📊 statistics

Small Area Estimation using EBLUPs under the Nested Error Regression Model

यह शोधपत्र नेस्टेड एरर रिग्रेशन मॉडल के तहत मिश्रित मॉडल-आधारित लघु क्षेत्र अनुमानकों (small area estimators) के लिए एसिम्प्टोटिक गुणों को स्थापित करता है और सरल माध्य वर्ग त्रुटि अनुमानकों को व्युत्पन्न करता है, जो सिमुलेशन के माध्यम से यह प्रदर्शित करता है कि ये विधियाँ परिमित नमूनों (finite samples) में अच्छा प्रदर्शन करती हैं और उनके मॉडल-आधारित और डिज़ाइन-आधारित गुणों के बीच मुख्य अंतरों पर प्रकाश डालती हैं।

मूल लेखक: Ziyang Lyu, A. H. Welsh

प्रकाशित 2026-03-17

📖 8 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Ziyang Lyu, A. H. Welsh

मूल पेपर CC BY 4.0 (http://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

यहाँ इस शोध पत्र का सरल भाषा और रोज़मर्रा के उदाहरणों के साथ विवरण दिया गया है।

बड़ी तस्वीर: छोटे समूहों के लिए औसत का अनुमान लगाना

कल्पना कीजिए कि आप एक सरकारी अधिकारी हैं जो यह पता लगाने की कोशिश कर रहे हैं कि अलग-अलग कस्बों में लोग ताजे दूध पर कितना पैसा खर्च करते हैं। आपके पास देश के हर घर की एक विशाल सूची (जनसंख्या) है, लेकिन आप प्रत्येक कस्बे में केवल कुछ ही लोगों (नमूना/सैंपल) से पूछ सकते हैं क्योंकि हर किसी से पूछना बहुत महंगा और समय लेने वाला काम है।

समस्या:
यदि कोई कस्बा छोटा है, तो हो सकता है कि आपको केवल 10 या 20 लोगों से ही उत्तर मिलें। यदि आप उन 10 नंबरों का औसत निकालते हैं, तो आपका अनुमान बहुत गलत हो सकता है। हो सकता है कि आपने संयोग से ऐसे 10 लोग चुने हों जिन्हें दूध बहुत पसंद है, या ऐसे 10 लोग जिन्हें दूध बिल्कुल पसंद नहीं है। यह "स्मॉल एरिया एस्टीमेशन" (Small Area Estimation) की समस्या है: जब हमारे पास प्रत्येक समूह के लिए पर्याप्त डेटा नहीं होता, तो हम छोटे समूहों के लिए सटीक अनुमान कैसे लगाएं?

समाधान:
लेखक एक चतुर तरकीब का सुझाव देते हैं: ताकत उधार लेना (borrowing strength)। कस्बे A को अलग से देखने के बजाय, हम कस्बे A को अन्य सभी कस्बों के साथ देखते हैं। हम यह मानकर चलते हैं कि हालांकि हर कस्बा अद्वितीय है, लेकिन वे सभी कुछ सामान्य नियमों का पालन करते हैं (जैसे: "जिनकी आय अधिक है, वे अधिक दूध खरीदते हैं")। इन सामान्य नियमों को समझने के लिए सभी कस्बों के डेटा का उपयोग करके, हम छोटे कस्बों के लिए बहुत बेहतर अनुमान लगा सकते हैं।

अनुमान लगाने के दो तरीके (लक्ष्य)

शोध पत्र में दो थोड़ी अलग चीजों पर चर्चा की गई है जिन्हें हम किसी विशिष्ट कस्बे के लिए अनुमानित करना चाह सकते हैं:

"वास्तविक" औसत (Actual Mean): कस्बे A में अभी दूध खर्च करने का वास्तविक औसत क्या है? यह एक निश्चित संख्या है, लेकिन हमें यह पता नहीं है।
"मॉडल" औसत (Conditional Predictor): यदि कस्बा A सामान्य नियमों का पूरी तरह से पालन करता, तो औसत क्या होता? यह गणितीय मॉडल पर आधारित एक सैद्धांतिक संख्या है।

