📈 economics

Hard and Soft Label Assignment for Cost-Sensitive Semi-Supervised Reject Inference in Credit Scoring

यह शोध पत्र RI-CSCEM का प्रस्ताव करता है, जो एक लागत-संवेदनशील अर्ध-पर्यवेक्षित एक्सपेक्टेशन-मैक्सिमाइजेशन (Expectation-Maximization) ढांचा है जो क्रेडिट स्कोरिंग में अस्वीकृत आवेदकों को हार्ड या सॉफ्ट छद्म-लेबल (pseudo-labels) आवंटित करता है, जिससे नमूना चयन पूर्वाग्रह (sample selection bias) और विषम गलत वर्गीकरण लागतों को प्रभावी ढंग से कम किया जाता है ताकि Lending Club डेटा पर केवल स्वीकृत-आधारित बेसलाइन से बेहतर प्रदर्शन किया जा सके।

मूल लेखक: Abderrahim EL AMRANI, Mounir EL ANNAS, Badreddine BENYACOUB, Mohammed EL HAJ TIRARI

प्रकाशित 2026-06-30

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Abderrahim EL AMRANI, Mounir EL ANNAS, Badreddine BENYACOUB, Mohammed EL HAJ TIRARI

मूल पेपर CC BY 4.0 (https://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 बैंक मैनेजर हैं जो यह तय करने की कोशिश कर रहे हैं कि किसे ऋण (loan) दिया जाए। आपके पास आवेदकों की एक लंबी सूची है, लेकिन आपने केवल उन्हीं लोगों के परिणाम देखे हैं जिन्हें आपने स्वीकार (accept) किया था। आप जानते हैं कि किसने ऋण चुकाया और किसने डिफॉल्ट किया। लेकिन उन हजारों लोगों के बारे में क्या होगा जिन्हें आपने अस्वीकार (reject) कर दिया? आपको पता ही नहीं है कि वे अच्छे उधारकर्ता होते या बुरे। आपने उन्हें बस खारिज कर दिया।

इससे एक 'ब्लाइंड स्पॉट' (अंधा कोना) पैदा हो जाता है। यदि आप केवल उन लोगों से सीखते हैं जिन्हें आपने स्वीकार किया है, तो आपका "जोखिम स्कोर" (risk score) पक्षपाती हो सकता है क्योंकि आपने अपने नियमों का परीक्षण उन लोगों पर कभी नहीं किया जिन्हें आपने "ना" कहा था। इसे रिजेक्ट इन्फेरेंस (Reject Inference) कहा जाता है: यह अनुमान लगाने की कोशिश करना कि अस्वीकृत किए गए लोगों के साथ क्या होता।

हालाँकि, यहाँ एक दूसरी समस्या भी है। ऋण देने में, गलती करना समान नहीं होता।

गलती A: आप एक अच्छे व्यक्ति को अस्वीकार कर देते हैं। आप ब्याज आय का थोड़ा सा हिस्सा खो देते हैं।
गलती B: आप एक बुरे व्यक्ति को स्वीकार कर लेते हैं (जो डिफॉल्ट करता है)। वह आपको वापस नहीं करता है, और आप पूरी ऋण राशि खो देते हैं।
गलती B कहीं अधिक महंगी है। अधिकांश मानक कंप्यूटर मॉडल इन दोनों गलतियों को ऐसे मानते हैं जैसे कि दोनों की लागत समान हो, जो ऐसा कहने जैसा है कि एक डॉलर खोना और एक घर खोना एक ही बात है।

समाधान: RI-CSCEM

इस शोध पत्र के लेखकों ने एक नया टूल बनाया है जिसे RI-CSCEM कहा जाता है। इसे एक स्मार्ट, लागत-जागरूक (cost-aware) शिक्षक के रूप में समझें जो उन छात्रों से भी सीखता है जो पास हुए (स्वीकृत आवेदक) और उन छात्रों से भी जिन्हें कक्षा से बाहर निकाल दिया गया था (अस्वीकृत आवेदक)।

यह कैसे काम करता है, सरल उपमाओं का उपयोग करते हुए:

1. "सॉफ्ट" (Soft) बनाम "हार्ड" (Hard) अनुमान

जब मॉडल किसी अस्वीकृत आवेदक को देखता है, तो उसे अनुमान लगाना होता है: "क्या यह व्यक्ति ऋण चुका पाता?"

