • फुल-डायमेंशनल GSW औसत रूप से मैच्ड पेयर्स के समान प्रदर्शन करता है।
  • Matched Additive GSW समग्र रूप से सबसे अच्छा प्रदर्शन करता है, जो नाममात्र कवरेज (लगभग 94.8%) बनाए रखते हुए सबसे बड़ा विचरण न्यूनीकरण और छोटे कॉन्फिडेंस इंटरवल प्रदान करता है।
• अनुमान (Inference): लेखक Matched GSW के लिए एक नया डिज़ाइन-आधारित, सहचर-सुधारित विचरण एस्टीमेटर विकसित करता है, जो सैंपल एवरेज ट्रीटमेंट इफेक्ट (SATE) के लिए रूढ़िवादी (conservative) है और एटीई (ATE) के लिए स्पर्शोन्मुख रूप से गैर-रूढ़िवादी है।

4. महत्व और दावे

शोध पत्र प्रयोगात्मक डिज़ाइन के लिए पहले परिमित-नमूना दक्षता सिद्धांत का दावा करता है जो नमूना आकार, सहचर आयाम और आउटकम जटिलता पर निर्भरता को स्पष्ट रूप से वर्णित करता है।

• सैद्धांतिक बदलाव: यह सूक्ष्म स्तरीकृत डिज़ाइनों के सार्वभौमिक रूप से कुशल होने के प्रचलित दृष्टिकोण को चुनौती देता है, यह प्रदर्शित करते हुए कि यह दक्षता केवल निम्न-आयामी शासन ($d \ll \log n$) में ही सीमित है।
• व्यावहारिक अनुशंसा: लेखक सुझाव देते हैं कि चिकित्सकों को उच्च आयामों में शास्त्रीय दक्षता सीमा की खोज को त्याग देना चाहिए। इसके बजाय, उन्हें कम-जटिलता वाले गैर-प्राचलिक वर्गों (विशेष रूप से एडिटिव मॉडल) को लक्षित करने वाले विसंगति न्यूनीकरण डिज़ाइनों (GSW) को अपनाना चाहिए, जिसे मिलान (matching) के साथ जोड़ा गया हो।
• मजबूती: यह दृष्टिकोण "दोनों दुनियाओं का सर्वश्रेष्ठ" समाधान प्रदान करता है: यह आउटकम के मॉडल किए गए घटकों के लिए तेज़ अभिसरण दर प्राप्त करता है और साथ ही अन-मॉडलled भिन्नता के विरुद्ध मिलान की मजबूती बनाए रखता है।
• अनुभवजन्य सत्यापन: सिमुलेशन बताते हैं कि ये सैद्धांतिक लाभ वास्तविक दुनिया के सेटिंग्स में अनुवादित होते हैं, जो विविध आर्थिक प्रयोगों में मानक मैच्ड पेयर्स से लगातार बेहतर प्रदर्शन करते हैं।

शोध पत्र निष्कर्ष निकालता है कि जबकि आयामीता का अभिशाप पूर्ण दक्षता के लिए कठोर सीमाएं लगाता है, संरचित विसंगति न्यूनीकरण (structured discrepancy minimization) उच्च-आयामी प्रयोगात्मक सेटिंग्स में पर्याप्त विचरण न्यूनीकरण के लिए एक व्यवहार्य मार्ग प्रदान करता है।