📊 statistics

Zero-inflated stochastic volatility model for disaggregated inflation data with exact zeros

यह शोध पत्र सटीक शून्य (exact zeros) युक्त विखंडित (disaggregated) सीपीआई डेटा का सटीक विश्लेषण करने के लिए एक कस्टम पोल्या-गामा संवर्धित गिब्स सैंपलर (Pólya-Gamma augmented Gibbs sampler) के साथ एक ज़ीरो-इन्फ्लेटेड स्टोकेस्टिक वोलाटिलिटी मॉडल प्रस्तावित करता है, जो यह प्रदर्शित करता है कि ज़ीरो-इन्फ्लेशन को ध्यान में रखने से रुझान (trend) और अस्थिरता (volatility) के अधिक सूचनात्मक अनुमान प्राप्त होते हैं और चार उन्नत अर्थव्यवस्थाओं में पूर्वानुमान प्रदर्शन में सुधार होता है।

मूल लेखक: Geonhee Han, Kaoru Irie

प्रकाशित 2026-03-04

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Geonhee Han, Kaoru Irie

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

कल्पना कीजिए कि आप मौसम का पूर्वानुमान लगाने की कोशिश कर रहे हैं। आमतौर पर, आप एक थर्मामीटर देखते हैं जो आपको एक सुचारू, निरंतर रीडिंग देता है: 72°F, 73°F, 71.5°F। आप इस डेटा का उपयोग यह अनुमान लगाने के लिए करते हैं कि क्या कल बारिश होगी या तापमान बढ़ रहा है।

अब, एक टूटे हुए थर्मामीटर की कल्पना करें जो तापमान बताने के बजाय कभी-कभी केवल "0" दिखाता है। इसका मतलब यह नहीं है कि ठंड जम रही है; इसका मतलब सिर्फ यह है कि थर्मामीटर अपडेट नहीं हुआ। हो सकता है कि सेंसर अटक गया हो, शायद बैटरी कुछ समय के लिए बंद हो गई हो, या शायद दुकानदार ने चेक करना ही भूल गया हो।

यदि आप इस टूटे हुए थर्मामीटर का उपयोग करके मौसम का पूर्वानुमान लगाने की कोशिश करेंगे, तो एक मानक कंप्यूटर मॉडल भ्रमित हो जाएगा। वह सोचेगा, "वाह, तापमान अभी निश्चित रूप से 0 है," और वह मान लेगा कि मौसम बहुत शांत और स्थिर है। वह इस तथ्य को नजरअंदाज कर देगा कि तापमान वास्तव में तेजी से बढ़ रहा हो सकता है, लेकिन थर्मामीटर अभी तक आगे नहीं बढ़ा है।

यही वह समस्या है जिसे यह शोध पत्र हल करता है, लेकिन मौसम के बजाय मुद्रास्फीति (inflation) के साथ।

समस्या: "अटका हुआ" मूल्य टैग (The "Stuck" Price Tag)

अर्थशास्त्री हजारों व्यक्तिगत वस्तुओं को देखकर मुद्रास्फीति (कीमतें कितनी तेजी से बढ़ रही हैं) को ट्रैक करते हैं: सेब, बस टिकट, बिजली के बिल और हेयरकट। वे इसे "विखंडित डेटा" (disaggregated data) कहते हैं।

वास्तविक दुनिया में, कई कीमतें हर महीने नहीं बदलतीं।

"अटकने" की घटना: एक बस टिकट तीन साल तक लगातार $2.00 पर बना रह सकता है। एक स्कूल की फीस एक दशक तक समान रह सकती है।
डेटा की गड़बड़ी: जब सांख्यिकीविद "परिवर्तन की दर" (rate of change) की गणना करते हैं, तो एक स्थिर कीमत शून्य (zero) बन जाती है।
गलती: मानक आर्थिक मॉडल इन शून्य को वास्तविक डेटा पॉइंट मानते हैं। वे सोचते हैं, "ठीक है, मुद्रास्फीति अभी 0% है।" यह मॉडलों को यह सोचने पर मजबूर करता है कि अर्थव्यवस्था बहुत शांत और स्थिर है, जिससे वे इस बात का कम आकलन (underestimate) करते हैं कि सतह के नीचे वास्तव में कीमतें कितनी बढ़ रही हैं।