हार्ड तरीका (पुराना तरीका): मॉडल एक बाइनरी विकल्प (दो विकल्पों में से एक) थोपता है। यह कहता है: "यह व्यक्ति निश्चित रूप से एक अच्छा भुगतान करने वाला है," या "यह व्यक्ति निश्चित रूप से एक बुरा भुगतान करने वाला है।" यह एक रेफरी की तरह है जो सीटी बजाकर खेल को "सेफ" या "आउट" घोषित कर देता है और 100% निश्चित होता है। समस्या यह है कि यदि रेफरी अनिश्चित है, तो निर्णय लेने के लिए मजबूर करना खेल को बिगाड़ सकता है।
सॉफ्ट तरीका (इस शोध का नवाचार): मॉडल कहता है, "इस व्यक्ति के एक अच्छा भुगतान करने वाला होने की संभावना 60% है और एक बुरा भुगतान करने वाला होने की संभावना 40% है।" यह एक सॉफ्ट रिस्पॉन्सिबिलिटी (कोमल उत्तरदायित्व) असाइन करता है। एक एकल लेबल के बजाय, यह आवेदक को दोनों संभावनाओं में फैला देता है।
- उपमा: एक जूरी (पंचायत) की कल्पना करें। "दोषी या निर्दोष" के बजाय, वे वोट देते हैं "60% दोषी, 40% निर्दोष।" यह बारीकियों और अनिश्चितता को बनाए रखता है, जो मॉडल को बेहतर तरीके से सीखने में मदद करता है।

2. "कॉस्ट-सेंसिटिव" (लागत-संवेदनशील) संतुलन

मॉडल जानता है कि "बुरे भुगतान करने वाले" को पकड़ना "गलत अलार्म" से बचने की तुलना में अधिक महत्वपूर्ण है।

यह एक विशेष स्केल का उपयोग करता है। यदि मॉडल को लगता है कि कोई डिफॉल्टर हो सकता है, तो वह उस संभावना को एक अच्छे भुगतान करने वाले की तुलना में बहुत अधिक वजन (weight) देता है।
इसमें चीजों को संतुलित रखने का एक नियम भी है। यह सुनिश्चित करता है कि अस्वीकृत समूह में उसके द्वारा अनुमानित "बुरे भुगतान करने वालों" की संख्या वास्तव में स्वीकृत समूह में देखे गए बुरे भुगतान करने वालों की दर के बराबर हो। यह मॉडल को पागल होने से रोकता है कि वह केवल सुरक्षित रहने के लिए यह निर्णय न ले ले कि हर कोई एक बुरा भुगतान करने वाला है।

3. लर्निंग लूप (शिक्षक पद्धति)

मॉडल क्लासिफिकेशन EM (Classification EM) नामक तकनीक का उपयोग करता है। एक ऐसे शिक्षक की कल्पना करें जो एक ऐसी परीक्षा को ग्रेड करने की कोशिश कर रहा है जहाँ आधे उत्तर गायब हैं:

चरण 1 (अनुमान): शिक्षक जो कुछ भी अब तक जानता है, उसके आधार पर गायब उत्तरों का सबसे अच्छा अनुमान लगाता है।
चरण 2 (पाठ): शिक्षक उन अनुमानों का उपयोग पूरे वर्ग (ज्ञात उत्तरों और अनुमानित उत्तरों दोनों) का पुन: अध्ययन करने के लिए करता है ताकि अपने ग्रेडिंग के नियमों में सुधार किया जा सके।
चरण 3 (दोहराना): शिक्षक बेहतर नियमों के आधार पर नए और बेहतर अनुमान लगाता है, और यह चक्र तब तक दोहराया जाता है जब तक कि ग्रेडिंग के नियम पूर्ण न हो जाएं।

उन्होंने क्या पाया?

