📊 statistics

Moving Aggregate Modified Autoregressive Copula-Based Time Series Models (MAGMAR-Copulas)

यह शोध पत्र मूविंग एग्रीगेट मॉडिफाइड ऑटोरेग्रेसिव कोपुला-आधारित टाइम सीरीज़ (MAGMAR-Copula) मॉडल प्रस्तुत करता है, जो मार्कोव प्रॉपर्टी धारणा को शिथिल करने के लिए एक मूविंग एग्रीगेट घटक को शामिल करके पारंपरिक कोपुला-आधारित दृष्टिकोणों का विस्तार करता है, जिससे अमेरिकी मुद्रास्फीति डेटा के माध्यम से प्रमाणित एक लचीला, गैर-रेखीय ARMA मॉडल का सामान्यीकरण प्राप्त होता है।

मूल लेखक: Sven Pappert

प्रकाशित 2026-03-24

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Sven Pappert

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

मुख्य विचार: डेटा के मौसम की भविष्यवाणी करना

कल्पना कीजिए कि आप अगले सप्ताह के मौसम की भविष्यवाणी करने की कोशिश कर रहे हैं। आप पिछले कुछ दिनों (सोमवार, मंगलवार, बुधवार) को देखते हैं ताकि गुरुवार का अनुमान लगाया जा सके।

अधिकांश मानक सांख्यिकीय मॉडल (statistical models) एक अल्पकालिक स्मृति (short-term memory) की तरह काम करते हैं। वे मानते हैं कि कल की भविष्यवाणी करने के लिए, आपको केवल यह जानने की आवश्यकता है कि कल क्या हुआ था, परसों क्या हुआ था, और शायद उससे एक दिन पहले क्या हुआ था। यदि वे बहुत पीछे जाते हैं, तो वे कहते हैं, "यह अब मायने नहीं रखता।" सांख्यिकी में, इसे मार्कोव प्रॉपर्टी (Markov Property) कहा जाता है।

समस्या: वास्तविक जीवन इतना सरल नहीं है।
अमेरिकी मुद्रास्फीति (US Inflation) या शेयर बाजार की अस्थिरता (Stock Market Volatility) के बारे में सोचें। यदि आज अर्थव्यवस्था में कोई बड़ा झटका लगता है, तो उसके प्रभाव तीन दिनों के बाद गायब नहीं होते। वे बने रहते हैं। वे "गुच्छों" (clusters) में आते हैं। आज उच्च मुद्रास्फीति का एक दौर होने का मतलब है कि कल भी उच्च मुद्रास्फीति होने की संभावना अधिक है, जिससे परसों भी इसकी संभावना बढ़ जाती है, और इसी तरह। सिस्टम की "स्मृति" मानक मॉडलों द्वारा मानी गई स्मृति से कहीं अधिक लंबी होती है।

यह शोध पत्र इस समस्या को ठीक करने के लिए MAGMAR-Copulas नामक एक नया उपकरण पेश करता है। यह अल्पकालिक स्मृति से अपग्रेड होकर एक दीर्घकालिक, लचीली स्मृति (long-term, flexible memory) की तरह है जो जटिल, गैर-रेखीय (non-linear) संबंधों को संभाल सकती है।

सामग्री: "कोपुला" (Copula) क्या है?

नए मॉडल तक पहुँचने से पहले, हमें इसके निर्माण खंड को समझना होगा: कोपुला (Copula)।

कल्पना कीजिए कि आपके पास एक केक के लिए दो सामग्रियां हैं:

सीमांत वितरण (Marginal Distribution): यह केक का स्वाद है (जैसे, क्या यह चॉकलेट है या वनीला?)। डेटा में, यह आपके डेटा का "आकार" है (क्या यह झुका हुआ है? क्या इसमें अत्यधिक आउटलेयर्स हैं?)।
कोपुला (Copula): यह वह नुस्खा (recipe) या गोंद है जो सामग्रियों को समय के साथ एक साथ जोड़कर रखता है। यह बताता है कि आज का मान कल के मान से कैसे जुड़ा हुआ है।

