📈 economics

Prediction Sets and Conformal Inference with Interval Outcomes

यह शोध पत्र सेंसर या अंतराल-मान वाले परिणामों के लिए इष्टतम भविष्यवाणी सेट (prediction sets) का निर्माण करने हेतु सुसंगत और परिमित-नमूना वैध (finite-sample valid) विधियों को विकसित करता है, जो आंशिक पहचान (partial identification) के तहत ओरेकल प्रेडिक्शन इंटरवल को अभिलक्षणित करता है और अपरिहार्य, आंशिक पहचान, एवं नमूना अनिश्चितताओं को ध्यान में रखने के लिए अनुकूलित कॉन्फॉर्मल इन्फरेंस (conformal inference) को लागू करता है।

मूल लेखक: Weiguang Liu, Áureo de Paula, Elie Tamer

प्रकाशित 2026-02-24

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Weiguang Liu, Áureo de Paula, Elie Tamer

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 एक नए शहर में घर की कीमत का अनुमान लगाने की कोशिश कर रहे हैं। एक आदर्श दुनिया में, आपको वहां बिकने वाले हर घर की सटीक कीमत पता होगी। लेकिन वास्तविक दुनिया में, डेटा अव्यवस्थित होता है। कभी-कभी, लोग यह नहीं कहते, "यह घर $500,000 में बिका।" इसके बजाय, वे कहते हैं, "यह$ 450,000 और $550,000 के बीच बिका।" या शायद वे केवल इतना कहते हैं, "यह$ 500,000 से अधिक में बिका।"

इसे अर्थशास्त्री इंटरवल डेटा (interval data) कहते हैं। यह एक ऐसे मानचित्र को देखने जैसा है जहाँ कुछ शहर सटीक बिंदु (dot) के साथ चिह्नित हैं, लेकिन अन्य धुंधले बादल (fuzzy cloud) के रूप में चिह्नित हैं।

लियू, डी पाउला और टेमर का यह शोध पत्र इस बारे में है कि जब आपका डेटा धुंधला हो, तो सबसे अच्छा संभव अनुमान (एक भविष्यवाणी) कैसे लगाया जाए, और आप इस बात के प्रति आश्वस्त कैसे हों कि आपका अनुमान सही है।

यहाँ उनके कार्य का सरल उपमाओं (analogies) का उपयोग करके विवरण दिया गया है:

1. लक्ष्य: "परफेक्ट नेट" (द ओरैकल)

कल्पना कीजिए कि आप मछली पकड़ रहे हैं। आप एक मछली (वास्तविक परिणाम) को पकड़ना चाहते हैं, लेकिन आप वास्तव में नहीं जानते कि वह कहाँ है।

पॉइंट गेस (The Point Guess): अधिकांश लोग मछली के सटीक स्थान का अनुमान लगाने की कोशिश करते हैं। "यह समन्वय X पर है।" यदि आप एक इंच भी चूक जाते हैं, तो आप विफल हो जाते हैं।
प्रेडिक्शन सेट (The Prediction Set): यह शोध पत्र एक जाल (net) फेंकने का सुझाव देता है। आप एक ऐसा जाल चाहते हैं जो 95% समय मछली को पकड़ने के लिए पर्याप्त बड़ा हो (ताकि आप चूक न जाएं), लेकिन इतना छोटा भी हो कि वह उपयोगी हो। यदि आपका जाल पूरे महासागर को कवर करता है, तो तकनीकी रूप से आपने मछली को "पकड़" लिया है, लेकिन आपने कुछ सीखा नहीं।

लेखक "परफेक्ट नेट" को ओरैकल प्रेडिक्शन सेट (Oracle Prediction Set) कहते हैं। यह सबसे छोटा संभव जाल है जो अभी भी 95% समय मछली को पकड़ने की गारंटी देता है।

