موضوع 23 از 64· سماجی قدر اور اثر کی پیمائش

اثر کی تشخیص کے طریقے

اثر کی تشخیص کے طریقے وہ شماریاتی اور تجرباتی ڈیزائن ہیں جو یہ تخمینہ لگانے کے لیے استعمال ہوتے ہیں کہ کسی پالیسی یا پروگرام نے دراصل کیا پیدا کیا، اس سے الگ جو بہرحال رونما ہوتا — بے ترتیب کنٹرول شدہ ٹرائلز (RCTs)، فرق-در-فرق، propensity score matching، اور ریگریشن ڈسکنٹینیوٹی ڈیزائن برطانوی عوامی پالیسی میں سب سے زیادہ استعمال ہونے والے چار طریقے ہیں۔ یہ اس لیے موجود ہیں کیونکہ زیادہ تر حکومتی مداخلتوں کو لیبارٹری میں نہیں جانچا جا سکتا: آپ اس طرح بے ترتیب نہیں کر سکتے کہ کس شہر کو نئی بس روٹ ملے جس طرح آپ بے ترتیب کر سکتے ہیں کہ کس مریض کو دوا ملے، لہٰذا یہ طریقے ہمیشہ بے ترتیب تفویض کی ضرورت کے بغیر وہی سببی منطق مستعار لیتے ہیں۔

یہ کیوں اہم ہے

HM Treasury کی Magenta Book، شبہ تجرباتی طریقوں پر Annex A، شبہ تجرباتی ڈیزائنوں کے درمیان انتخاب پر برطانوی حکومت کی مستند رہنمائی ہے، اور Education Endowment Foundation اور What Works Centre for Local Economic Growth جیسے ادارے ان کے گرد بنی شواہد کی درجہ بندی کو ادارہ جاتی شکل دیتے ہیں — RCTs جہاں بے ترتیبی عملی اور اخلاقی طور پر ممکن ہو، شبہ تجرباتی ڈیزائن جہاں نہ ہو۔ طریقے کا انتخاب کوئی تکنیکی بعد کی سوچ نہیں ہے: یہ طے کرتا ہے کہ آیا کوئی تشخیص "کیا پروگرام نے یہ پیدا کیا؟" کا جواب دے سکتی ہے یا صرف "کیا یہ پروگرام شروع ہونے کے بعد رونما ہوا؟" کا، جو بالکل وہی سوال ہے جسے کاؤنٹرفیکچوئل تجزیہ کسی بھی تشخیص کے حکم دیے جانے سے پہلے پریکٹیشنرز سے پوچھنے پر مجبور کرنے کے لیے بنایا گیا ہے۔

ریاضیاتی بنیاد

RCT:
  Impact = mean(outcome | treatment group) − mean(outcome | control group)
  (valid because assignment to treatment is random)

Difference-in-differences (DiD):
  Impact = [outcome_after(treated) − outcome_before(treated)]
         − [outcome_after(control) − outcome_before(control)]
  (requires a "parallel trends" assumption: treated and control would have moved together
   absent the intervention)

Propensity score matching (PSM):
  1. Estimate P(treatment = 1 | covariates X) for every unit → propensity score
  2. Match treated units to untreated units with similar propensity scores
  3. Impact = mean(outcome | treated) − mean(outcome | matched control)

Regression discontinuity design (RDD):
  Impact = jump in outcome observed at the eligibility threshold,
           comparing units just above vs just below the cutoff

عملی مثال

مقامی حکومت (پریشان کن خاندانوں کے پروگرام کے لیے فرق-در-فرق): نتیجہ اسکول کی حاضری ہے۔ علاجی علاقہ پروگرام کی مدت میں 84 فیصد سے 89 فیصد حاضری تک بڑھتا ہے (+5 فیصد پوائنٹس)؛ اسی مدت میں ایک موازنہ کے قابل مگر غیر علاجی علاقہ 85 فیصد سے 87 فیصد تک بڑھتا ہے (+2 فیصد پوائنٹس)۔ DiD اثر کا تخمینہ: 5 − 2 = پروگرام سے منسوب +3 فیصد پوائنٹس۔ علاجی علاقے میں 2,000 طلبہ کے ایک گروہ پر لاگو کیا جائے تو، یہ تقریباً 60 اضافی طلبہ (3% × 2,000) کے اعلیٰ حاضری زمرے تک پہنچنے کے مطابق ہے، ایک ایکسٹراپولیشن جسے اس کے متوازی رجحانات کی شرط کے ساتھ رپورٹ کیا جانا چاہیے، ایک درست افرادی گنتی کے طور پر نہیں۔