मानक मॉडल अक्सर एक "रेखीय नुस्खे" (जैसे एक सीधी रेखा) का उपयोग करते हैं। लेकिन वास्तविक दुनिया का डेटा अव्यवस्थित होता है। कभी-कभी आज का छोटा सा बदलाव कल एक बड़ी प्रतिक्रिया पैदा करता है; अन्य समय में, बड़े बदलावों का कोई प्रभाव नहीं पड़ता। एक कोपुला हमें इस संबंध का वर्णन करने के लिए एक लचीला, गैर-रेखीय नुस्खा उपयोग करने की अनुमति देता है।

नवाचार: "मूविंग एग्रीगेट" (Moving Aggregate - MAG)

लेखकों ने महसूस किया कि मानक कोपुला मॉडलों में अभी भी "अल्पकालिक स्मृति" की समस्या है। वे मानते हैं कि यदि आप इतिहास में काफी पीछे जाते हैं, तो संबंध कट जाता है।

इसे ठीक करने के लिए, उन्होंने एक मूविंग एग्रीगेट (Moving Aggregate - MAG) भाग जोड़ा है।

उपमा: एक घाटी में गूँज (The Echo in a Canyon)

मानक मॉडल (AR): आप एक घाटी में चिल्लाते हैं। गूँज निकटतम दीवार से वापस आती है। एक बार जब वह गूँज फीकी पड़ जाती है, तो आप कुछ नहीं सुनते। यह एक ऐसे मॉडल की तरह है जो केवल पिछले कुछ दिनों को देखता है।
नया मॉडल (MAGMAR): आप एक ऐसी घाटी में चिल्लाते हैं जिसमें अलग-अलग दूरियों पर कई दीवारें हैं। आपकी आवाज़ पहली दीवार से टकराती है, फिर दूसरी, फिर तीसरी, जिससे एक जटिल, लंबे समय तक चलने वाली ध्वनि उत्पन्न होती है।
- AR भाग तत्काल गूँज है (आज कल पर निर्भर है)।
- MAG भाग "मूविंग एग्रीगेट" है। यह अतीत के सभी छोटे "झटकों" या "गूँजों" को इकट्ठा करता है और उन्हें आज को प्रभावित करने के लिए एक गैर-रेखीय तरीके से मिलाता है।

केवल पिछले नंबरों को जोड़ने (जैसे एक मानक औसत) के बजाय, यह मॉडल अतीत के आश्चर्यों (innovations) को एक जटिल, लचीले तरीके से एग्रीगेट (एकत्रित) करता है।

यह एक बड़ी बात क्यों है?

यह "कट-ऑफ" नियम को तोड़ता है: पुराने मॉडलों में, यदि आप 10 दिन पीछे देखते थे, तो संबंध शून्य हो जाता था। इस नए मॉडल में, संबंध वास्तव में कभी शून्य नहीं होता; यह बस कमजोर होता जाता है। यह निरंतरता (persistence/long-term memory) को बहुत बेहतर तरीके से पकड़ता है।
यह एक "सुपर-मॉडल" है: लेखक सिद्ध करते हैं कि उनका नया मॉडल एक "पैरेंट" मॉडल है। यदि आप जटिल भागों को बंद कर देते हैं, तो यह एक मानक रेखीय मॉडल (ARMA) या एक मानक कोपुला मॉडल बन जाता है। यह उन सभी को अपने भीतर समाहित करता है।
यह "हेवी टेल्स" (Heavy Tails) को संभालता है: वास्तविक डेटा में अक्सर "भारी पूंछ" (extreme events) होती हैं (अत्यधिक घटनाएं बेल कर्व की भविष्यवाणी से अधिक बार होती हैं)। यह मॉडल रैखिक मॉडलों की तुलना में इन चरम झटकों को बेहतर ढंग से संभाल सकता है।

"एडजस्टमेंट" (Adjustment) का तरीका

एक छोटी सी समस्या थी। जब उन्होंने इस दीर्घकालिक स्मृति को जोड़ा, तो गणित थोड़ा जटिल हो गया, और अंतिम आउटपुट एक आदर्श "मानक" वितरण की तरह नहीं दिख रहा था (यह थोड़ा विकृत था)।