लेखकों ने वास्तविक डेटा Lending Club (एक बड़ा ऑनलाइन ऋण मंच) पर इसका परीक्षण किया। उन्होंने अपने नए टूल की तुलना 12 अन्य तरीकों से की, जिसमें मानक मॉडल और अन्य "रिजेक्ट इन्फरेंस" के तरीके शामिल थे।

परिणाम: उनका नया टूल (RI-CSCEM) उन सर्वश्रेष्ठ मॉडलों के समान प्रदर्शन करता है जो केवल स्वीकृत आवेदकों को देखते हैं। यह जादुई रूप से सुपरह्यूमन नहीं बना, लेकिन इसने बिना प्रदर्शन को नुकसान पहुँचाए "अस्वीकृत" डेटा का सफलतापूर्वक उपयोग किया।
मुख्य खोज: "सॉफ्ट" तरीका ही असली सफलता थी। जब उन्होंने मॉडल को "हार्ड" अनुमान लगाने (निश्चित रूप से अच्छा/बुरा) के लिए मजबूर किया, तो मॉडल भ्रमित हो गया और अच्छे और बुरे उधारकर्ताओं के बीच अंतर करने की अपनी क्षमता खो दी। जब उन्होंने "सॉफ्ट" अनुमानों (संभावनाओं) का उपयोग किया, तो मॉडल की अंतर करने की क्षमता (AUC) काफी बढ़ गई।
"क्यों": शोध पत्र बताता है कि चूंकि बैंक के अस्वीकृति नियम दृश्य डेटा (जैसे क्रेडिट स्कोर) पर आधारित थे, इसलिए "अस्वीकृत" समूह गुप्त रूप से छिपे हुए जीनियस या छिपे हुए अपराधियों से भरा नहीं था। वे स्वीकृत समूह के समान ही एक मिश्रण थे। इसलिए, मॉडल को उनके परिणामों का अनुमान लगाने के लिए जादूगर होने की आवश्यकता नहीं थी; उसे बस महंगे गलतियाँ करने से बचने की आवश्यकता थी।

निचोड़ (The Bottom Line)

यह शोध पत्र बैंकों के लिए उन लोगों से सीखने का एक स्मार्ट तरीका पेश करता है जिन्हें उन्होंने अस्वीकार कर दिया था। अस्वीकृत आवेदकों को "शायद अच्छा, शायद बुरा" (सॉफ्ट लेबल) के रूप में मानने के बजाय, उन्हें हाँ/ना के निर्णय में मजबूर करने के बजाय, और पैसा खोने की लागत को भारी वजन देने के कारण, मॉडल अधिक मजबूत हो जाता है। यह आवश्यक रूप से मौजूदा तरीकों की तुलना में भविष्य की भविष्यवाणी बेहतर नहीं करता है, लेकिन यह सुनिश्चित करता है कि अपूर्ण डेटा से सीखने के दौरान मॉडल टूट न जाए।

तकनीकी सारांश: क्रेडिट स्कोरिंग में लागत-संवेदनशील अर्ध-पर्यवेक्षित रिजेक्ट इन्फरेंस के लिए हार्ड और सॉफ्ट लेबल असाइनमेंट

1. समस्या विवरण

क्रेडिट रिस्क स्कोरकार्ड पारंपरिक रूप से केवल स्वीकृत आवेदकों पर प्रशिक्षित किए जाते हैं क्योंकि केवल उन्हीं व्यक्तियों के पास दर्ज पुनर्भुगतान परिणाम होते हैं। यह अभ्यास नमूना चयन पूर्वाग्रह (sample selection bias) को जन्म देता है, जिससे मॉडल स्वीकृत जनसंख्या पर तो अच्छा प्रदर्शन करते हैं लेकिन व्यापक आवेदक पूल पर खराब प्रदर्शन करते हैं। इसके अलावा, मानक वर्गीकरण दृष्टिकोण अक्सर क्रेडिट स्कोरिंग में गलत वर्गीकरण की असममित लागतों (asymmetric costs) को अनदेखा करते हैं: एक फॉल्स नेगेटिव (डिफॉल्टर को स्वीकृत करना) की लागत एक फॉल्स पॉजिटिव (अच्छे भुगतानकर्ता को अस्वीकार करना) की तुलना में काफी अधिक होती है।

मौजूदा रिजेक्ट इन्फरेंस विधियाँ अक्सर इन मुद्दों को एक साथ संबोधित करने में विफल रहती हैं। कई विधियाँ संतुलित वर्ग वितरण मानती हैं या गलत वर्गीकरण त्रुटियों को समान लागत वाला मानती हैं, जिससे इष्टतम आर्थिक परिणाम नहीं मिल पाते। इसके अतिरिक्त, जबकि अर्ध-सुपरवाइज्ड लर्निंग अस्वीकृत आवेदकों को लापता लेबल वाले उदाहरणों के रूप में मानती है, बहुत कम फ्रेमवर्क विशिष्ट रिजेक्शन तंत्र (जैसे, मिसिंग एट रैंड - MAR) के तहत निरंतरता (consistency) के संबंध में औपचारिक सैद्धांतिक गारंटी प्रदान करते हैं जबकि लागत-संवेदनशील उद्देश्यों को एकीकृत करते हैं।

