कम-क्रम परिणाम और क्लस्टर्ड डिज़ाइन: नेटवर्क हस्तक्षेप के तहत कारणात्मक निष्कर्ष के लिए डिज़ाइन और विश्लेषण को जोड़ना

नेटवर्क हस्तक्षेप की उपस्थिति में कारणात्मक निष्कर्ष के लिए_variance_ में कमी अक्सर या तो परिणाम मॉडलिंग के माध्यम से प्राप्त होती है, जिसे आमतौर पर यूनिट-रैंडमाइज्ड बर्नौली डिज़ाइन के तहत विश्लेषित किया जाता है, या क्लस्टर्ड प्रयोगात्मक डिज़ाइनों के माध्यम से, जिन्हें आमतौर पर मजबूत पैरामेट्रिक अनुमानों के बिना विश्लेषित किया जाता है। इस कार्य में, हम इन दोनों तरीकों के जंक्शन का अध्ययन करते हैं और सामान्य प्रयोगात्मक डिज़ाइन से डेटा का उपयोग करते हुए कम-क्रम परिणाम मॉडलों में अनुमान लगाने की समस्या पर विचार करते हैं। हमारे योगदान तीनहरे हैं। पहले, हम एक कम-डिग्री परिणाम मॉडल में कुल उपचार प्रभाव (जिसे वैश्विक औसत उपचार प्रभाव भी कहा जाता है) का एक अनुमानक प्रस्तुत करते हैं जब डेटा सामान्य प्रयोगात्मक डिज़ाइन के तहत एकत्र किया जाता है, जिसने बर्नौली डिज़ाइनों के लिए पिछले परिणामों को सामान्यीकृत किया है। हम इस अनुमानक को छद्म-प्रतिनिवर्ती अनुमानक के रूप में संदर्भित करते हैं और प्रयोगात्मक डिज़ाइन के गुणों के संदर्भ में इसके पूर्वाग्रह और_variance_ पर सीमाएँ देते हैं। दूसरे, हम बर्नौली और पूर्ण यादृच्छिकता दोनों के साथ क्लस्टर रैंडमाइज्ड डिज़ाइनों के मामले के लिए इन सीमाओं का मूल्यांकन करते हैं। क्लस्टर्ड बर्नौली रैंडमाइजेशन के लिए, हम पाते हैं कि हमारा अनुमानक हमेशा पूर्वाग्रह रहित है और कि इसका_variance_ कम क्रम के अनुमान से प्राप्त_variance_ और क्लस्टर रैंडमाइजेशन से प्राप्त_variance_ में से छोटे के समान आकार में होता है, यह दिखाते हुए कि इन_variance_ कमी की रणनीतियों को संयोजित करना व्यक्तिगत रूप से किसी एक का उपयोग करने की तुलना में बेहतर है। क्लस्टर्ड पूर्ण रैंडमाइजेशन के लिए, हम एक उल्लेखनीय पूर्वाग्रह-वंश व्यापार के साथ विशेष क्लस्टरिंग सुविधाओं द्वारा मध्यम रूप से पाए जाते हैं। तीसरे, जब एक क्लस्टर्ड प्रयोगात्मक डिज़ाइन का चयन करते हैं, तो हमारे बंधनों का उपयोग संभावित क्लस्टरिंग के सेट से एक क्लस्टरिंग का चयन करने के लिए किया जा सकता है। विभिन्न ग्राफ़ और क्लस्टरिंग एल्गोरिदम के माध्यम से, हम दिखाते हैं कि हमारी विधि लगातार क्लस्टरिंग का चयन करती है जो प्रतिक्रिया मॉडलों की एक सीमा पर अच्छा प्रदर्शन करती है, यह सुझाव देते हुए कि हमारे बंधन प्रैक्टिशनरों के लिए उपयोगी हैं।