A Frequentist Approach to Revealed Preference Analysis

यहाँ गौथियर, मल्होत्रा और ट्रोकोली मोरेटी के शोध पत्र "A Frequentist Approach to Revealed Preference Analysis" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

पारंपरिक रिवील्ड प्रेफरेंस (RP) विश्लेषण, जो एफ्रियट और वारियन के कार्यों पर आधारित है, यह परीक्षण करता है कि क्या विकल्पों का एक परिमित डेटासेट (finite dataset) विशिष्ट प्रकार की प्राथमिकताओं (जैसे उपयोगिता अधिकतमकरण - utility maximization) के साथ सुसंगत है या नहीं। इसके लिए व्यापक असमानताओं (जैसे GARP) का उपयोग किया जाता है।

• सीमा (The Limitation): मानक RP परीक्षण नियतात्मक (deterministic) होते हैं। यदि डेटा परीक्षण में पास हो जाता है, तो विश्लेषक एक वास्तव में तर्कसंगत एजेंट और एक ऐसे तर्कहीन एजेंट के बीच अंतर नहीं कर सकता जिसका विचलन इतना छोटा था या जिसका डेटासेट इतना विरल (sparse) था कि उसे पकड़ा न जा सके।
• अंतराल (The Gap): RP परीक्षणों की सांख्यिकीय शक्ति (statistical power) का आकलन करने का कोई मानक तरीका नहीं है। मौजूदा दृष्टिकोण (जैसे ब्रोनार्स, 1987) मनमाने वैकल्पिक परिकल्पनाओं (जैसे यादृच्छिक चयन) पर निर्भर करते हैं, जो तर्कसंगतता से "छोटे" विचलनों की सूक्ष्मता को नहीं पकड़ पाते हैं।
• मुख्य प्रश्न: एक विशिष्ट परिमाण ($\varepsilon$) के विचलन को दिए गए विश्वास स्तर ($1-\delta$) के साथ पहचानने के लिए कितने अवलोकनों ($n$) की आवश्यकता है?

2. कार्यप्रणाली (Methodology)

लेखक एक फ्रीक्वेंटिस्ट फ्रेमवर्क (frequentist framework) प्रस्तावित करते हैं जो सांख्यिकीय शिक्षण सिद्धांत (Statistical Learning Theory) (विशेष रूप से PAC लर्निंग) को आर्थिक सिद्धांत के साथ एकीकृत करता है।

A. सेटअप (The Setup)

• मॉडल: एक निर्णय लेने वाला (DM) एक वास्तविक विकल्प फलन (choice function) $g$ रखता है जो कीमतों/आय को मांग (demand) में मैप करता है।
• मान्यताएं:
  • एक वर्ग $\mathcal{G}$ के संभावित विकल्प फलन एक लिप्सचिट्ज़ स्थिति (Lipschitz condition) का पालन करते हैं (मांग सुचारू है; कीमतों में छोटे बदलाव मांग में सीमित बदलाव लाते हैं)।
  • डेटा $\mu$ से कीमतों/आय को यादृच्छिक रूप से नमूना लेकर (sampling) उत्पन्न किया जाता है।
  • विश्लेषक एक परिमित डेटासेट $D_n = \{(p_k, x_k)\}_{k=1}^n$ देखता है।
• परिकल्पना परीक्षण (Hypothesis Testing):
  • $H_0$: वास्तविक मॉडल $g$, रुचि के एक वर्ग $\mathcal{F}$ (जैसे, तर्कसंगत प्राथमिकताएं) से संबंधित है।
  • $H_1$: वास्तविक मॉडल $g$, $\mathcal{F}$ से "दूर" है। विशेष रूप से, $g \in \mathcal{G} \setminus \mathcal{F}(\varepsilon)$, जहाँ $\mathcal{F}(\varepsilon)$ सामान्यीकरण त्रुटि मीट्रिक (functions के बीच इंटीग्रल दूरी) द्वारा $\mathcal{F}$ के चारों ओर $\varepsilon$-बॉल है।

B. सैद्धांतिक आधार: PAC शिक्षणीयता (PAC Learnability)

यह शोध पत्र प्रोबेबली एप्रोक्सिमेटली करेक्ट (PAC) लर्निंग की अवधारणा का लाभ उठाता है।