उपमा (Analogy):
एक कक्षा के छात्रों की कल्पना करें।

लक्ष्य 1 (वास्तविक औसत): आज कक्षा A के छात्रों की वास्तविक औसत ऊंचाई क्या है।
लक्ष्य 2 (मॉडल औसत): स्कूल के सामान्य विकास चार्ट के आधार पर हम कक्षा A की जो औसत ऊंचाई अपेक्षित करते हैं।

शोध पत्र दिखाता है कि जब कक्षाएं छोटी होती हैं, तो ये दोनों संख्याएं बहुत करीब होती हैं, लेकिन वे बिल्कुल एक समान नहीं होतीं। लेखकों ने वास्तविक औसत (लक्ष्य 1) का अधिक सटीक अनुमान लगाने का तरीका विकसित किया है।

"जादुई" फॉर्मूला (EBLUPs)

लेखक EBLUP (एम्पेरिकल बेस्ट लीनियर अनबायस्ड प्रेडिक्टर) नामक विधि का उपयोग करते हैं। इसे एक स्मार्ट "मिक्स-एंड-मैच" कैलकुलेटर के रूप में समझें।

प्रत्यक्ष अनुमान (The Direct Guess): यदि आपके पास कस्बे A में 20 लोग हैं, तो आप उनका औसत लेते हैं। (यदि आपके पास 20 हैं तो अच्छा है, यदि 2 हैं तो बुरा है)।
सिंथेटिक अनुमान (The Synthetic Guess): आप कस्बे A के विशिष्ट डेटा को अनदेखा कर देते हैं और केवल यह अनुमान लगाने के लिए "स्कूल ग्रोथ चार्ट" (मॉडल) का उपयोग करते हैं कि कस्बे A का औसत क्या होना चाहिए। (यदि आपके पास 0 डेटा है तो अच्छा है, लेकिन यह स्थानीय विशिष्टताओं को अनदेखा करता है)।
EBLUP (द मिक्स): यह फॉर्मूला दोनों का भारित औसत (weighted average) लेता है।
- यदि कस्बे A का नमूना बड़ा है, तो फॉर्मूला स्थानीय डेटा पर अधिक भरोसा करता है।
- यदि कस्बे A का नमूना बहुत छोटा है, तो फॉर्मूला "स्कूल ग्रोथ चार्ट" पर अधिक भरोसा करता है।

यह "मिश्रण" आपको सबसे विश्वसनीय अनुमान देता है।

बड़ी खोज: खेल के नियमों को बदलना

लंबे समय तक, सांख्यिकीविदों (statisticians) ने अपने फॉर्मूलों को सिद्ध करने के लिए विशिष्ट नियमों (asymptotics) का उपयोग किया। उन नियमों ने माना कि कस्बों की संख्या बहुत बड़ी होगी, लेकिन प्रत्येक कस्बे का आकार छोटा और स्थिर रहेगा।

पुराने नियमों में खामी:
उन पुराने नियमों के तहत, गणित जटिल हो जाता है। यह केवल हवा की दिशा को देखकर एक छोटे से गाँव के मौसम की भविष्यवाणी करने जैसा है, लेकिन गणित कहता है कि आप तापमान के बारे में कभी भी 100% सुनिश्चित नहीं हो सकते। पुराने तरीकों ने अक्सर "कितनी गलत हो सकती है?" (Mean Squared Error) के लिए जटिल, समझने में कठिन फॉर्मूले दिए।

नया दृष्टिकोण:
लेखकों ने नियम बदल दिए। उन्होंने माना कि कस्बों की संख्या और कस्बों का आकार दोनों बढ़ रहे हैं।

उपमा: कल्पना कीजिए कि आप बेकिंग सीख रहे हैं। पुराने तरीके ने कहा, "आप 1,000 केक बनाएंगे, लेकिन प्रत्येक केक में केवल 1 अंडा होगा।" नया तरीका कहता है, "आप 1,000 केक बनाएंगे, और प्रत्येक केक में अधिक से अधिक अंडे होंगे।"

यह क्यों मायने रखता है:
जब आपके पास प्रत्येक कस्बे में अधिक डेटा (अधिक अंडे) होता है, तो गणित अविश्वसनीय रूप से सरल और स्पष्ट हो जाता है।