2. समस्या: "धुंधला" डेटा

आमतौर पर, इस परफेक्ट नेट को बनाने के लिए, आपको यह जानने की आवश्यकता होती है कि मछलियाँ वास्तव में कहाँ तैर रही हैं। लेकिन यहाँ, डेटा सेंसर किया हुआ (censored) या इंटरवल-वैल्यूड (interval-valued) है।

उपमा: कल्पना कीजिए कि आप इस बात का नक्शा बनाने की कोशिश कर रहे हैं कि मछलियाँ कहाँ तैरती हैं, लेकिन आपका सोनार आपको केवल यह बताता है कि "मछली इस 10-फुट के वर्ग में कहीं है," या "मछली इस रेखा के ऊपर कहीं है।" आपको सटीक स्थान का पता नहीं है।
चुनौती: यदि आप पुराने तरीकों का उपयोग करने की कोशिश करते हैं (जो मानते हैं कि आपको सटीक स्थान पता है), तो आपका जाल या तो बहुत ढीला होगा (स्थान बर्बाद करेगा) या बहुत तंग (मछली को मिस कर देगा)। लेखकों को इन धुंधले वर्गों का उपयोग करके जाल बनाने का एक नया तरीका विकसित करना पड़ा।

3. समाधान: दो-चरणीय जादू

चरण A: "स्मार्ट एस्टिमेटर" (कंसिस्टेंसी)

सबसे पहले, लेखकों ने एक गणितीय मशीन बनाई जो उन सभी धुंधले वर्गों को देखती है और "परफेक्ट नेट" के आकार का पता लगाती है।

यह कैसे काम करता है: वे कर्नेल स्मूथिंग (kernel smoothing) नामक तकनीक का उपयोग करते हैं। कल्पना कीजिए कि आपके पास रेत का ढेर (आपके डेटा पॉइंट्स) है। आप उस पर थोड़ा पानी डालते हैं, और रेत एक चिकनी पहाड़ी में बदल जाती है। यह पहाड़ी उस संभावना (probability) का प्रतिनिधित्व करती है कि मछलियाँ कहाँ हैं।
ट्विस्ट: क्योंकि डेटा धुंधला है, "पहाड़ी" के दो शिखर (bimodal) हो सकते हैं। शायद मछलियाँ गहरे पानी में और उथले पानी में रहना पसंद करती हैं, लेकिन बीच में नहीं। एक साधारण विधि एक बड़ा जाल बना सकती है जो दोनों को कवर करे। लेखकों का तरीका स्मार्ट है; यदि मछलियाँ वास्तव में वहीं हैं, तो यह दो अलग-अलग जाल (एक गहरे के लिए, एक उथले के लिए) बना सकता है। यह जाल को बहुत छोटा और अधिक कुशल बनाता है।

चरण B: "सेफ्टी नेट" (कॉन्फ़ॉर्मल इन्फरेंस)

भले ही आपके पास एक स्मार्ट मशीन हो, आप गलती कर सकते हैं क्योंकि आपके पास सीमित डेटा (सैंपलिंग एरर) है। आपको एक गारंटी की आवश्यकता है कि आपका जाल अभी काम करे, न कि केवल लंबे समय में।

उपमा: कॉन्फ़ॉर्मल इन्फरेंस (Conformal Inference) को एक "कैलिब्रेशन टेस्ट" के रूप में सोचें।
1. आप 75% डेटा (ट्रेनिंग सेट) का उपयोग करके अपना जाल बनाते हैं।
2. आप शेष 25% (कैलिब्रेशन सेट) को लेते हैं और उन्हें अपने जाल में फेंकते हैं।
3. आप पूछते हैं: "मेरे जाल ने कितनी टेस्ट मछलियों को पकड़ा?"
4. यदि जाल बहुत छोटा था और कुछ को मिस कर गया, तो आप जाल को बस इतना चौड़ा करते हैं कि वे पकड़ी जा सकें। यदि जाल बहुत बड़ा था और उसने आसानी से सबको पकड़ लिया, तो आप इसे थोड़ा सिकोड़ते हैं।
परिणाम: यह गारंटी देता है कि डेटा कैसा भी हो, आपका अंतिम जाल कम से कम 95% बार मछली को पकड़ेगा। यह आपके अनुमान के लिए "मनी-बैक गारंटी" की तरह है।