• लेम्मा 1 (Lemma 1): लिप्सचिट्ज़ डिमांड फंक्शन का वर्ग PAC सीखने योग्य (learnable) है। इसका अर्थ है कि $1/\varepsilon$ और $1/\delta$ के साथ बहुपद रूप से (polynomially) बढ़ते नमूना आकार $n$ के साथ, कोई भी एल्गोरिदम वास्तविक मांग फलन $g$ को त्रुटि $\varepsilon$ के भीतर $1-\delta$ की संभावना के साथ अनुमानित कर सकता है।
• मुख्य अंतर्दृष्टि (Key Insight): यदि वास्तविक मांग $g$, शून्य परिकल्पना वर्ग $\mathcal{F}$ से दूर है (दूरी $>\varepsilon$), और नमूना आकार पर्याप्त बड़ा है, तो डेटा के अनुरूप कोई भी फलन (कोई भी तर्कसंगतता) भी $\mathcal{F}$ से दूर होगा। फलस्वरूप, एक RP परीक्षण उच्च संभावना के साथ शून्य परिकल्पना को खारिज कर देगा।

C. कार्यात्मक प्रतिबंध (Functional Restrictions)

यह ढांचा केवल मानक RP असमानताओं (जो अक्सर गणना के लिए NP-hard होती हैं, जैसे कमजोर पृथक्करणीयता/weak separability) से आगे बढ़कर कार्यात्मक प्रतिबंधों (functional restrictions) तक विस्तृत होता है।

• एक प्रतिबंध एक मानचित्र $R: \mathcal{G} \to \mathbb{R}_{\geq 0}$ है ताकि $R(g) = 0 \iff g \in \mathcal{F}$ हो।
• यह सुनिश्चित करने के लिए कि वैध परिमित-नमूना परीक्षण संभव हों, $R$ को समान रूप से निरंतर (uniformly continuous) (परिवर्तनों के प्रति स्थिरता) और नियमित (regular) (पता लगाने योग्य पृथक्करण) होना चाहिए।
• यह जटिल RP चरित्रणों के लिए भी बहुपद-समय परीक्षणों की अनुमति देता है।

3. मुख्य योगदान (Key Contributions)

1. स्पष्ट शक्ति गारंटी (Explicit Power Guarantees)

लेखक नमूना आकार ($n$), पहचान सीमा ($\varepsilon$), और विश्वास ($1-\delta$) को जोड़ने वाले स्पष्ट बंधन प्राप्त करते हैं:

• प्रमेय 3.1 (फॉरवर्ड बाउंड): $\varepsilon$ और $\delta$ दिए जाने पर, एक नमूना आकार $n(\varepsilon, \delta)$ मौजूद है जिससे RP परीक्षण की शक्ति $\varepsilon$ द्वारा अलग की गई किसी भी वैकल्पिक परिकल्पना के विरुद्ध $\geq 1-\delta$ होगी।
• प्रमेय 3.2 और 3.3 (इनवर्स बाउंड्स): एक निश्चित नमूना आकार $n$ के लिए, एक दिए गए $\varepsilon$ के लिए प्राप्त विश्वास स्तर की गणना की जा सकती, या दिए गए विश्वास के लिए न्यूनतम पता लगाने योग्य पृथक्करण $\varepsilon(n, \delta)$ की गणना की जा सकती है।

2. कार्यात्मक परीक्षण एल्गोरिदम (Functional Testing Algorithm)

वे कार्यात्मक प्रतिबंधों के परीक्षण के लिए एक रचनात्मक प्रक्रिया के रूप में एल्गोरिदम 1 प्रदान करते हैं।

• यह प्रतिबंध $R$ पर आधारित एक टेस्ट सांख्यिकी (test statistic) का निर्माण करता है।
• यह निरंतरता के मोडुलस (modulus of continuity) के आधार पर एक अस्वीकृति सीमा निर्धारित करता है।
• परिणाम: इस परीक्षण का आकार (size) $\leq \delta$ है और $\varepsilon$ द्वारा अलग की गई वैकल्पिक परिकल्पनाओं के विरुद्ध शक्ति $\geq 1-\delta$ है। यह सटीक RP चरित्रणों (जैसे कि कमजोर पृथक्करणीयता, जो NP-hard है) की कम्प्यूटेशनल जटिलता को हल करता है, जिससे एक नियंत्रित टाइप I त्रुटि (size) के बदले बहुपद-समय गणना संभव होती है।

3. कल्याण के लिए विश्वास अंतराल (Confidence Intervals for Welfare)

प्रमेय 4.2 यह प्रदर्शित करता है कि मांग के सुचारू फन्क्शन्स (functionals), जैसे कल्याण परिवर्तन (जैसे, तुल्यता परिवर्तन/Equivalent Variation), के लिए विश्वास अंतराल कैसे बनाया जा सकता है।

