तकनीकी सारांश: मिश्रित प्रभाव लॉग-लीनियर मॉडल का उपयोग करके द्वि-प्रणाली अनुमान (Dual System Estimation)

1. समस्या विवरण

द्वि-प्रणाली अनुमान (DSE), आधिकारिक सांख्यिकी में जनसंख्या के आकार का अनुमान लगाने के लिए एक मानक उपकरण है, जो दो डेटा स्रोतों को जोड़कर और दोनों द्वारा छूटे हुए इकाइयों की संख्या का अनुमान लगाकर कार्य करता है। यह विधि दोनों सूचियों के बीच स्वतंत्रता (independence) और सजातीय समावेशन संभावनाओं (homogeneous inclusion probabilities) के अनुमान पर निर्भर करती है। होमोजेनिटी (सजातीयता) धारणा को संतुष्ट करने के लिए, DSE को अक्सर क्षेत्र जैसे चरों द्वारा स्तरीकृत (stratified) किया जाता है।

मानक दृष्टिकोण निश्चित प्रभाव (fixed effects) लॉग-लीनियर मॉडल का उपयोग करता है, जो स्तरीकरण चर के प्रत्येक स्तर के लिए पैरामीटर का अनुमान लगाता है। यह दृष्टिकोण महत्वपूर्ण चुनौतियों का सामना करता है:

• पैरामीटर प्रचुरता (Parameter Proliferation): जब स्तरीकरण स्तरों (जैसे, क्षेत्र) की संख्या अधिक होती है, तो पैरामीटर्स की संख्या अनियंत्रित हो जाती है।
• लघु नमूना पूर्वाग्रह (Small Sample Bias): उन परिदृश्यों में जहाँ कई स्तर और प्रत्येक स्तर के भीतर नमूना आकार छोटा होता है, निश्चित प्रभाव मॉडल (और मानक लिनकन-पीटरसन एस्टीमेटर) पक्षपाती अनुमान उत्पन्न करते हैं।
• अनंत अनुमान (Infinite Estimates): उन मामलों में जहाँ किसी विशिष्ट स्तर के भीतर दोनों सूचियों का प्रतिच्छेदन (intersection) खाली होता है ($n_{11}=0$), निश्चित प्रभाव एस्टीमेटर अनंत जनसंख्या अनुमान प्रदान करता है।

लघु-नमूना पूर्वाग्रह को कम करने के लिए अक्सर चैपमैन एस्टीमेटर (Chapman estimator) का उपयोग किया जाता है, लेकिन यह कई पैरामीटर्स को स्वतंत्र रूप से अनुमानित करने की अक्षमता को संबोधित नहीं करता है। यह शोध पत्र मिश्रित प्रभाव लॉग-लीनियर मॉडल (जिसे मल्टीलेवल या पदानुक्रमित मॉडल भी कहा जाता है) के उपयोग की जांच करता है। ये मॉडल स्तरीकरण चरों के लिए निश्चित पैरामीटर्स के स्थान पर वितरण से प्राप्त रैंडम इफेक्ट्स (random effects) का उपयोग करते हैं, जिससे समूहों के बीच "शक्ति उधार लेने" (borrowing strength) की अनुमति मिलती है ताकि अनुमान की स्थिरता में सुधार किया जा सके।

2. कार्यप्रणाली

2.1. निश्चित प्रभाव लॉग-लीनियर मॉडल (Fixed Effects Loglinear Models)

लेखक लॉग लिंक के साथ पॉइसन रिग्रेशन का उपयोग करके आधार रेखा को परिभाषित करते हैं।

• स्तरीकरण के बिना: दो सूचियों ($A$ और $B$) के लिए एक सैचुरेटेड मॉडल में एक इंटरसेप्ट और इंटरेक्शन टर्म शामिल है। चूंकि दोनों द्वारा छूटी हुई इकाइयों का सेल ($A=0, B=0$) अवलोकित नहीं है, इसलिए मॉडल स्वतंत्रता की धारणा मानता है, जिससे मॉडल एक सशर्त स्वतंत्रता रूप में बदल जाता है।
• स्तरीकरण के साथ: जब एक स्तरीकरण चर $R$ (जैसे, क्षेत्र) पेश किया जाता है, तो मानक दृष्टिकोण $R$ के प्रत्येक स्तर $l$ के लिए एक सशर्त स्वतंत्रता मॉडल $[AR][BR]$ फिट करता है। इसके परिणामस्वरूप प्रत्येक क्षेत्र के लिए पैरामीटर्स का एक अलग सेट प्राप्त होता है, जिससे शून्य डिग्री ऑफ फ्रीडम वाला एक मैक्सिमल मॉडल बनता है।

2.2. मिश्रित प्रभाव लॉग-लीनियर मॉडल (Mixed Effects Loglinear Models)