समाधान: उन्होंने एक एडजमेंट ट्रांसफॉर्मेशन (Adjustment Transformation) पेश किया।
इसे एक दर्जी (tailor) की तरह समझें। मॉडल एक ऐसा सूट बनाता है जो डेटा की दीर्घकालिक स्मृति के लिए एकदम सही हो, लेकिन कपड़ा थोड़ा गलत आकार का होता है। "दर्जी" (एडजस्टमेंट ट्रांसफॉर्मेशन) कपड़े को थोड़ा खींचता या सिकोड़ता है ताकि अंतिम सूट फिर से बिल्कुल सही फिट हो सके। यह सुनिश्चित करता है कि मॉडल अपनी शक्तिशाली दीर्घकालिक स्मृति बनाए रखते हुए गणितीय रूप से सुदृढ़ बना रहे।

वास्तविक दुनिया का परीक्षण: अमेरिकी मुद्रास्फीति (US Inflation)

लेखकों ने इसका परीक्षण अमेरिकी मुद्रास्फीति डेटा (1960 से 2020 तक की त्रैमासिक संख्याएं) पर किया।

चुनौती: मुद्रास्फीति पेचीदा है। इसमें "गुच्छे" होते हैं (उच्च मुद्रास्फीति के बाद उच्च मुद्रास्फीति के दौर) और "असममिति" (asymmetry) होती है (यह अच्छी खबर बनाम बुरी खबर पर अलग तरह से प्रतिक्रिया करती है)।
परिणाम: नया MAGMAR-Copula मॉडल पिछले सर्वश्रेष्ठ मॉडलों (जैसे मैकनील और ब्लाड्ट द्वारा विकसित मॉडल) से बेहतर प्रदर्शन करता है।
क्यों? इसने सफलतापूर्वक मुद्रास्फीति की दीर्घकालिक स्मृति और आर्थिक झटकों की हेवी-टेल्ड (heavy-tailed) प्रकृति को पकड़ा। इसने महसूस किया कि आज की मुद्रास्फीति कई वर्षों पहले की घटनाओं से प्रभावित है, न कि केवल पिछली तिमाही से।

एक वाक्य में सारांश

लेखकों ने एक नया सांख्यिकीय "सुपर-मॉडल" बनाया है जो कोपुला (अजीब डेटा आकृतियों को संभालने के लिए लचीलापन) की शक्ति को मूविंग एग्रीगेट तंत्र (दूर के अतीत को याद रखने के लिए) के साथ जोड़ता है, जिससे हम मुद्रास्फीति जैसे जटिल, लंबे समय तक चलने वाले रुझानों की पहले की तुलना में बहुत अधिक सटीकता से भविष्यवाणी कर सकते हैं।

यहाँ स्वेन पैपरट (Sven Pappert) के शोध पत्र "Moving Aggregate Modified Autoregressive Copula-Based Time Series Models (MAGMAR-Copulas)" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

कौपला-आधारित टाइम सीरीज़ मॉडल लचीले मार्जिनल डिस्ट्रीब्यूशन और गैर-रेखीय (non-linear) टेम्पोरल डिपेंडेंसी के साथ यूनिवेरिएट, स्टेशनरी टाइम सीरीज़ को मॉडल करने के लिए शक्तिशाली उपकरण हैं। हालाँकि, मानक कौपला-आधारित मॉडल (जैसे, चेन और फैन, 2006 द्वारा) निहित रूप से एक सीमित मार्कोव ऑर्डर $p$ मानते हैं। इसका अर्थ यह है कि वर्तमान अवलोकन $X_t$ केवल पिछले $p$ अवलोकनों ( $X_{t-1}, \dots, X_{t-p}$ ) पर निर्भर करता है।

वास्तविकता में, कई टाइम सीरीज़ दीर्घकालिक निरंतरता (long-term persistence/अनंत आंशिक निर्भरता) प्रदर्शित करती हैं जहाँ पिछले मानों का प्रभाव अचानक समाप्त नहीं होता है। उदाहरण के तौर पर वित्तीय डेटा में वोलेटिलिटी क्लस्टरिंग या मुद्रास्फीति जैसे मैक्रोइकोनॉमिक संकेतकों में निरंतर व्यवहार शामिल है।