सरलता: उन्होंने एक बहुत ही सरल फॉर्मूला पाया जिससे यह गणना की जा सके कि "हम कितने गलत हो सकते हैं?" यह पहले के जटिल फॉर्मूलों की तुलना में समझना बहुत आसान है।
सटीकता: उनका "कितने गलत हो सकते हैं" मापने का नया फॉर्मूला उस प्रसिद्ध "प्रसाद और राव" (Prasad & Rao) फॉर्मूले जितना ही सटीक है जिसे दुनिया 30 वर्षों से उपयोग कर रही है, लेकिन यह समझाने में बहुत आसान है।
विश्वास: उन्होंने साबित किया कि उनके "कॉन्फिडेंस इंटरवल" (वह सीमा जहाँ वास्तविक उत्तर होने की संभावना है) वास्तव में सही हैं।

आश्चर्य: जब मॉडल विफल हो जाता है (दूध का प्रयोग)

अपने सिद्धांत का परीक्षण करने के लिए, लेखों ने अमेरिकी राज्यों में दूध खर्च के वास्तविक डेटा का उपयोग किया। उन्होंने एक सिमुलेशन चलाया जहाँ उन्होंने पूरी जनसंख्या को "फिक्स्ड" (वास्तविक दुनिया की स्थिति की तरह) माना, न कि "रैंडम" (गणितीय सिद्धांत की तरह)।

आश्चर्य:
उन्होंने पाया कि कुछ राज्यों के लिए, उनके "परफेक्ट" गणितीय फॉर्मूले विफल हो गए। कॉन्फिडेंस इंटरवल बहुत संकीले थे, जिसका अर्थ था कि वे अपने गलत उत्तरों को लेकर बहुत अधिक आश्वस्त थे।

क्यों? (जासूसी कार्य):
उन्होंने जांच की और पाया कि इसके मुख्य रूप से दो कारण थे:

चरम आउटलेयर्स (Extreme Outliers): कुछ राज्यों में दूध की खपत के बहुत असामान्य तरीके (अत्यधिक रैंडम प्रभाव) थे जो सामान्य पैटर्न में फिट नहीं बैठते थे।
छोटे नमूने (Small Samples): इन अजीब राज्यों में नमूना आकार भी छोटा था।

सबक:
"मैथ वर्ल्ड" (मॉडल-आधारित) में, हम मानते हैं कि प्रत्येक कस्बा पासे के उछाल (dice roll) का एक रैंडम परिणाम है। यदि कोई कस्बा अजीब है, तो यह केवल एक इत्तेफाक है।
"रियल वर्ल्ड" (डिजाइन-आधारित) में, कस्बा फिक्स्ड है। यदि कोई कस्बा अजीब है, तो वह हमेशा अजीब ही रहेगा। यदि आप एक "अजीब" कस्बे के औसत का अनुमान लगाने के लिए "सामान्य नियम" का उपयोग करते हैं और आपके पास बहुत कम डेटा है, तो आप गलत होंगे।

लेखक समझ गए कि इन विशिष्ट "अजीब" राज्यों के लिए, उन्हें रैंडम भिन्नता के रूप में नहीं, बल्कि निश्चित तथ्यों के रूप में माना जाना चाहिए। नीति निर्धारण के लिए यह अंतर महत्वपूर्ण है।

सारांश: आपको क्या याद रखना चाहिए?

ताकत उधार लेना अच्छा है: छोटे समूहों के लिए अनुमान लगाने के लिए, केवल छोटे समूह को न देखें। बड़ी तस्वीर देखें और दोनों को मिलाएं।
सरलता बेहतर है: लेखकों ने गणित का एक नया तरीका खोजा है जो पुराने, जटिल तरीकों जितना ही सटीक है, लेकिन गणना करने और समझने में बहुत सरल है।
संदर्भ मायने रखता है: एक विधि जो गणितीय सिमुलेशन में पूरी तरह से काम करती है, वह वास्तविक दुनिया में विफल हो सकती है यदि आप जिन समूहों का अध्ययन कर रहे हैं वे "अजीब" (आउटलेयर्स) हैं और आपके पास यह देखने के लिए पर्याप्त डेटा नहीं है।
"स्मॉल" में "स्मॉल": भले ही हम इन्हें "छोटे" क्षेत्र कहते हैं, लेकिन गणित तब सबसे अच्छा काम करता है जब हम यह मानते हैं कि ये क्षेत्र वास्तव में बड़े हो रहे हैं और इनमें अधिक डेटा है, जो अक्सर वास्तविक जीवन में सच होता है (जैसे बड़े स्कूल जिले या अस्पताल क्लस्टर)।