मुख्य प्रस्ताव यह है कि स्तरीकरण चर ($R$) और उसके इंटरेक्शन से जुड़े निश्चित प्रभावों को रैंडम इफेक्ट्स के साथ बदल दिया जाए।

• मॉडल संरचना: लॉग-लीनियर मॉडल को पुन: पैरामीटराइज किया जाता है ताकि क्षेत्रों में सूचियों $A$ और $B$ की समावेशन संभावनाओं के लिए एक रैंडम इंटरसेप्ट ($u_{0l}$) और रैंडम स्लोप्स ($u_{1il}, u_{2jl}$) शामिल हों।
  $$\log \mu_{ijl} = (\lambda + u_{0l}) + \lambda^A_i + \lambda^B_j + u_{1il} + u_{2jl}$$
  यहाँ, $u_{0l} \sim N(0, \sigma^2_{u0})$ जनसंख्या के आकार में अंतर-क्षेत्र परिवर्तनशीलता को कैप्चर करता है, जबकि स्लोप टर्म कैप्चर प्रक्रिया (capture probabilities) में परिवर्तनशीलता को दर्शाते हैं।
• श्रिंकेज अनुमान (Shrinkage Estimation): रैंडम इफेक्ट एस्टीमेटर्स 'श्रिंकेज एस्टीमेटर्स' (Best Unbiased Predictors) के रूप में कार्य करते हैं। समूह-स्तरीय अनुमानों को समग्र माध्य की ओर "श्रिंक" (shrink) किया जाता है, जो समूह के डेटा की विश्वसनीयता (नमूना आकार) और वैश्विक माध्य से दूरी पर आधारित होता है। यह वेरिएंस को कम करता है और लघु-नमूना पूर्वाग्रह को कम करता है, जिससे अनंत अनुमानों की आवश्यकता नहीं पड़ती।
• कार्यान्वयन: मॉडल को R के lme4 पैकेज का उपयोग करके फिट किया जाता है, जिसमें छोटे सेल काउंट के कारण होने वाली कन्वर्जेंस समस्याओं को संभालने के लिए bobyqa ऑप्टिमाइज़र का उपयोग किया जाता है।

2.3. पूर्वाग्रह न्यूनीकरण और विस्तार

• चैपमैन एस्टीमेटर: निश्चित प्रभाव मॉडल के लिए, लेखक लघु-नमूना पूर्वाग्रह को कम करने के लिए चैपमैन एस्टीमेटर ( $n_{11}$ सेल में 1 जोड़ना) लागू करते हैं। यह समायोजन मिश्रित प्रभाव मॉडल पर लागू नहीं किया जाता है, क्योंकि श्रिंकेज तंत्र स्वयं एक समान पूर्वाग्रह-न्यूनीकरण उद्देश्य की पूर्ति करता है।
• मल्टीपल सिस्टम एस्टीमेशन (MSE): इस कार्यप्रणाली को तीन सूचियों (ट्रिपल सिस्टम एस्टीमेशन) के लिए विस्तारित किया गया है। लेखक तीन-तरफा तालिकाओं के लिए एक मिश्रित प्रभाव मॉडल तैयार करते हैं, जो अनऑब्जर्व्ड सेल ($A=0, B=0, C=0$) का अनुमान लगाने के लिए फिक्स्ड इंटरेक्शन टर्म्स के स्थान पर रैंडम इफेक्ट्स का उपयोग करता है।

3. सिमुलेशन अध्ययन डिजाइन

लेखकों ने निश्चित प्रभाव मॉडल (चैपमैन सुधार के साथ और उसके बिना) के विरुद्ध मिश्रित प्रभाव मॉडल के प्रदर्शन का मूल्यांकन करने के लिए एक व्यापक सिमुलेशन अध्ययन आयोजित किया।

• परिवर्तित कारक:
  • जनसंख्या का आकार ($N$): 500 से 300,000 तक।
  • क्षेत्रों की संख्या: 5 से 30।
  • कैप्चर प्रोबेबिलिटी (Capture Probabilities): उच्च ($\pi_A=0.8, \pi_B=0.7$) और निम्न ($\pi_A=0.4, \pi_B=0.2$) परिदृश्य।
  • रैंडम इफेक्ट डिस्ट्रीब्यूशन: नॉर्मल (माना गया), लॉग-नॉर्मल, और पारेटो (नॉर्मलिटी उल्लंघन के विरुद्ध मजबूती परीक्षण करने के लिए)।
• मैट्रिक्स (Metrics): प्रदर्शन का मूल्यांकन मीन एब्सोल्यूट रिलेटिव बायस (MARb), कोएफिशिएंट ऑफ वेरिएशन (CV), और मीन स्क्वेर्ड एरर (MSE) का उपयोग करके किया गया।