समाधान: "दो-भाग वाला" जासूस (The "Two-Part" Detective)

लेखकों, जियोनही हान और कौरू इरी ने एक नया प्रकार का मॉडल बनाया है जिसे जीरो-इन्फ्लेटेड स्टोकेस्टिक वोलैटिलिटी मॉडल (Zero-Inflated Stochastic Volatility Model) कहा जाता है।

इस मॉडल को एक ऐसे जासूस के रूप में सोचें जो जानता है कि थर्मामीटर टूटा हुआ है। केवल नंबर पढ़ने के बजाय, जासूस हर एक कीमत के लिए दो प्रश्न पूछता है:

प्रश्न A ("अटकने" का डिटेक्टर): "क्या यह मूल्य टैग वास्तव में अटका हुआ है? क्या दुकानदार बस साइन अपडेट नहीं कर रहा है?"
- मॉडल इसके लिए एक संभावना (probability) की गणना करता है। हो सकता है कि 90% संभावना हो कि बिजली की कीमत सरकारी नियमों के कारण अटी हुई है, लेकिन केवल 10% संभावना हो कि केले की कीमत अटी हुई है।
प्रश्न B ("वास्तविक" रुझान): "यदि कीमत बदल रही होती, तो वह क्या होती?"
- यदि मॉडल यह तय करता है कि कीमत "अटी" हुई है, तो वह शून्य को अनदेखा कर देता है और अंतर्निहित रुझान को देखता है। वह महसूस करता है, "भले ही साइन $2.00 दिखा रहा है, लेकिन ईंधन की लागत बढ़ रही है, इसलिए वास्तविक मुद्रास्फीति का दबाव उच्च है।"

जादू का खेल: "घोस्ट" वेरिएबल (The "Ghost" Variable)

इस गणित को काम करने के लिए, लेखकों ने पॉल्या-गामा ऑग्मेंटेशन (Pólya-Gamma augmentation) नामक एक चतुर सांख्यिकीय तकनीक का उपयोग किया।

कल्पना कीजिए कि आप एक गुप्त संख्या का अनुमान लगाने की कोशिश कर रहे हैं, लेकिन कभी-कभी आपको उत्तर देने वाला व्यक्ति केवल "खामोशी" कहता है।

पुराना मॉडल: "खामोशी" को शून्य संख्या मानता है।
नया मॉडल: एक "घोस्ट वेरिएबल" (Ghost Variable) पेश करता है। यह खामोशी के पीछे एक छिपे हुए नंबर की कल्पना करता है। यह पूछता है, "यदि उन्होंने वास्तव में बोला होता, तो वे क्या कहते?"
इस "घोस्ट" का उपयोग करके, मॉडल शोर (noise) (अटे हुए मूल्य टैग) और संकेत (signal) (वास्तविक बढ़ती लागतों) को अलग कर सकता है।

यह क्यों मायने रखता है?

लेखकों ने अमेरिका, ब्रिटेन, जर्मनी और जापान के डेटा पर इसका परीक्षण किया। यहाँ उन्हें यह मिला:

बेहतर पूर्वानुमान: जब कीमतें अक्सर "अटकी" होती हैं (जैसे जापान के विनियमित बिजली क्षेत्र में), तो पुराने मॉडल विफल हो गए। उन्होंने शांति की भविष्यवाणी की। नया मॉडल सही ढंग से भविष्यवाणी करता है कि कीमतों पर दबाव था, भले ही साइन अभी तक बदले नहीं थे।
स्मार्ट नीति निर्धारण: केंद्रीय बैंकों (जैसे फेडरल रिजर्व या बैंक ऑफ जापान) को यह जानने की आवश्यकता होती है कि मुद्रास्फीति अभी बढ़ रही है या यह केवल एक अस्थायी ठहराव है।
- पुराना तरीका: "कीमतें स्थिर हैं। हमें चिंता करने की ज़रूरत नहीं है।" (जोखिम: वे बाद में अचानक आने वाली मुद्रास्फीति को मिस कर सकते हैं)।
- नया तरीका: "कीमतें स्थिर दिख रही हैं, लेकिन हमारा मॉडल छिपे हुए दबाव को देख रहा है। हमें तैयार रहना चाहिए।"