• यदि वास्तविक मांग $\varepsilon$ के भीतर अनुमानित है, और कल्याण फन्क्शनल समान रूप से निरंतर है, तो अनुमानित कल्याण $1-\delta$ की संभावना के साथ वास्तविक कल्याण के भीतर एक विशिष्ट अंतराल में होगा।
• अंतराल की चौड़ाई सीधे तौर पर अंतर्निहित प्राथमिकता वर्ग को सीखने की नमूना जटिलता (sample complexity) पर निर्भर करती है।

4. सिमुलेशन परिणाम (Simulation Results)

लेखक चार मॉडलों के लिए पावर कर्व्स का सिमुलेशन करते हैं:

1. SUM: स्थिर उपयोगिता अधिकतमकरण (सामान्य मामला)।
2. H: समरूपता (Homotheticity)।
3. WS: कमजोर पृथक्करणीयता (Weak Separability)।
4. EU: अपेक्षित उपयोगिता (Expected Utility)।

• निष्कर्ष: मानक नमूना आकार विभिन्न मॉडलों के लिए व्यापक रूप से भिन्न शक्ति उत्पन्न करते हैं। उदाहरण के लिए, अपेक्षित उपयोगिता (EU) छोटे विचलनों के प्रति अत्यधिक संवेदनशील है (छोटे $n$ के साथ उच्च शक्ति), जबकि कमजोर पृथक्करणीयता (WS) को समान विचलनों का पता लगाने के लिए विशाल नमूना आकार की आवश्यकता होती है। यह संदर्भ देता है कि व्यवहार में कुछ शर्तें "दुर्लभ रूप से अस्वीकार" क्यों होती हैं—यह तर्कसंगतता की कमी नहीं, बल्कि शक्ति (power) की कमी हो सकती है।

4. परिणाम और महत्व (Results and Significance)

• RP विश्लेषण का पुनर्गठन: यह शोध पत्र ध्यान को "क्या यह डेटासेट परीक्षण में पास होता है?" से बदलकर "क्या यह डेटासेट तर्कहीनता का पता लगाने के लिए पर्याप्त समृद्ध है?" पर केंद्रित करता है। यह RP परीक्षण के "रिज़ॉल्यूशन" को मापने का एक कठोर तरीका प्रदान करता है।
• कम्प्यूटेशनल सुगमता: सटीक, शून्य-आकार के परीक्षणों से नियंत्रित आकार वाले कार्यात्मक प्रतिबंधों की ओर बढ़कर, लेखक इसे संभव बनाते हैं कि जटिल प्राथमिकता संरचनाओं (जैसे कमजोर पृथक्करणीयता) का परिमित नमूनों में परीक्षण किया जा सके।
• नीतिगत प्रासंगिकता: परिमित डेटा के आधार पर कल्याण उपायों (जैसे जीवन-यापन लागत परिवर्तन) के लिए विश्वास अंतराल बनाने की क्षमता सूक्ष्म अर्थशास्त्र में एक महत्वपूर्ण योगदान है।
• अनुभवजन्य विफलताओं की व्याख्या: सिमुलेशन परिणाम बताते हैं कि GARP को बार-बार अस्वीकार न करना (empirical failure to reject) मजबूत तर्कसंगतता का संकेत नहीं हो सकता है, बल्कि यह कि मानक डेटासेट मौजूद विशिष्ट प्रकार की तर्कहीनता का पता लगाने के लिए बहुत छोटे हैं। इसके विपरीत, अपेक्षित उपयोगिता (EU) को बार-बार अस्वीकार करना इसकी उच्च संवेदनशीलता (उच्च शक्ति) को दर्शा सकता है।

5. निष्कर्ष (Conclusion)

यह शोध पत्र रिवील्ड प्रेफरेंस में पावर विश्लेषण के लिए एक सैद्धांतिक आधार स्थापित करता है। मांग कार्यों की ज्यामिति (लिप्सचिट्ज़ निरंतरता) को सांख्यिकीय शिक्षण सिद्धांत (PAC बाउंड्स) के साथ जोड़कर, लेखक यह निर्धारित करने के लिए एक ढांचा प्रदान करते हैं कि तर्कसंगत और तर्कहीन व्यवहार के बीच अंतर करने के लिए कितने डेटा की आवश्यकता है। यह ढांचा सामान्य है, विभिन्न प्राथमिकता वर्गों के लिए लागू करने योग्य है, और उन मामलों में भी व्यावहारिक उपकरण प्रदान करता है जहाँ सटीक चरित्रण कम्प्यूटेशनल रूप से कठिन हो सकता है।