4. मुख्य परिणाम

• प्रदर्शन तुलना: मिश्रित प्रभाव लॉग-लीनियर मॉडल ने चैपमैन एस्टीमेटर के साथ निश्चित प्रभाव मॉडल के समान या उससे बेहतर प्रदर्शन किया।
  • पूर्वाग्रह (Bias): मिश्रित प्रभाव मॉडल ने कम MARb दिखाया, विशेष रूप से कम जनसंख्या आकार और अधिक क्षेत्रों वाले परिदृश्यों में (जहाँ सेल काउंट विरल/स्पार्स होते हैं)।
  • वैरिएंस (Variance): मिश्रित प्रभाव मॉडल ने निश्चित प्रभाव की तुलना में कम परिवर्तनशीलता (CV) प्रदर्शित की, विशेष रूप से जब नमूना आकार छोटा था।
• वितरण संबंधी धारणाओं के प्रति मजबूती: परिणामों ने संकेत दिया कि मिश्रित प्रभाव मॉडल नॉर्मलिटी धारणा के उल्लंघन के प्रति मजबूत (robust) है। लॉग-नॉर्मल और पारेटो वितरित रैंडम इफेक्ट्स से प्राप्त अनुमानों ने MARb और CV में उन मामलों के समान प्रदर्शन किया जहाँ नॉर्मलिटी धारणा सही थी।
• लघु नमूना व्यवहार: उन परिदृश्यों में जहाँ बिना चैपमैन सुधार वाले निश्चित प्रभाव मॉडल ने (प्रतिच्छेदन में शून्य काउंट के कारण) अनंत अनुमान दिए, मिश्रित प्रभाव मॉडल ने स्थिर, परिमित (finite) अनुमान प्रदान किए।
• सुधार का परिमाण: हालांकि मिश्रित प्रभाव मॉडल बेहतर प्रदर्शन करता है, लेखक नोट करते हैं कि चैपमैन एस्टीमेटर के साथ निश्चित प्रभाव मॉडल पर मीन स्क्वेर्ड एरर में सुधार आम तौर पर मामूली था।

5. महत्व और दावे

यह शोध पत्र दावा करता है कि द्वि-प्रणाली अनुमान में, विशेष रूप से निम्नलिखित संदर्भों में आधिकारिक सांख्यिकी के उपयोग में, मिश्रित प्रभाव लॉग-लीनियर मॉडल पारंपरिक निश्चित प्रभाव दृष्टिकोणों के एक व्यवहार्य और मजबूत विकल्प के रूप में कार्य करते हैं:

1. कई स्तर (Many Strata): ऐसी स्थितियाँ जहाँ कुल जनसंख्या के सापेक्ष क्षेत्रों की संख्या अधिक होती है।
2. लघु नमूना आकार (Small Sample Sizes): वे परिदृश्य जहाँ व्यक्तिगत स्तरों में डेटा विरल होता है, जिससे निश्चित प्रभाव अनुमानों में अस्थिरता आती है।
3. निम्न कैप्चर प्रोबेबिलिटी (Low Capture Probabilities): समावेशन की संभावना कम होने के मामले, जिससे खाली सेल का जोखिम बढ़ जाता है।

लेखक निष्कर्ष निकालते हैं कि जबकि चैपमैन एस्टीमेटर एक मजबूत प्रदर्शन करने वाला बना हुआ है, मिश्रित प्रभाव मॉडल एक "बायस-रोबस्ट अप्रोच" प्रदान करते हैं जो सभी समूहों से जानकारी उधार लेता है। यह दृष्टिकोण स्वाभाविक रूप से पूर्वाग्रह और वेरिएंस के बीच संतुलन को संभालता है, अनंत अनुमानों के जोखिम को कम करता है और कठिन अनुमान परिदृश्यों में समग्र सटीकता में सुधार करता है। इस कार्यप्रणाली को सफलतापूर्वक मल्टीपल सिस्टम एस्टीमेशन तक विस्तारित किया गया है, जो द्वि-प्रणाली मामले से परे व्यापक प्रयोज्यता का सुझाव देता है।

लेखक एक विनम्र लहजे को बनाए रखते हैं, यह स्वीकार करते हुए कि हालांकि मिश्रित प्रभाव मॉडल निश्चित प्रभाव मॉडल से बेहतर प्रदर्शन करता है, परीक्षण किए गए परिदृश्यों में मीन स्क्वेर्ड एरर में लाभ अक्सर मामूली होता है। हालांकि, लघु-नमूना, उच्च-स्तरीकरण वातावरण में मिश्रित प्रभाव दृष्टिकोण की स्थिरता और मजबूती को इसके प्राथमिक लाभों के रूप में रेखांकित किया गया है।