बड़ी तस्वीर का उदाहरण (The Big Picture Analogy)

कल्पना कीजिए कि आप एक भीड़ भरे कमरे (अर्थव्यवस्था) को देख रहे हैं कि क्या लोग उत्साहित (मुद्रास्फीति) हो रहे हैं।

पुराना मॉडल कमरे को देखता है और 50 लोगों को बिल्कुल स्थिर बैठा देखता है। वह निष्कर्ष निकालता है, "सब शांत हैं।"
नया मॉडल महसूस करता है कि उनमें से 30 लोग बस शोर रद्द करने वाले हेडफ़ोन (noise-canceling headphones) पहने हुए हैं (अटे हुए कीमतें)। यह उन 20 लोगों को देखता है जो वास्तव में हिल रहे हैं और चिल्ला रहे हैं, और यह सही निष्कर्ष निकालता है, "कमरा वास्तव में बहुत उत्साहित हो रहा है, भले ही आधे लोग चुप हों।"

सारांश

यह शोध पत्र अर्थशास्त्रियों को बेहतर चश्मा देता है। यह उन्हें उन कीमतों के "स्थिरता" (static) के पार देखने की अनुमति देता जो बदल नहीं रही हैं, जिससे उन्हें यह समझने में मदद मिलती है कि मुद्रास्फीति की वास्तविक कहानी क्या है, इससे पहले कि वह दूसरों के लिए स्पष्ट हो जाए। यह साफ आसमान के बावजूद तूफान को पहचानने का एक उपकरण है।

यहाँ हान और इरी के शोध पत्र "Exact zeros वाले विखंडित मुद्रास्फीति डेटा के लिए ज़ीरो-इन्फ्लेटेड स्टोकेस्टिक वोलेटिलिटी मॉडल" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र विखंडित उपभोक्ता मूल्य सूचकांक (CPI) डेटा को मॉडल करने में एक महत्वपूर्ण सीमा को संबोधित करता है: टाइम-सीरीज डेटा में सटीक शून्य (exact zeros) की व्यापकता (जो 'प्राइस स्टेलेनेस' या कीमतों की स्थिरता को दर्शाती है)।

संदर्भ: जबकि समग्र मुद्रास्फीति डेटा में सटीक शून्य शायद ही कभी दिखाई देते हैं, विखंडित डेटा (जैसे बिजली या चिकित्सा सेवाओं जैसे विशिष्ट उत्पाद श्रेणियाँ) अक्सर डेटा संग्रह प्रथाओं (निश्चित प्रतिनिधि उत्पादों), नियामक मूल्य नियंत्रणों और फर्मों द्वारा कीमतों में कम समायोजन के कारण सटीक शून्य से भरा होता है।
समस्या: मानक स्टोकेस्टिक वोलेटिलिटी (SV) और अनऑब्जर्व्ड कंपोनेंट्स स्टोकेस्टिक वोलेटिलिटी (UCSV) मॉडल निरंतर, सामान्य रूप से वितरित त्रुटियों (errors) को मानते हैं। जब इन मॉडलों को सटीक शून्यों वाले डेटा पर लागू किया जाता है, तो इनके निम्नलिखित परिणाम होते हैं:
- पूर्वाग्रही अनुमान (Biased Estimates): ट्रेंड (trend) के अनुमान शून्य की ओर झुके हुए होते हैं।
- कम आकलित अस्थिरता (Underestimated Volatility): ये मॉडल संरचनात्मक शून्य (zeros) के बजाय इन्हें निम्न-विचरण वाला गॉसियन शोर मान लेते हैं, जिससे अत्यधिक रूढ़िवादी और गैर-सूचनात्मक अस्थिरता अनुमान प्राप्त होते हैं।
- खराब पूर्वानुमान (Poor Forecasting): पॉइंट और इंटरवल फोरकास्टिंग खराब तरीके से कैलिब्रेटेड होती है, विशेषकर तब जब ज़ीरो-इन्फ्लेशन अधिक हो।
अंतराल (Gap): मौजूदा ज़ीरो-इन्फ्लेटेड मॉडल अक्सर असतत (discrete) डेटा या विशुद्ध रूप से भविष्य कहनेली उद्देश्यों के लिए डिज़ाइन किए गए होते हैं, जिनमें निरंतर, नॉन-स्टेशनरी वास्तविक मूल्यों के लिए लेटेंट ट्रेंड्स और समय-परिवर्तित अस्थिरताओं को संयुक्त रूप से अनुमानित करने की क्षमता नहीं होती है।