4. वास्तविक दुनिया के अनुप्रयोग

लेखकों ने अपने तरीके का परीक्षण दो वास्तविक परिदृश्यों पर किया:

यूके जॉब सैलरी (UK Job Salaries): कई नौकरी विज्ञापनों में विशिष्ट वेतन नहीं दिया जाता है; वे कहते हैं " $50k–$ 70k"। लेखकों ने विभिन्न यूके शहरों में वेतन सीमा की भविष्यवाणी करने के लिए अपने तरीके का उपयोग किया। उन्होंने पाया कि लंदन में, "नेट" बहुत बड़ा था (वेतन बहुत कम से बहुत उच्च तक भिन्न होता है), जबकि छोटे शहरों में, नेट अधिक सटीक था। यह केवल एक "औसत" वेतन का अनुमान लगाने की तुलना में जॉब मार्केट की बहुत स्पष्ट तस्वीर देता है।
यूएस इनकम डेटा (US Income Data): सर्वेक्षणों में, लोग अक्सर अपनी सटीक आय देने से इनकार कर देते हैं लेकिन कह सकते हैं, "मैं $40k और$ 60k के बीच कमाता हूँ।" पारंपरिक तरीके अक्सर इस डेटा को या तो फेंक देते हैं या एक संख्या का अनुमान लगाते हैं (इम्पुटेशन), जो गलत हो सकता है। लेखकों का तरीका इस "धुंधले" रेंज को रखता है और इसके चारों ओर एक प्रेडिक्शन नेट बनाता है, जो यह दिखाता है कि अधिक शिक्षा वाले लोगों के पास आय की एक विस्तृत श्रृंखला (बड़ा नेट) होती है, न कि केवल उच्च औसत।

सारांश

यह शोध पत्र इस बारे में है कि जब आपके पास पूर्ण जानकारी न हो, तो बेहतर अनुमान कैसे लगाया जाए।

केवल एक संख्या का अनुमान न लगाएं; एक सीमा (जाल) का अनुमान लगाएं।
जाल को जितना संभव हो सके छोटा बनाएं जबकि सुरक्षित भी रहे (कुशलता)।
धुंधले डेटा (इंटरवल) को बिना फेंके या सटीक नंबरों का अनुमान लगाए संभालें।
कैलिब्रेशन टेस्ट (कॉन्फ़ॉर्मल इन्फरेंस) का उपयोग करें ताकि यह गारंटी मिले कि आपका जाल काम करता है, भले ही सैंपल साइज छोटा हो।

यह "मुझे ठीक से नहीं पता" को "मुझे पता है कि यह निश्चित रूप से इस विशिष्ट क्षेत्र में है" में बदलने का एक टूलकिट है।

यहाँ Liu, de Paula, और Tamer के शोध पत्र "Prediction Sets and Conformal Inference with Interval Outcomes" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र एक यादृच्छिक चर (random variable) $Y$ के लिए प्रेडिक्शन सेट्स (अंतराल या अंतरालों का संघ/union of intervals) बनाने की चुनौती का समाधान करता है, जब परिणाम इंटरवल-सेंसर्ड (interval-censored) या इंटरवल-वैल्यूड (interval-valued) हो।