वर्तमान मॉडलों की सीमा: पैरामीटर्स की संख्या में होने वाले विस्फोट के कारण मार्कोव ऑर्डर $p$ को अनंत तक बढ़ाना कम्प्यूटेशनल रूप से अव्यवहार्य है।
रेखीय मॉडलों की सीमा: जबकि शास्त्रीय ARMA मॉडल मूविंग एवरेज (MA) टर्म्स के माध्यम से अनंत मेमोरी को संभालते हैं, वे रेखीय हैं और गॉसियन/एलिप्टिकल डिस्ट्रीब्यूशन मानते हैं, जिससे वे जटिल गैर-रेखीय निर्भरता और भारी पूंछ (heavy tails) को पकड़ने में विफल रहते हैं जो वास्तविक डेटा में अक्सर पाए जाते हैं।

यह शोध पत्र एक गैर-रेखीय, कौपला-आधारित मॉडल की आवश्यकता को संबोधित करता है जो मार्कोव ऑर्डर को बढ़ाए बिना दीर्घकालिक स्मृति (long-term memory) को कैप्चर कर सके।

2. कार्यप्रणाली: MAGMAR-Copula मॉडल (Methodology)

लेखक Moving Aggregate Modified Autoregressive Copula-Based Time Series Model (MAGMAR-Copula) प्रस्तावित करते हैं। यह मॉडल शास्त्रीय ARMA मॉडलों के तर्क को कौपला फ्रेमवर्क में अनुकूलित करता है।

मुख्य अवधारणा (Core Concept)

यह मॉडल एक मूविंग एग्रीगेट (MAG) घटक पेश करके मानक ऑटोरेग्रेसिव अपडेटिंग समीकरण को संशोधित करता है।

मानक कौपला मॉडल: $U_t = C^{-1}_{\phi}[w_t | U_{t-1}, \dots, U_{t-p}]$
MAGMAR मॉडल: इनोवेशन टर्म $w_t$ $w_{t}$ को वर्तमान और पिछले इनोवेशंस के एक गैर-रेखीय एकत्रीकरण (aggregation) द्वारा प्रतिस्थापित किया जाता है।
$R^1_{\phi}((U_{t-p}, \dots, U_{t-1}), U_t) = (R^1_{\theta})^{-1}((w_{t-q}, \dots, w_{t-1}), w_t)$
जहाँ:
- $U_t$ छद्म-अवलोकन (pseudo-observations) हैं (प्रोबेबिलिटी इंटीग्रल ट्रांसफॉर्मड डेटा)।
- $R^1$ रोसेनब्लैट ट्रांसफॉर्मेशन (D-vine कौपला से प्राप्त h-फंक्शन्स का संयोजन) का प्रतिनिधित्व करता है।
- AR-भाग (बायां पक्ष): $\phi$ मापदंडों द्वारा संचालित एक AR-कौपला द्वारा नियंत्रित है, जो पिछले $U$ मानों पर निर्भरता को मॉडल करता है।
- MAG-भाग (दायां पक्ष): $\theta$ मापदंडों द्वारा संचालित एक MAG-कौपला द्वारा नियंत्रित है, जो वर्तमान और पिछले इनोवेशंस ( $w$ ) के एकत्रीकरण को मॉडल करता है। यह $(0,1)^{q+1} \to (0,1)$ का एक गैर-रेखीय फलन है।

प्रमुख सैद्धांतिक विकास (Key Theoretical Developments)