2. कार्यप्रणाली (Methodology)

लेखक एक ज़ीरो-इन्फ्लेटेड अनऑब्जर्व्ड कंपोनेंट्स स्टोकेस्टिक वोलेटिलिटी (Z-UCSV) मॉडल प्रस्तावित करते हैं, जिसे मल्टीवेरिएट सेटिंग (Z-MUCSV) तक विस्तारित किया गया है।

अ. मॉडल संरचना (Model Structure)

मॉडल देखे गए टाइम सीरीज़ $y_t$ को दो गुप्त प्रक्रियाओं (latent processes) में विभाजित करता है:

गैर-शून्य जनरेटिंग प्रक्रिया (Non-Zero Generating Process - UCSV):
- एक विलुप्त सतत चर $y^*_t$ एक मानक UCSV संरचना का पालन करता है: $y^*_t = \theta_t + \epsilon^{(y)}_t$ , जहाँ $\theta_t$ एक लेटेन्ट ट्रेंड है और $\epsilon^{(y)}_t$ की स्टोकेस्टिक वोलेटिलिटी $h_t$ है।
- ट्रेंड $\theta_t$ और लॉग-वोलेटिलिटी $h_t$ रैंडम वॉक का अनुसरण करते हैं।
जीरो-जनरेटिंग प्रक्रिया (Zero-Generating Process - डायनेमिक लॉजिस्टिक मॉडल):
- एक विलुप्त प्रायिकता $p_t$ यह निर्धारित करती है कि अवलोकन शून्य है या नहीं।
- $p_t = \text{logit}^{-1}(\pi_t)$ , जहाँ $\pi_t$ एक रैंडम वॉक का पालन करने वाली विलुप्त अवस्था है।
- ऑब्जर्वेशन समीकरण एक मिश्रण है: $y_t \sim (1-p_t)\delta_{y^*_t} + p_t\delta_0$ ।
- यह मॉडल को "वास्तविक" मूल्य परिवर्तनों (गैर-शून्य) और "संरचनात्मक" कीमत ठहराव (शून्य) के बीच अंतर करने की अनुमति देता है।

ब. मल्टीवेरिएट विस्तार (Multivariate Extension - Z-MUCSV)

क्रॉस-सेक्शनल निर्भरताओं को पकड़ने के लिए इसे $K$ घटकों तक विस्तारित किया गया है।
क्रम-अपरिवर्तनीय पैरामीट्राइजेशन (Order-Invariance): मानक चोलेस्की डिकंपोजिशन के विपरीत जो वेरिएबल ऑर्डरिंग पर निर्भर होते हैं, लेखक एक आर्डर-इनवेरिएंट पैरामीट्राइजेशन (चान एट अल., 2024) का उपयोग करते हैं जहाँ चोलेस्की फैक्टर मैट्रिक्स $C$ सघन (dense) और अप्रतिबंधित है, जो कॉम्बिनेटोरियल विस्फोट के बिना लचीला सह-संचालन (co-movement) अनुमान की अनुमति देता है।
कोवेरियेंस संरचना (Covariance Structure): गैर-शून्य घटक के लिए कोवेरियंस मैट्रिक्स को $\Sigma^{(y)}(h_t) = C^{-1} \text{diag}(\exp h_t) (C^{-1})^T$ के रूप में मॉडल किया जाता है।

स. पोस्टीरियर इन्फरेंस (एल्गोरिदम)