संदर्भ: कई आर्थिक और सामाजिक सर्वेक्षणों (जैसे आय, संपत्ति, नौकरी का वेतन) में, गैर-प्रतिक्रिया या गोपनीयता संबंधी चिंताओं के कारण उत्तरदाता सटीक मानों के बजाय श्रेणियों (brackets) का उपयोग करते हैं। इसके अतिरिक्त, डेटा राइट-सेंसर्ड ( $Y \in [Y_L, \infty)$ ) या लेफ्ट-सेंसर्ड भी हो सकता है।
अंतराल (The Gap): प्रेडिक्शन सेट्स के मौजूदा तरीके अक्सर पॉइंट-आइडेंटिफाइड परिणामों या क्वांटाइल रिग्रेशन पर निर्भर करते हैं। हालाँकि, जब परिणाम इंटरवल-वैल्यूड होते हैं:
1. अंतर्निहित वितरण $Y$ केवल पार्शियली आइडेंटिफाइड (partially identified) होता है (वास्तविक $Y$ अज्ञात है, केवल $Y_L \leq Y \leq Y_U$ ज्ञात है)।
2. मानक "ओरेकल" प्रेडिक्शन सेट्स (डेंसिटी लेवल सेट्स पर आधारित) सीधे तौर पर लागू नहीं होते क्योंकि $Y$ का कंडीशनल डेंसिटी आइडेंटिफाइड नहीं है।
3. पॉइंट आउटकम्स के लिए डिज़ाइन किए गए मानक कॉन्फॉर्मल इन्फरेंस स्कोर बिना संशोधन के इंटरवल डेटा को हैंडल नहीं कर सकते।
लक्ष्य: एक ऐसा तरीका विकसित करना जो $C_n(x)$ $C_{n} (x)$ जैसे प्रेडिक्शन सेट्स का निर्माण करे जो:
- वैध (Valid) हों: $1-\alpha$ की कवरेज प्रोबेबिलिटी को कम से कम सुनिश्चित करते हुए परिमित नमूनों (finite samples) में गारंटी दें।
- कुशल (Efficient) हों: प्रेडिक्शन सेट के वॉल्यूम (लंबाई) को न्यूनतम करें।
- सुसंगत (Consistent) हों: नमूना आकार बढ़ने के साथ ओरेकल प्रेडिक्शन सेट की ओर अभिसरित (converge) हों।

2. कार्यप्रणाली (Methodology)

लेखक पार्शियल आइडेंटिफिकेशन (Partial Identification) सिद्धांत और कॉन्फॉर्मल इन्फरेंस (Conformal Inference) को संयोजित करने वाला एक दो-चरणीय ढांचा प्रस्तावित करते हैं।

A. पार्शियल आइडेंटिफिकेशन के तहत ओरेकल प्रेडिक्शन सेट को परिभाषित करना

सेंसरिंग की अनुपस्थिति में, ओरेकल प्रेडिक्शन सेट वह न्यूनतम वॉल्यूम वाला सेट है जिसमें $1-\alpha$ प्रायिकता द्रव्यमान (probability mass) समाहित होता है (जो उच्चतम डेंसिटी रीजन से संबंधित है)। इंटरवल सेंसिंग के तहत, संयुक्त वितरण $P_{X,Y}$ पॉइंट-आइडेंटिफाइड नहीं है।

आइडेंटिफाइड सेट ( $\mathcal{P}_I$ ): $(X, Y_L, Y_U)$ के देखे गए वितरण और सेंसरिंग तंत्र के अनुकूल $(X, Y)$ के सभी संयुक्त वितरणों का सेट।
व्यवहार्य अनुकूलन (Feasible Optimization): लेखक दिखाते हैं कि $\mathcal{P}_I$ के सभी वितरणों के लिए $Y$ को $1-\alpha$ प्रायिकता के साथ कवर करने की बाधा के अधीन $C(x)$ के वॉल्यूम को न्यूनतम करना, देखे गए ब्रैकेट्स पर आधारित एक व्यवहार्य अनुकूलन समस्या के समान है:
$C^*(x) = \arg \min_{C(x) \in \mathcal{C}} \mu(C(x)) \quad \text{subject to} \quad P([Y_L, Y_U] \subset C(x) \mid X=x) \geq 1-\alpha$
जहाँ $\mathcal{C}$ विलग अंतरालों (disjoint intervals) के परिमित संघों का वर्ग है।
मुख्य अंतर्दृष्टि: यह बाधा केवल ब्रैकेट्स $(Y_L, Y_U)$ के देखे गए कंडीशनल वितरण पर निर्भर करती है, जो पूरी तरह से आइडेंटिफाइड है। यह बिना $Y$ का इमप्यूटेशन (imputation) किए एक सुसंगत एस्टिमेटर के निर्माण की अनुमति देता है।