संक्षेप में, यह शोध पत्र सांख्यिकीविदों को छोटे समूहों के बारे में अनुमान लगाने के लिए एक सरल, अधिक विश्वसनीय टूलकिट प्रदान करता है, साथ ही उन्हें चेतावनी भी देता है कि वे तब सावधान रहें जब वे समूह असामान्य रूप से अजीब हों।

यहाँ ज़ियांग ल्यू और ए.एच. वेल्श के शोध पत्र "Small Area Estimation using EBLUPs under the Nested Error Regression Model" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

स्मॉल एरिया एस्टीमेशन (SAE) का उद्देश्य डोमेन-विशिष्ट विशेषताओं (जैसे माध्य या योग) के लिए विश्वसनीय अनुमान प्रदान करना है, जब उन डोमेन के भीतर छोटे नमूना आकार (sample sizes) के कारण प्रत्यक्ष सर्वेक्षण अनुमानों में मानक त्रुटियाँ (standard errors) बहुत अधिक होती हैं।

मुख्य चुनौती: पारंपरिक मॉडल-आधारित SAE, नेस्टेड एरर रिग्रेशन (NER) मॉडल (या रैंडम इंटरसेप्ट मॉडल) पर निर्भर करता है। मानक एसिम्प्टोटिक फ्रेमवर्क में एक महत्वपूर्ण सैद्धांतिक अंतराल मौजूद है, जो यह मानता है कि क्षेत्रों की संख्या ( $g$ $g$ ) बढ़ती है जबकि क्षेत्रों का आकार ( $N_i$ $N_{i}$ ) स्थिर रहता है। इस फ्रेमवर्क के तहत:
- अनुमानक (Estimators) सुसंगत (consistent) नहीं होते हैं।
- एसिम्प्टोटिक वितरण अज्ञात होते हैं।
- सटीक मीन स्क्वेयर्ड एरर (MSE) अनुमानक और वैध प्रेडिक्शन इंटरवल प्राप्त करना कठिन होता है।
- अनुमान के लक्ष्य को लेकर अस्पष्टता है: वास्तविक स्मॉल एरिया मीन ( $\bar{y}_i$ ) बनाम कंडीशनल लीनियर प्रेडिक्टर ( $\eta_i$ , रैंडम इफेक्ट्स के दिए होने पर प्रत्याशा)। हालांकि इन्हें अक्सर विनिमेय (interchangeable) माना जाता है, लेकिन इनके वेरिएंस और MSE अलग-अलग होते हैं।
लक्ष्य: लेखकों का लक्ष्य एक कठोर सैद्धांतिक ढांचा स्थापित करना है जो "फिक्स्ड एरिया साइज" की बाधा को हटाकर सरल, सटीक MSE अनुमानकों और वैध प्रेडिक्शन इंटरवल के व्युत्पन्न (derivation) की अनुमति देता है।

2. कार्यप्रणाली (Methodology)

A. एसिम्प्टोटिक फ्रेमवर्क (Asymptotic Framework)

यह शोध पत्र एक नया एसिम्प्टोटिक फ्रेमवर्क पेश करता है जहाँ स्मॉल एरिया की संख्या ( $g$ ) और न्यूनतम एरिया सैंपल साइज ( $n_L$ ) दोनों अनंत ( $\infty$ ) की ओर बढ़ते हैं। यह प्रसाद और राव (1990) के फ्रेमवर्क के विपरीत है।