लॉजिस्टिक लिंक के साथ बाइनोमियल लाइकलिहुड की जटिलता के कारण, लेखक पॉली-गामा ऑगमेंटेशन (Pólya–Gamma augmentation) का उपयोग करके एक कस्टम गिब्स सैंपलर (Gibbs Sampler) विकसित करते हैं:

पॉली-गामा ऑगमेंटेशन: सहायक वेरिएबल्स $\omega_t$ पेश करता है ताकि लॉजिस्टिक लाइकलिहुड को कंडिशनली गॉसियन स्वरूप में पुनर्गठित किया जा सके। इससे $\pi_t$ जैसी विलुप्त प्रायिकता अवस्थाओं को फॉरवर्ड-फिल्टरिंग बैकवर्ड-सैंपलिंग (FFBS) का उपयोग करके संयुक्त रूप से सैंपल किया जा सकता है।
डेटा ऑगमेंटेशन: उन समय बिंदुओं के लिए जहाँ $y_t=0$ है, विलुप्त गैर-शून्य मान $y^*_t$ को कंडीशनल गॉसियन वितरण से इम्यूटेट (impute) किया जाता है।
सैंपलिंग चरण: सैंपलर निम्नलिखित चरणों के माध्यम से इटरेट करता है:
- स्टैटिक पैरामीटर्स (वेरियंस) और प्रारंभिक अवस्थाओं को सैंपल करना।
- FFBS का उपयोग करके विलुप्त ट्रेंड्स ( $\theta$ ) और वोल्टैलिटी ( $h$ ) को सैंपल करना।
- पॉली-गामा ऑगमेंटेड FFBS का उपयोग करके विलुप्त प्रायिकताओं ( $\pi$ ) को सैंपल करना।
- मल्टीवेरिएट केस के लिए चोलेस्की फैक्टर $C$ को सैंपल करना।

3. प्रमुख योगदान (Key Contributions)

नवीन मॉडल फॉर्मूलेशन: स्टोकैस्टिक वोलेटिलिटी वाले निरंतर, नॉन-स्टेशनरी, मल्टीवेरिएट टाइम सीरीज के लिए विशेष रूप से डिज़ाइन किए गए ज़ीरो-इन्फ्लेटेड फ्रेमवर्क का पहला अनुप्रयोग। यह स्टैंडर्ड UCSV मॉडल का सामान्यीकरण करता है।
कंप्यूटेशनल दक्षता: पॉली-गामा ऑगमेंटेशन का उपयोग करके एक कुशल गिब्स सैंपलर का निर्माण, जो समय-परिवर्तित प्रायिकताओं और अस्थिरताओं के लिए सटीक बेयसियन इन्फरेंस सक्षम बनाता है, जिससे डायनेमिक जनरल लाइज्ड मॉडल्स (DGLM) में उपयोग होने वाले एप्रोक्सिमेशन्स से बचा जा सके।
आर्डर-इनवेरिएंट मल्टीवेरिएट एसवी (SV): एक ऐसा मल्टीवेरिएट SV मॉडल कार्यान्वयन जो मनमाने ढंग से वेरिएबल ऑर्डरिंग पर निर्भर नहीं है, जो उच्च-आयामी CPI डेटा (उदाहरण के लिए, 49-85 घटक) के लिए अत्यंत महत्वपूर्ण है।
अनुभवजन्य सत्यापन (Empirical Validation): चार उन्नत अर्थव्यवस्थाओं (अमेरिका, यूके, जर्मनी, जापान) के विखंडित CPI डेटा पर इस मॉडल का व्यापक प्रयोग, जो इसके श्रेष्ठ प्रदर्शन को सिद्ध करता है।

4. परिणाम (Results)

इस मॉडल का परीक्षण प्रति देश 49-85 घटकों वाले तिमाही विखंडित CPI डेटा (1988-2024) पर किया गया।