अनंत निरूपण (Infinite Representations): शोध पत्र AR( $\infty$ ) और MAG( $\infty$ ) निरूपणों को व्युत्पन्न करता है, यह सिद्ध करता है कि यह मॉडल प्रभावी रूप से अनंत आंशिक निर्भरता रखता है, ठीक वैसे ही जैसे रेखीय मामले में ARMA( $p,q$ ), AR( $\infty$ ) और MA( $\infty$ ) को दर्शाता है।
स्टेशनैरिटी और एर्गोडिसिटी (Stationarity and Ergodicity):
- लेखक सिद्ध करते हैं कि MAGMAR(1,1) मॉडल पूर्णतः स्टेशनरी और एर्गोडिक है यदि AR-कौपला एक "कंट्रैक्शन-ऑन-एवरेज" गुण (Douc et al., 2014 पर आधारित) को संतुष्ट करता है।
- नॉर्मल कौपला केस के लिए विशिष्ट प्रमाण दिए गए हैं।
डिस्ट्रीब्यूशनल एडजस्टमेंट (Distributional Adjustment): एक महत्वपूर्ण निष्कर्ष यह है कि अन-एडजस्टेड MAGMAR प्रक्रिया का अनकंडीशनल स्टेशनरी डिस्ट्रीब्यूशन मानक यूनिफॉर्म नहीं है (इनपुट इनोवेशंस के विपरीत)।
- समाधान: एक सहायक एडजस्टमेंट ट्रांसफॉर्मेशन $\Psi$ पेश किया गया है। अंतिम प्रेक्षित श्रृंखला $\tilde{U}_t = \Psi(U_t)$ है।
- $\Psi$ को इटरेटिव तरीके से (जैसे, कर्नल डेंसिटी एस्टीमेशन के माध्यम से) अनुमानित किया जाता है ताकि यह सुनिश्चित हो सके कि फिट किए गए मॉडल का मार्जिनल डिस्ट्रीब्यूशन स्टैंडर्ड यूनिफॉर्म है, जो मॉडल मिस-स्पेसिफिकेशन को ठीक करता है।
लाइकलीहुड और एस्टीमेशन (Likelihood and Estimation):
- चेन रूल और D-vines के कंडीशनल इंडिपेंडेंस गुणों का उपयोग करके जॉइंट लाइकलीहुड को व्युत्पन्न किया गया है।
- एस्टीमेशन मैक्सिमम लाइकलीहुड एस्टीमेशन (MLE) के माध्यम से किया जाता है, जो ARMA/GARCH मॉडलों के समान एक इटरेटिव स्कीम का उपयोग करता है।
- शोध पत्र MAG(1) घटक के लिए MLE की कंसिस्टेंसी स्थापित करता है।

3. प्रमुख योगदान (Key Contributions)

नवीन मॉडल संरचना: MAGMAR-Copula का परिचय, जो एक गैर-रेखीय मूविंग एग्रीगेट टर्म को स्पष्ट रूप से शामिल करने वाला पहला कौपला-आधारित टाइम सीरीज़ मॉडल है, जो अनंत आंशिक निर्भरता की अनुमति देता है।
सैद्धांतिक कठोरता: डिस्ट्रीब्यूशनल गुणों का व्युत्पन्न, जिसमें गैर-यूनिफॉर्म स्टेशनरी डिस्ट्रीब्यूशन और कंट्रैक्शन स्थितियों के तहत स्टेशनैरिटी का प्रमाण शामिल है।
नेस्टेड मॉडल: यह मॉडल या तो शास्त्रीय रेखीय ARMA मॉडल (जब नॉर्मल कौपला का उपयोग किया जाता है) या मानक परिमित-क्रम (finite-order) कौपला-आधारित टाइम सीरीज़ मॉडल (जब MAG भाग एक इंडिपेंडेंस कौपला है) को अपने भीतर समाहित (nest) करता है।
व्यावहारिक एस्टीमेशन फ्रेमवर्क: गैर-यूनिफॉर्म स्टेशनरी डिस्ट्रीब्यूशन को संभालने के लिए एक इटरेटिव एल्गोरिदम का विकास, जो इस मॉडल को वास्तविक दुनिया के डेटा के लिए लागू करने योग्य बनाता है।

4. परिणाम (Results)

शोध पत्र सिमुलेशन अध्ययनों और एक वास्तविक दुनिया के अनुप्रयोग के माध्यम से मॉडल का मूल्यांकन करता है।

सिमुलेशन अध्ययन (Simulation Study)

एसिम्प्टोटिक्स (Asymptotics): CLT सांख्यिकी के QQ-प्लॉट्स पुष्टि करते हैं कि बड़े सैंपल साइज के लिए AR और MAG पैरामीटर्स के लिए MLE एस्टिमेटर्स कंसिस्टेंट और एसिम्प्टोटिकली नॉर्मल हैं।
टॉय एग्जांपल (Toy Example): मॉडल सिमुलेटेड डेटा में जटिल डायनेमिक्स को सफलतापूर्वक कैप्चर करता है, जहाँ मानक मार्कोवियन कौपला मॉडल (उच्च क्रम के साथ भी) और IPD मॉडल (McNeil & Bladt, 2022) AIC के मामले में खराब प्रदर्शन करते हैं।
तुलना: जब अंतर्निहित डेटा जनरेटिंग प्रोसेस नॉन-गॉसियन था, तब MAGMAR मॉडल ने लॉन्ग-टर्म डिपेंडेंसी को कैप्चर करने में IPD मॉडल से बेहतर प्रदर्शन किया।