2. कार्यप्रणाली: RI-CSCEM

यह शोध पत्र RI-CSCEM (रिजेक्ट इन्फरेंस - कॉस्ट-सेंसिटिव क्लासिफिकेशन एक्सपेक्टेशन-मैक्सिमाइजेशन) प्रस्तावित करता है, जो एक एकीकृत फ्रेमवर्क है जो लागत-संवेदनशील लर्निंग के साथ सेमी-सुपरवाइज्ड लॉजिस्टिक रिग्रेशन को एकीकृत करता है। यह विधि एक डेटासेट $D = D_l \cup D_u$ पर कार्य करती है, जहाँ $D_l$ में लेबल वाले (स्वीकृत) आवेदक हैं और $D_u$ में बिना लेबल वाले (अस्वीकृत) आवेदक हैं।

2.1 मुख्य एल्गोरिदम

एल्गोरिदम एक क्लासिफिकेशन EM (CEM) प्रक्रिया का पालन करता है जिसमें दो वैकल्पिक चरण शामिल हैं:

E-स्टेप (लेबल असाइनमेंट):
अस्वीकृत आवेदकों को एक एकल हार्ड लेबल असाइन करने के बजाय, यह विधि एक सॉफ्ट रिस्पॉन्सिबिलिटी (soft responsibility) तंत्र का उपयोग करती है। प्रत्येक अनलेबल आवेदक $j$ के लिए, एक लागत-भारित अंतर मानदंड (cost-weighted difference criterion) की गणना की जाती है:
$\text{Diff}(j) = C_{FN} \log(1 + e^{-z_j}) - C_{FP} \log(1 + e^{z_j})$
जहाँ $z_j = \beta^\top x_j$ , और $C_{FN}, C_{FP}$ क्रमशः फॉल्स नेगेटिव और फॉल्स पॉजिटिव की लागतें हैं।

इस मानदंड को एक टेम्परेचर पैरामीटर $\tau$ द्वारा कैलिब्रेट किए गए सिग्मॉइड फंक्शन का उपयोग करके एक सॉफ्ट डिफॉल्ट प्रोबेबिलिटी $q_j \in (0, 1)$ में मैप किया जाता है। महत्वपूर्ण रूप से, असाइनमेंट को एक बैलेंस कंस्ट्रेंट (balance constraint) द्वारा नियंत्रित किया जाता है: अस्वीकृत सेट के बीच डिफॉल्ट्स का अपेक्षित अनुपात स्वीकृत सेट ( $D_l$ ) में देखे गए अनुभवजन्य डिफॉल्ट दर $r$ के बराबर होना चाहिए। यह उन विकृत समाधानों को रोकता है जहाँ सभी रिजेक्ट्स को एक ही क्लास में असाइन कर दिया जाता है।

एक हार्ड-लेबल वेरिएंट को एक विशेष मामले के रूप में भी परिभाषित किया गया है, जहाँ सबसे कम लागत-भारित हानि वाले $\lfloor r \cdot m \rfloor$ अस्वीकृत आवेदकों को 1 (डिफॉल्ट) का हार्ड लेबल दिया जाता है, और शेष को 0 दिया जाता है।

M-स्टेप (पैरामीटर एस्टीमेशन):
मॉडल संवर्धित डेटासेट पर एक कॉस्ट-सेंसिटिव $\ell_1$ -पेनलाइज्ड लॉजिस्टिक रिग्रेशन को फिर से फिट करता है। ऑब्जेक्टिव फंक्शन $L(\beta, q)$ निम्नलिखित को जोड़ता है:

लेबल वाले डेटा ( $D_l$ ) पर वेटेड लॉजिस्टिक लॉस।
अनलेबल डेटा ( $D_u$ ) पर सॉफ्ट-असाइंड वेटेड लॉस, जिसे एक हाइपरपैरामीटर $\lambda \in [0, 1]$ द्वारा स्केल किया गया है।
फीचर सिलेक्शन और स्पर्सिटी के लिए एक $\ell_1$ पेनल्टी ( $\mu \|\beta\|_1$ )।