فلاحی ادارہ (روزگار کی قابلیت کے فلاحی ادارے کے لیے propensity score matching): 300 پروگرام شرکاء کو عمر، پچھلی روزگار کی تاریخ، اور قابلیت کی سطح سے بنائے گئے propensity scores استعمال کرتے ہوئے ایک بڑے انتظامی ڈیٹا سیٹ کے 300 افراد سے میچ کیا جاتا ہے۔ بارہ ماہ کی روزگار کی شرح: میچ شدہ علاجی گروپ 46 فیصد، میچ شدہ موازنہ گروپ 33 فیصد۔ PSM اثر کا تخمینہ: 46% − 33% = پروگرام سے منسوب +13 فیصد پوائنٹس، بشرطیکہ کوئی غیر مشاہدہ شدہ گڈمڈ کنندہ (جیسے حوصلہ) شرکت اور نتیجہ دونوں کو نہ چلا رہا ہو۔

سافٹ ویئر انجینئرنگ سے تعلق

بعد میں ان میں سے کوئی بھی ڈیزائن عملی ہے یا نہیں یہ بڑی حد تک ابتدائی طور پر لیے گئے ڈیٹا انجینئرنگ کے فیصلوں پر منحصر ہے۔ RDD کو ایک درست طور پر ریکارڈ شدہ چلتے ہوئے متغیر اور حقیقی معنوں میں صاف اہلیت کی حد کی ضرورت ہے؛ DiD کو علاجی اور موازنہ دونوں علاقوں کے لیے وقت کے ساتھ موازنہ کے قابل پینل ڈیٹا کی ضرورت ہے، جس کا مطلب ہے نظاموں اور سالوں میں مستقل جوائنز؛ PSM کو علاج سے پہلے حاصل کردہ بھرپور بنیادی covariate ڈیٹا کی ضرورت ہے، بعد میں دوبارہ تعمیر شدہ نہیں۔ شروع سے تبدیلی کا نظریہ اور منطقی ماڈل کے ساتھ ڈیزائن کیا گیا ایک ڈیٹا ماڈل — بنیادی covariates، تاریخیں، اور موازنہ-گروپ-اہل ریکارڈز کو حاصل کرتے ہوئے — وہ چیز ہے جو بعد میں ایک سخت اثر کی تشخیص کو ممکن بناتی ہے، ایک مہنگی بعد از وقت بھاگ دوڑ کی بجائے۔ ان تکمیلی سوالات کے لیے جن کا جواب یہ طریقے خود نہیں دیتے، دیکھیں اثر کی تشخیص بمقابلہ عمل کی تشخیص۔

ممکنہ خامیاں

  • RCT کو زبردستی لاگو کرنا جہاں یہ ناممکن یا غیر اخلاقی ہو، یا اس کے برعکس کبھی شبہ تجرباتی ڈیزائن پر غور نہ کرنا جب اس کے لیے حقیقی موقع — ایک پالیسی کی حد، ایک مرحلہ وار رول آؤٹ — دستیاب تھا اور استعمال نہیں ہوا۔
  • DiD میں متوازی رجحانات کے مفروضے کو نظرانداز کرنا۔ اگر موازنہ علاقہ مداخلت سے پہلے ہی علاجی علاقے سے الگ ہو رہا تھا، تو دو نکاتی موازنہ آلودہ ہے؛ صرف پہلے/بعد نہیں بلکہ پیشگی رجحانات کو بھی چیک کریں۔
  • PSM میں صرف مشاہدہ شدہ covariates پر میچنگ کرنا۔ غیر مشاہدہ شدہ انتخاب، جیسے شرکاء کا حوصلہ، تخمینے کو متعصب بنا سکتا ہے چاہے مشاہدہ شدہ covariates اچھی طرح متوازن ہوں۔
  • RDD میں چلتے ہوئے متغیر میں ہیر پھیر۔ اگر لوگ اپنے اسکور کو اہلیت کی حد کے بالکل اندر گرنے کے لیے متاثر کر سکتے ہیں، تو ڈسکنٹینیوٹی اب سببی اثر کو الگ نہیں کرتی۔

ماخذ