B. सुसंगत अनुमान (Nonparametric Estimation)

एस्टिमेटर: लेखक कंडीशनल प्रोबेबिलिटी $P([Y_L, Y_U] \subset C(x) \mid X=x)$ के लिए एक कर्नल-आधारित एस्टिमेटर प्रस्तावित करते हैं।
डिस्क्रीट सेंसरिंग को संभालना: निश्चित सेंसरिंग (जैसे विशिष्ट सर्वे ब्रैकेट्स जैसे " $10k-$ 20k") के मामलों में, वितरण डिस्क्रीट होता है, जो मानक स्मूथनेस धारणाओं का उल्लंघन करता है। लेखक निरंतरता सुनिश्चित करने के लिए एक रिलैक्स्ड कंस्ट्रेंट ( $\geq 1-\alpha - \psi_n$ ) पेश करते हैं।
परिणाम: यह दिखाया गया है कि अनुमानित सेट $\hat{C}(x)$ , सिमेट्रिक डिफरेंस मेजर $\mu(\hat{C} \triangle C^*)$ के संदर्भ में ओरेकल सेट $C^*(x)$ के साथ यूनिफॉर्मली कंसिस्टेंट है।

C. परिमित-नमूना वैधता के लिए कॉन्फॉर्मल इन्फरेंस (Conformal Inference)

किसी भी वितरण के लिए परिमित-नमूना कवरेज (वैधता) की गारंटी देने के लिए, लेखक स्प्लिट कॉन्फॉर्मल इन्फरेंस (Split Conformal Inference) को अनुकूलित करते हैं:

डेटा को विभाजित करना: डेटा को प्रशिक्षण सेट ( $\hat{C}$ का अनुमान लगाने के लिए) और कैलिब्रेशन सेट में विभाजित करें।
इंटरवल्स के लिए कॉन्फॉर्मिटी स्कोर: एक नया स्कोर फंक्शन $s(y_L, y_U, x; \hat{C})$ $s (y_{L}, y_{U}, x; \hat{C})$ परिभाषित किया गया है।
- यदि अंतराल $[y_L, y_u]$ प्रेडिक्शन सेट $\hat{C}(x)$ के भीतर समाहित है, तो स्कोर गैर-धनात्मक (non-positive) होता है।
- यदि अंतराल आंशिक रूप से या पूरी तरह से बाहर है, तो स्कोर धनात्मक होता है, जो अंतराल को कवर करने के लिए आवश्यक "दूरी" या "गैप" को दर्शाता है।
- यह स्कोर अंडर-कवरेज और ओवर-कवरेज दोनों को दंडित (penalize) करता है।
निर्माण: अंतिम कॉन्फॉर्मल प्रेडिक्शन सेट $\tilde{C}(x)$ को कैलिब्रेशन सेट से प्राप्त कॉन्फॉर्मिटी स्कोर के $(1-\alpha)$ -क्वांटाइल द्वारा $\hat{C}(x)$ का विस्तार करके बनाया जाता है।
सैद्धांतिक गारंटी: परिणामी सेट $\tilde{C}(x)$ किसी भी वितरण $P$ के लिए $P(Y_{n+1} \in \tilde{C}(X_{n+1})) \geq 1-\alpha$ को संतुष्ट करता है, बशर्ते डेटा एक्सचेंज करने योग्य (exchangeable) हो।