मॉडल: नेस्टेड एरर रिग्रेशन मॉडल: $y_{ij} = \mu(x_{ij}) + \alpha_i + e_{ij}$ , जहाँ $\alpha_i$ रैंडम एरिया इफेक्ट्स हैं और $e_{ij}$ यूनिट-लेवल एरर्स हैं। लेखक क्षेत्र-स्तर (within-area) और क्षेत्र-बीच (between-area) के कोवेरियेट्स के बीच अंतर करते हैं।
लक्ष्य (Targets):
1. $\bar{y}_i$ : क्षेत्र $i$ का वास्तविक परिमित जनसंख्या माध्य (finite population mean)।
2. $\eta_i$ : कंडीशनल एक्सपेक्टेशन $E(\bar{y}_i | \text{random effects})$ ।
अनुमानक (Estimators): लेखक दोनों लक्ष्यों के लिए एम्पेरिकल बेस्ट लीनियर अनबायस्ड प्रेडिक्टर्स (EBLUPs) का विश्लेषण करते हैं, जिन्हें $\hat{M}^{sam}_i$ ( $\bar{y}_i$ के लिए) और $\hat{M}^{clp}_i$ ( $\eta_i$ के लिए) के रूप में दर्शाया गया है।

B. सैद्धांतिक व्युत्पन्न (Theoretical Derivations)

पैरामीटर अनुमान (Lyu & Welsh, 2022) और EBLUPs (Lyu & Welsh, 2021) के हालिया परिणामों का उपयोग करते हुए, लेखक निम्नलिखित व्युत्पन्न करते हैं:

एसिम्प्टोटिक लीनियरिटी: वे स्थापित करते हैं कि अनुमानकों को त्रुटियों के लीनियर फंक्शन द्वारा अनुमानित किया जा सकता है।
सेंट्रल लिमिट थ्योरम्स (CLT): वे सिद्ध करते हैं कि अनुमानक एसिम्प्टोटिक रूप से नॉर्मल हैं।
- $\hat{M}^{sam}_i$ के लिए, एसिम्प्टोटिक वितरण लक्ष्य $\bar{y}_i$ और एरर टर्म पर निर्भर करता है।
- महत्वपूर्ण रूप से, वे दिखाते हैं कि बढ़ते हुए एरिया साइज के तहत, दोनों लक्ष्यों के बीच का अंतर ( $\bar{y}_i - \eta_i$ ) $O_p(N_i^{-1/2})$ की दर से लुप्त हो जाता है, जिससे अनुमानक एसिम्प्टोटिक रूप से समान (equivalent) हो जाते हैं।
सरल MSE व्युत्पन्न: वे एक अत्यंत सरल एसिम्प्टोटिक प्रेडिक्शन MSE व्युत्पन्न करते हैं:
$MSE_{LW,i} \approx n_i^{-1} k_i \sigma_e^2$
जहाँ $k_i = (N_i - n_i)/N_i$ एक नॉन-सैंपलिंग फ्रैक्शन है। इससे एक सरल अनुमानक $\widehat{MSE}_{LW,i} = n_i^{-1} k_i \hat{\sigma}_e^2$ प्राप्त होता है।
प्रेडिक्शन इंटरवल्स: CLT के आधार पर, वे सरल नॉर्मल-आधारित प्रेडिक्शन इंटरवल (जिन्हें sam-LW और clp-LW कहा जाता है) का निर्माण करते हैं, जो यह गारंटी देते हैं कि रैंडम इफेक्ट्स या एरर्स की नॉर्मलिटी की धारणा के बिना भी सही एसिम्प्टोटिक कवरेज प्राप्त होगा।

C. सिमुलेशन अध्ययन (Simulation Studies)

लेखक अपने सिद्धांत को दो प्रकार के सिमुलेशन के माध्यम से सत्यापित करते हैं:

मॉडल-आधारित सिमुलेशन: NER मॉडल से अलग-अलग $g$ , $N_i$ , और नॉन-नॉर्मल डिस्ट्रीब्यूशन के साथ डेटा उत्पन्न किया जाता है ताकि प्रस्तावित LW (Lyu-Welsh) अनुमानक के फाइनाइट सैंपल प्रदर्शन का व्यापक रूप से उपयोग किए जाने वाले प्रसाद-राव (PR) अनुमानक के विरुद्ध परीक्षण किया जा सके।
डिज़ाइन-आधारित सिमुलेशन: वास्तविक डेटा (US कंज्यूमर एक्सपेंडिचर ऑन फ्रेश मिल्क) का उपयोग एक फिक्स्ड पॉपुलेशन के रूप में किया गया है। वे मॉडल-आधारित अनुमानकों के डिज़ाइन-आधारित गुणों (बायस, कवरेज) का मूल्यांकन करने के लिए इस निश्चित जनसंख्या से बार-बार नमूने लेते हैं।