अनलेबल डेटा का योगदान $\lambda$ द्वारा स्केल किया जाता है, जो शुद्ध सुपरवाइज्ड ( $\lambda=0$ ) और पूर्णतः सेमी-सुपरवाइज्ड ( $\lambda=1$ ) शासन के बीच इंटरपोलेशन की अनुमति देता है।

2.2 सैद्धांतिक गारंटी

शोध पत्र दो प्रमुख सैद्धांतिक परिणाम प्रदान करता है:

मोनोटोन डिसेंट (Monotone Descent): हार्ड-लेबल वेरिएंट के लिए, वैकल्पिक E- और M-स्टेप्स एक मोनोटोनिकली नॉन-इंक्रीजिंग ऑब्जेक्टिव फंक्शन की गारंटी देते हैं, जो अभिसरण (convergence) सुनिश्चित करता है।
MAR के तहत निरंतरता (Consistency under MAR): मिसिंग एट रैंड (MAR) धारणा के तहत—जहाँ रिजेक्शन निर्णय केवल देखे गए कोवेरिएट्स पर निर्भर करता है न कि अनऑब्जर्व्ड डिफॉल्ट परिणाम पर—RI-CSCEM एस्टिमेटर सुसंगत (consistent) है। लेखक सिद्ध करते हैं कि MAR के तहत, केवल-स्वीकृत एस्टिमेटर पहले से ही अनबायस्ड है; अतः, रिजेक्ट इन्फरेंस प्रक्रिया एस्टिमेटर में सुधार नहीं करती है बल्कि एक डायग्नोस्टिक टूल के रूप में कार्य करती है ताकि यह मापा जा सके कि रिजेक्ट इन्फरेंस कब मूल्य जोड़ता है (विशेष रूप से जब MAR लागू नहीं होता है)।

3. मुख्य योगदान

एकीकृत फ्रेमवर्क: RI-CSCEM एक एकल पेनलाइज्ड लाइकलीहुड फ्रेमवर्क के भीतर सेमी-सुपरवाइज्ड लर्निंग और कॉस्ट-सेंसिटिव लर्निंग को एकीकृत करता है, जो नमूना चयन पूर्वाग्रह और क्लास असंतुलन दोनों को एक साथ संबोधित करता है।
सॉफ्ट बनाम हार्ड असाइनमेंट: यह पेपर एक सॉफ्ट रिस्पॉन्सिबिलिटी असाइनमेंट पेश करता है जो लागत-भारित मानदंडों के आधार पर अस्वीकृत आवेदकों को विभिन्न वर्गों में वितरित करता है। अनुभवजन्य परिणाम दिखाते हैं कि यह उस भेदभाव शक्ति (discrimination power) को बनाए रखता है जिसे हार्ड स्यूडो-लेबलिंग नष्ट कर देती है।
सैद्धांतिक कठोरता: यह कार्य हार्ड वेरिएंट के लिए मोनोटोन डिसेंट और MAR के तहत निरंतरता के लिए औपचारिक गारंटी स्थापित करता है, जो रिजेक्ट इन्फरेंस की आवश्यकता का मूल्यांकन करने के लिए एक नियंत्रित सेटिंग प्रदान करता है।
कठोर बेंचमार्किंग: अध्ययन 12 प्रतिस्पर्धी मॉडलों के विरुद्ध 30 स्ट्रैटिफाइड ड्रॉ और सांख्यिकीय परीक्षणों (Friedman और Nemenyi टेस्ट) का उपयोग करके एक मजबूत प्रयोगात्मक डिजाइन नियोजित करता है, जिसमें पारंपरिक रिजेक्ट इन्फरेंस, रीसैंपलिंग रणनीतियाँ और सेमी-सुपरवाइज्ड बेसलाइन शामिल हैं।

4. प्रयोगात्मक परिणाम

विधि का मूल्यांकन लेंडिंग क्लब (Lending Club) डेटा (लगभग 1.27 मिलियन स्वीकृत और 2.06 मिलियन अस्वीकृत आवेदन) पर किया गया।