ट्रेंड अनुमान (Trend Estimation):
- मानक UCSV मॉडल उन क्षेत्रों में जहां ज़ीरो-इन्फ्लेशन अधिक है (जैसे विनियमित उपयोगिताएँ, स्वास्थ्य सेवा), वहां ट्रेंड मुद्रास्फीति को कम आंकते हैं।
- Z-UCSV ने de facto ऊंचे और अधिक यथार्थवादी विलुप्त ट्रेंड मुद्रास्फीति को रिकवर किया (जैसे जर्मन "गेम्स ऑफ चांस" में 5% तक बढ़ना बनाम मानक मॉडलों में लगभग 0%), क्योंकि इसने जीरो को केवल लो वैल्यू मानने के बजाय सेंसर किए गए अवलोकनों के रूप में माना।
अस्थिरता अनुमान (Volatility Estimation):
- मानक मॉडल प्राइस स्टेलेनेस की अवधि के दौरान कृत्रिम रूप से बहुत कम अस्थिरता दिखाते हैं।
- Z-UCSV ने जीरो पीरियड्स के दौरान "लुप्त" जानकारी का अंतराल भरकर स्मूथ, उच्च और अधिक सटीक अस्थिरता प्रदान की।
पूर्वानुमान प्रदर्शन (Forecasting Performance):
- पॉइंट फोरकास्ट: Z-MUCSV ने मीन एब्सोल्यूट एरर (MAE) में मानक MUCSV को पछाड़ा, विशेष रूप से उन घटकों के लिए जिनमें हाई ज़ीरो-इन्फ्लेशन दर थी (जैसे जापान, जर्मनी)।
- इंटरवल फोरकास्ट: ज़ीरो-इन्फ्लेटेड मॉडल बेहतर कैलिब्रेटेड प्रिडिक्शन इंटरवल्स प्रदान करता है, जबकि मानक मॉडल संकीर्ण या गलत दिशा वाले अंतराल उत्पन्न करते हैं।
एकत्रीकरण (Aggregation): घटक-वार Z-UCSV अनुमानों को एकत्रित करने पर, परिणामी कुल ट्रेंड अल्पकालिक स्पाइक्स के प्रति कम संवेदनशील था और सीधे aggregate इंडेक्स पर UCV मॉडल फिट करने की तुलना में अंतर्निहित मुद्रास्फीति दबाव को बेहतर दर्शाता था।

5. महत्व और निहितार्थ (Significance and Implications)

नीतिगत प्रासंगिकता: यह मॉडल केंद्रीय बैंकों और नीति निर्माताओं को मुद्रास्फीति की निगरानी के लिए अधिक सटीक उपकरण प्रदान करता है। मार्केट फ्रिक्शन के कारण हुई परिवर्तनहीनता और वास्तव में कम मुद्रास्फीति के बीच भेद करके, यह मुद्रास्फीति जोखिमों के कम आकलन को रोकता है।
मेज़रमेंट एरर सुधार: यह डेटा संग्रह की स्वाभाविक खामियों (stेलेनेस/staleness) को व्यवस्थित रूप से संभालता है, उसे व्यवधान (nuisance) के बजाय एक स्टोकेस्टिक प्रक्रिया के रूप में मानता है।
सुदृढ़ता (Robustness): यह दृष्टिकोण विभिन्न आर्थिक परिवेशों में सुदृढ़ है—जब ज़ीरो-इन्फ्लेशन कम होता है तो यह मानक SV व्यवहार पर लौट आता है, लेकिन आवश्यकता पड़ने पर ज़ीरो-इन्फ्लेशन तंत्र को सक्रिय कर देता है।
भावी दिशाएं: लेखक इसमें डिटर्मिनिस्टिक वोलेटिलिटी फीडबैक (SV-in-mean) और डायनेमिक लेटेंट फैक्टर स्ट्रक्चर शामिल करने का सुझाव देते हैं।

संक्षेप में, हान और इरी एक कठोर बेयसियन ढांचा प्रदान करते हैं जो मुद्रास्फीति डेटा में मौजूद 'एक्सैक्ट ज़ीरो' से उत्पन्न पूर्वाग्रह को हल करता है, जिससे विलुप्त रुझानों और अस्थिरता के बेहतर अनुमान तथा बढ़ी हुई भविष्यवाणी सटीकता सुनिश्चित होती है।