3. मुख्य योगदान (Key Contributions)

नया एसिम्प्टोटिक फ्रेमवर्क: यह पेपर SAE में एक नया "बढ़ते हुए एरिया साइज" वाला एसिम्प्टोटिक फ्रेमवर्क सफलतापूर्वक लागू करता है। यह फिक्स्ड-एरिया एसिम्प्टोटिक्स की सीमाओं को दूर करता है, जिससे सुसंगत अनुमानकों और ज्ञात एसिम्प्टोटिक वितरणों का व्युत्पन्न संभव होता है।
सरलीकृत MSE अनुमान: लेखक एक क्लोज्ड-फॉर्म, सरल एसिम्प्टोटिक MSE ( $n_i^{-1} k_i \sigma_e^2$ ) प्रदान करते हैं। यह प्रसाद-राव दृष्टिकोण में उपयोग किए जाने वाले जटिल सेकंड-ऑर्डर टेलर एक्सपेंशन की तुलना में काफी सरल है।
सैद्धांतिक एकीकरण: वे प्रदर्शित करते हैं कि उनके फ्रेमवर्क के तहत, वास्तविक माध्य ( $\bar{y}_i$ ) और कंडीशनल प्रेडिक्टर ( $\eta_i$ ) के अनुमान के बीच का अंतर एसिम्प्टोटिक रूप से नगण्य हो जाता है, जो बड़े क्षेत्रों में उन्हें विनिमेय मानने के सामान्य अभ्यास को न्यायसंगत बनाता है।
डिज़ाइन-आधारित अंतर्दृष्टि: यह अध्ययन मॉडल-आधारित और डिज़ाइन-आधारित गुणों के बीच एक महत्वपूर्ण विचलन को प्रकट करता है। जबकि मॉडल-आधारित सिद्धांत मानता है कि रैंडम इफेक्ट्स हर पुनरावृत्ति (replication) में नए सिरे से उत्पन्न होते हैं, डिज़ाइन-आधारित अनुमान जनसंख्या (और इस प्रकार रैंडम इफेक्ट्स) को स्थिर मानता है।

4. परिणाम (Results)

मॉडल-आधारित सिमुलेशन परिणाम

प्रदर्शन: प्रस्तावित LW MSE अनुमानक, कम से कम 15 क्षेत्रों और प्रति क्षेत्र 20 इकाइयों के साथ भी, फाइनाइट सैंपल में प्रसाद-राव (PR) अनुमानक के बराबर या उससे बेहतर प्रदर्शन करता है।
सरलता: LW अनुमानक को कंप्यूट और इंटरप्रेट करना बहुत सरल है।
कवरेज: LW अनुमानक का उपयोग करके बनाए गए प्रेडिक्शन इंटरवल नाममात्र (nominal) 95% कवरेज स्तरों को सटीक रूप से प्राप्त करते हैं।
रूढ़िवादिता (Conservatism): PR अनुमानक, LW अनुमानक की तुलना में अधिक रूढ़िवादी (बड़ा MSE, व्यापक अंतराल) होने की प्रवृत्ति रखता है, जो इस सैद्धांतिक अपेक्षा के अनुरूप है कि PR, $\eta_i$ के लिए MSE (जो कि बड़ा है) का अनुमान लगाता है, भले ही वह $\bar{y}_i$ का अनुमान लगा रहा हो।

डिज़ाइन-आधारित सिमुलेशन परिणाम (वास्तविक डेटा)