प्रदर्शन: 30 स्ट्रैटिफाइड ड्रॉ के माध्यम से, RI-CSCEM ने औसत कुल मिसक्लासिफिकेशन कॉस्ट 1120.3 प्राप्त की।
तुलना: यह प्रदर्शन सर्वश्रेष्ठ केवल-स्वीकृत बेसलाइन्स: कॉस्ट-सेंसिटिव लॉजिस्टिक रिग्रेशन (1070.4) और SMOTE-बैलेंस्ड लॉजिस्टिक रिग्रेशन (1104.7) के सांख्यिकीय रूप से अविभेद्य था।
एब्लेशन स्टडी (Ablation Study):
- कॉस्ट-सेंसिटिव वेटिंग: बेस CEM मॉडल से CEM+CS (कॉस्ट-सेंसिटिव वेटिंग) की ओर बढ़ने से लागत में उल्लेखनीय कमी आई (1401.5 से 1215.6) और मॉडल को "सभी-गैर-डिफॉल्ट" के मामूली समाधान से दूर ले गई।
- सॉफ्ट रिस्पॉन्सिबिलिटी: हार्ड लेबल को सॉफ्ट रिस्पॉन्सिबिलिटी (पूर्ण RI-CSCEM) से बदलने से लागत और कम होकर 1120.3 हो गई और इसने भेदभाव शक्ति को पुनः प्राप्त किया, जिससे AUC 0.589 से बढ़कर 0.614 हो गया।
- हार्ड बनाम सॉफ्ट: हार्ड-लेबल वेरिएंट (RI-CSCEM-hard) ने CEM+CS के समान प्रदर्शन किया (1214.3 बनाम 1215.6), जो पुष्टि करता है कि सॉफ्ट असाइनमेंट ही AUC सुधार का प्राथमिक चालक है।
सांख्यिकीय महत्व: फ्राइडमैन टेस्ट ने सभी मॉडलों के समान प्रदर्शन की शून्य परिकल्पना को खारिज कर दिया ( $p < 10^{-3}$ )। नेमेनी पोस्ट-हॉक टेस्ट ने पुष्टि की कि RI-CSCEM शीर्ष-प्रदर्शन करने वाले केवल-स्वीकृत बेसलाइन्स के समान सांख्यिकीय रूप से महत्वपूर्ण समूह में आता है।

5. महत्व और दावे

शोध पत्र का दावा है कि RI-CSCEM क्रेडिट स्कोरिंग साहित्य के लिए एक डायग्नोस्टिक बेसलाइन प्रदान करता है। इसका प्राथमिक महत्व यह प्रदर्शित करने में निहित है कि एक मिसिंग एट रैंड (MAR) रिजेक्शन मैकेनिज्म के तहत, रिजेक्ट इन्फरेंस एक अच्छी तरह से ट्यून किए गए, कॉस्ट-सेंसिटिव केवल-स्वीकृत मॉडल की तुलना में बहुत कम मूल्य जोड़ता है। लेखक तर्क देते हैं कि केवल-स्वीकृत एस्टिमेटर MAR के तहत पहले से ही अनबायस्ड है, और प्रस्तावित फ्रेमवर्क इसकी पुष्टि करता है।

शोध विनम्रतापूर्वक निष्कर्ष निकालता है कि रिजेक्ट इन्फरेंस का वास्तविक लाभ मिसिंग नॉट एट रैंड (MNAR) परिदृश्यों में उभरना चाहिए, जहाँ रिजेक्शन अनदेखे कारकों पर निर्भर करता है। वर्तमान कार्य MAR के तहत निरंतरता को सिद्ध करके और विशिष्ट घटकों (कॉस्ट-स性和 और सॉफ्ट असाइनमेंट) को अलग करके भविष्य के ऐसे विस्तारों के लिए एक कठोर आधार स्थापित करता है। लेखक यह दावा नहीं करते कि RI-CSCEM सभी शासनों में सार्वभौमिक रूप से बेसलाइन्स से बेहतर है, बल्कि यह कि यह MAR के तहत सबसे मजबूत बेसलाइन्स के साथ मेल खाता है और अनलेबल डेटा को संभालने के लिए एक मजबूत, सैद्धांतिक रूप से स्थापित तंत्र प्रदान करता है जब रिजेक्शन मैकेनिज्म इग्नोर करने योग्य (ignorable) हो।