3. मुख्य योगदान (Key Contributions)

पार्शियल आइडेंटिफिकेशन के तहत ओरेकल लक्षण वर्णन: यह शोध पत्र इंटरवल-सेंसर्ड डेटा के लिए ओरेकल प्रेडिक्शन सेट को औपचारिक रूप से परिभाषित करता है, यह सिद्ध करते हुए कि इष्टतम सेट उच्च प्रायिकता के साथ देखे गए ब्रैकेट्स को कवर करने के वॉल्यूम को न्यूनतम करता है।
नया कॉन्फॉर्मिटी स्कोर: उन्होंने इंटरवल आउटकम्स के लिए विशेष रूप से डिज़ाइन किया गया एक विशिष्ट कॉन्फॉर्मिटी स्कोर बनाया है जो प्रेडिक्शन सेट को विलग अंतरालों के संघ (union of disjoint intervals) बनाने की अनुमति देता है (जो मल्टीमॉडल वितरणों के लिए महत्वपूर्ण है)।
दोहरी गारंटी: प्रस्तावित विधि परिमित-नमूना वैधता (कॉन्फॉर्मल इन्फरेंस के माध्यम से) और एसिम्प्टोटिक एफिशिएंसी (ओरेकल सेट के साथ निरंतरता) प्रदान करती है।
सेंसरिंग प्रकारों के प्रति मजबूती: यह विधि बिना किसी सेंसरिंग तंत्र (जैसे 'मिसिंग एट रैंडम') के बारे में धारणा बनाए, रैंडम सेंसरिंग (निरंतर ब्रैकेट्स) और फिक्स्ड सेंसरिंग (डिस्क्रीट सर्वे ब्रैकेट्स) दोनों को संभालती है।
अनुभवजन्य अनुप्रयोग: इस ढांचे को वास्तविक दुनिया के डेटा (UK जॉब विज्ञापन और US CPS) पर लागू किया गया है, जो श्रम अर्थशास्त्र में इसकी उपयोगिता को प्रदर्शित करता है जहाँ इंटरवल डेटा प्रचलित है।

4. परिणाम (Results)

संख्यात्मक प्रयोग (Monte Carlo)

सेटअप: सिमुलेशन में अनिमॉडल, बाइमॉडल और स्क्यूड (skewed) वितरण शामिल थे, जिनमें रैंडम और फिक्स्ड (डिस्क्रीट) दोनों प्रकार की सेंसरिंग थी।
तुलना: प्रस्तावित CP और लोकल CP विधियों की तुलना क्वाड्रेटिक और क्यूबिक स्पेसिफिकेशन के साथ कॉन्फॉर्मल क्वांटाइल रिग्रेशन (CQR) से की गई।
निष्कर्ष:
- वॉल्यूम: प्रस्तावित विधि ने CQR की तुलना में काफी छोटा वॉल्यूम (टाइट अंतराल) प्रदान किया, विशेष रूपकर बाइमॉडल मामलों में जहाँ CQR (एक एकल अंतराल थोपने के कारण) विफल रहा।
- कवरेज: प्रस्तावित विधियों ने नाममात्र स्तर ( $1-\alpha$ ) के करीब कवरेज दर प्राप्त की, जबकि CQR अक्सर अंडर-कवरेज या अत्यधिक चौड़ाई से ग्रस्त रहा।
- फिक्स्ड सेंसरिंग: रिलैक्स्ड कंस्ट्रेंट दृष्टिकोण ने डिस्क्रीट ब्रैकेट डेटा को सफलतापूर्वक संभाला जहाँ मानक एस्टिमेटर्स सुसंगत होने में विफल रहे।

अनुभवजन्य अनुप्रयोग (Empirical Applications)