अनुप्रयोग: अमेरिकी मुद्रास्फीति (Application: US Inflation)

डेटा: त्रैमासिक अमेरिकी मुद्रास्फीति डेटा (1960–2020)।
निष्कर्ष:
- सबसे अच्छा प्रदर्शन करने वाला मॉडल $\Psi(2)$ -MAGMAR(4, 1)-(g,i,n,g)-(t) था।
- कौपला चयन: एक Gumbel कौपला के समावेश ने एसिमेट्रिक टेम्पोरल टेल डिपेंडेंस का संकेत दिया, जबकि एक t-copula ने हेवी-टेल्ड डिपेंडेंसी को दर्शाया।
- ऑर्डर चयन: मॉडल को 4 ऑटोरेग्रेसिव लैग्स और 1 MAG लैग की आवश्यकता थी। MAG भाग की आवश्यकता यह सुझाव देती है कि अमेरिकी मुद्रास्फीति सख्ती से एक सीमित मार्कोव प्रॉपर्टी का पालन नहीं करती है।
- प्रदर्शन: MAGMAR मॉडल ने IPD मॉडल (McNeil & Blst, 2022) और मानक मार्कोवियन कौपला मॉडलों की तुलना में सबसे कम AIC और BIC प्राप्त किया।
- फिट: मॉडल ने मुद्रास्फीति डायनेमिक्स के मीडियन और 90% कॉन्फिडेंस इंटरवल को प्रभावी ढंग से कैप्चर करते हुए अच्छा इन-सैंपल फिट प्रदान किया।

5. महत्व (Significance)

रेखीय और गैर-रेखीय के बीच सेतु: MAGMAR-Copula ARMA फ्रेमवर्क का एक कठोर गैर-रेखीय सामान्यीकरण प्रदान करता है, जिससे अर्थशास्त्रियों को मार्जिनल और डिपेंडेंसी स्ट्रक्चर के लिए कौपला की लचीलापन खोए बिना लॉन्ग-मेमोरी प्रभावों को मॉडल करने की अनुमति मिलती है।
निरंतरता को संभालना (Handling Persistence): यह नॉन-गॉसियन सेटिंग्स में "वोलेटिलिटी क्लस्टरिंग" और मीन पर्सिस्टेंस को मॉडल करने के लिए एक समाधान प्रदान करता है, जिसे मानक कौपला मॉडल अत्यधिक पैरामीटराइजेशन के बिना करने में विफल रहते हैं।
व्यावहारिक उपयोगिता: इसका इटरेटिव एडजस्टमेंट मेथड मॉडल को वास्तविक दुनिया के अनुप्रयोगों के लिए मजबूत बनाता है, जहाँ सैद्धांतिक स्टेशनरी डिस्ट्रीब्यूशन अज्ञात या नॉन-यूनिफॉर्म होता है।
भविष्य की दिशाएं: शोध पत्र इस फ्रेमवर्क को मल्टीवेरिएट सेटिंग्स (जैसे, MAGMAR घटकों के साथ Copula-GARCH) में विस्तारित करने और ARCH-प्रकार के मॉडलों के विरुद्ध फोरकास्टिंग प्रदर्शन का पता लगाने का सुझाव देता है।

संक्षेप में, पप्पूर्ट का कार्य कौपला डोमेन में मूविंग एवरेज की अवधारणा को सफलतापूर्वक एकीकृत करके, लॉन्ग-मेमोरी प्रभावों को मॉडल करने के लिए एक लचीला, सैद्धांतिक रूप से सुदृढ़ और अनुभवजन्य रूप से श्रेष्ठ उपकरण प्रदान करके नॉन-लीनियर टाइम सीरीज़ मॉडलिंग के क्षेत्र को महत्वपूर्ण रूप से आगे बढ़ाता है।