आश्चर्यजनक निष्कर्ष: मिल्क एक्सपेंडिचर डेटा का उपयोग करने वाले डिज़ाइन-आधारित सिमुलेशन में, मॉडल-आधारित अंतराल (विशेष रूप से कंडीशनल प्रेडिक्टर, clp-LW) विशिष्ट राज्यों (ग्रुप 3) के लिए नाममात्र कवरेज प्राप्त करने में विफल रहे।
व्याख्या: यह विफलता उन राज्यों में हुई जहाँ एक्सट्रीम रैंडम इफेक्ट्स (EBLUPs) और छोटे-से-मध्यम नमूना आकार थे।
- मॉडल-आधारित दृष्टिकोण: रैंडम इफेक्ट्स i.i.d. वास्तविकताओं हैं; एक्सट्रीम वैल्यूज केवल दुर्लभ ड्रॉ हैं।
- डिज़ाइन-आधारित दृष्टिकोण: जनसंख्या निश्चित है। यदि किसी विशिष्ट राज्य का रैंडम इफेक्ट बड़ा और स्थिर है, तो EBLUP एक निश्चित, एक्सट्रीम वैल्यू को अनुमानित करने की कोशिश कर रहा है। मानक मॉडल-आधारित वेरिएंस, डिज़ाइन-आधारित संदर्भ में इन निश्चित एक्सट्रीम्स को अनुमानित करने की कठिनाई को कम करके आंकता है।
समाधान: जब लेखकों ने क्षेत्रों के प्रभावों को फिक्स्ड (फिक्स्ड-इफेक्ट्स रिग्रेशन मॉडल का उपयोग करके) मानकर सिमुलेशन को फिर से चलाया, तो प्रेडिक्शन इंटरवल ने अच्छा प्रदर्शन किया। यह पुष्टि करता है कि डिज़ाइन-आधारित सेटिंग्स में विशिष्ट क्षेत्रों के लिए मिक्सड-मॉडल अनुमानकों का खराब प्रदर्शन, फिक्स्ड एक्सट्रीम रैंडम इफेक्ट्स को अनुमानित करने की कठिनाई के कारण है।

5. महत्व (Significance)

सैद्धांतिक प्रगति: यह पेपर बढ़ते हुए एरिया-साइज फ्रेमवर्क के तहत SAE के लिए पहले कठोर एसिम्प्टोटिक औचित्य प्रदान करके एक प्रमुख सैद्धांतिक अंतराल को भरता है। यह अनुमान (inference) के लिए सरल नॉर्मल एप्रोक्सिमेशन के उपयोग को मान्य करता है।
व्यावहारिक उपयोगिता: प्रस्तावित LW अनुमानक, जटिल प्रसाद-राव पद्धति का एक कम्प्यूटेशनल रूप से कुशल और सैद्धांतिक रूप से सुदृढ़ विकल्प प्रदान करता है, जिससे चिकित्सकों के लिए वैध प्रेडिक्शन इंटरवल बनाना आसान हो जाता है।
महत्वपूर्ण अंतर: यह पेपर SAE में मॉडल-आधारित और डिज़ाइन-आधारित अनुमान के बीच एक महत्वपूर्ण, अक्सर अनदेखे अंतर को उजागर करता है। यह चेतावनी देता है कि जबकि मिक्सड मॉडल मॉडल-आधारित भविष्यवाणी के लिए अच्छी तरह से काम करते हैं, वे एक्सट्रीम विशेषताओं वाले छोटे नमूनों वाले क्षेत्रों के लिए डिज़ाइन-आधारित सेटिंग्स में भ्रामक कॉन्फिडेंस इंटरवल दे सकते हैं।
भविष्य की दिशा: लेखक सुझाव देते हैं कि डिज़ाइन-आधारित अनुमान के लिए, जब लक्ष्य एक विशिष्ट, निश्चित जनसंख्या के बारे में निष्कर्ष निकालना हो, तो एरिया इफेक्ट्स को रैंडम (के बजाय) फिक्स्ड मानना अधिक मजबूत दृष्टिकोण हो सकता है।

संक्षेप में, ल्यू और वेल्श स्मॉल एरिया एस्टीमेशन के लिए एक मजबूत सैद्धांतिक आधार प्रदान करते हैं जो MSE गणना और इंटरवल निर्माण को सरल बनाता है, साथ ही विषम क्षेत्र विशेषताओं वाले निश्चित जनसंख्याओं के लिए मानक मिक्सड मॉडल्स की सीमाओं के बारे में गहरी अंतर्दृष्टि भी देता है।