UK जॉब विज्ञापन डेटा (Adzuna):
- डेटा: 121k जॉब विज्ञापन, जहाँ ~62% सैलरी डेटा अंतराल के रूप में रिपोर्ट किया गया है।
- परिणाम: इस विधि ने UK में वेतन वितरण के स्थानिक बदलावों को मैप किया। इसने दिखाया कि जबकि लोअर बाउंड अपेक्षाकृत समान थे, अपर बाउंड्स (और इस प्रकार अंतराल की चौड़ाई) प्रमुख शहरों (लंदन, मैनचेस्टर) में अत्यधिक केंद्रित थे, जो इन केंद्रों में उच्च वेतन प्रसार (wage dispersion) को दर्शाता है।
- लाभ: यह लापता सैलरी रेंज के इमप्यूटेशन से होने वाले पूर्वाग्रह (bias) से बचा, जिससे पूर्ण वितरण संरचना को कैप्चर किया जा सका।
US करंट पॉपुलेशन सर्वे (CPS):
- डेटा: आय डेटा जिसमें ~22% इंटरवल-वैल्यूड प्रतिक्रियाएं हैं।
- परिणाम: "सेंसर्ड" (इंटरवल का सीधे उपयोग करना) बनाम "इम्प्यूटेड" (लापता मानों को भरना) दृष्टिकोणों की तुलना।
- निष्कर्ष: इंटरवल डेटा का उपयोग करने वाले कॉन्फॉर्मल प्रेडिक्शन सेट्स ने इमप्यूटेड डेटा की तुलना में काफी अलग (अधिक चौड़े) अपर बाउंड्स और बेहतर कवरेज दरें दिखाईं। इमप्यूटेशन ने आय वितरण के टेल रिस्क (tail risk) को कम करके आंकने की प्रवृत्ति दिखाई। यह विधि बिना किसी मनमाने अनुमान के इंटरवल डेटा में निहित अनिश्चितता को सफलतापूर्वक कैप्चर करने में सक्षम रही।

5. महत्व (Significance)

यह शोध पत्र पार्शियल आइडेंटिफिकेशन इकोनोमेट्रिक्स और मशीन लर्निंग (कॉन्फॉर्मल प्रेडिक्शन) के बीच एक महत्वपूर्ण अंतर को पाटता है।

सैद्धांतिक: यह "ओरेकल प्रेडिक्शन सेट्स" की अवधारणा को उन स्थितियों तक विस्तारित करता है जहाँ परिणाम पूरी तरह से देखा नहीं गया है, जिससे पार्शियल आइडेंटिफिकेशन के तहत इष्टतमता की एक कठोर परिभाषा मिलती है।
व्यावहारिक: यह नीति निर्माताओं और शोधकर्ताओं के लिए एक मजबूत, धारणा-मुक्त उपकरण प्रदान करता है जो ऐसे सर्वेक्षण डेटा के साथ काम करते हैं जहाँ गैर-प्रतिक्रिया के कारण इंटरवल रिपोर्टिंग होती है। इमप्यूटेशन से बचकर, यह मॉडल-आधारित पूर्वाग्रह को रोकने में मदद करता है।
कार्यप्रणाली: इंटरवल-विशिष्ट कॉन्फॉर्मिटी स्कोर का विकास सर्वाइवल एनालिसिस, फाइनेंस और एनवायर्नमेंटल साइंस जैसे क्षेत्रों में अन्य प्रकार के सेट-वैल्यूड या सेंसर्ड डेटा को लागू करने के द्वार खोलता है।

संक्षेप में, लेखक एक गणितीय रूप से सुदृढ़ और अनुभवजन्य रूप से मजबूत ढांचा प्रदान करते हैं, जो उन परिणामों की भविष्यवाणी करने के लिए है जो स्वाभाविक रूप से अपूर्ण (imprecise) हैं, यह सुनिश्चित करते हुए कि प्रेडिक्शन सेट्स सांख्यिकीय रूप से वैध और डेटा जितना संभव हो उतना सूचनात्मक (संकीर्ण) हों।