📈 economics

A Flexible Approach to Augmenting a Bayesian VAR with Nonlinear Factors

यह शोधपत्र एक लचीले बेयसियन वीएआर (VAR) मॉडल को प्रस्तुत करता है जिसे रिग्रेशन ट्री के माध्यम से गैर-पैरामीट्रिक रूप से अनुमानित गैररेखीय कारकों द्वारा संवर्धित किया गया है, जो उच्च-आयामी परिवेश में पूर्वानुमान और संरचनात्मक आर्थिक विश्लेषण के लिए एक संक्षिप्त, सुदृढ़ और गणनात्मक रूप से कुशल ढांचा प्रदान करता है।

मूल लेखक: Todd Clark, Florian Huber, Gary Koop

प्रकाशित 2026-06-10

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Todd Clark, Florian Huber, Gary Koop

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 की भविष्यवाणी करने की कोशिश कर रहे हैं। एक मानक तरीका पिछले कुछ दिनों को देखना और कल के तापमान का अनुमान लगाने के लिए एक सीधी रेखा खींचना है। यह तब ठीक काम करता है जब मौसम शांत और पूर्वानुमानित हो। लेकिन क्या होगा यदि एक तूफान बन रहा हो? एक सीधी रेखा धूप वाले आसमान से अचानक, अराजक बदलाव को नहीं पकड़ सकती। आपको एक ऐसे मॉडल की आवश्यकता है जो मुड़ सके, ट्विस्ट हो सके और अराजकता के अनुकूल ढल सके।

यह शोध पत्र आर्थिक मॉडल बनाने का एक नया तरीका पेश करता है जो बिल्कुल यही करता है। लेखक, टॉड क्लार्क, फ्लोरियन हबर और गैरी कूप, एक "लचीले दृष्टिकोण" (Flexible Approach) का प्रस्ताव देते हैं। वे इसे फैक्टर-बीएआरटी वीएआर (Factor-BART VAR) कहते हैं।

यहाँ इसका विवरण दिया गया, जिसे सरल उपमाओं का उपयोग करके समझाया गया है:

1. समस्या: "एक ही आकार सबके लिए" (One-Size-Fits-All) का जाल

पारंपरिक आर्थिक मॉडल कठोर रूलर (पैमानों) की तरह होते हैं। वे मानते हैं कि अर्थव्यवस्था सीधी रेखाओं में चलती है। यदि अर्थव्यवस्था को एक बड़ा झटका लगता है (जैसे वित्तीय संकट), तो ये रूलर टूट जाते हैं या गलत भविष्यवाणियां देते हैं क्योंकि वे मुड़ नहीं सकते।

यदि आप हर एक आर्थिक संख्या (जैसे जीडीपी, मुद्रास्फीम, बेरोजगारी, हाउसिंग स्टार्ट्स) के लिए एक अलग, जटिल नियम बनाकर इसे ठीक करने की कोशिश करते हैं, तो आप दो समस्याओं का सामना करते हैं:

ओवरफिटिंग (Overfitting): आप एक ऐसा मॉडल बना देते हैं जो इतना जटिल होता है कि वह वास्तविक पैटर्न सीखने के बजाय अतीत के 'शोर' (noise) को याद कर लेता है। यह उस छात्र की तरह है जो अभ्यास परीक्षण के उत्तर रट लेता है लेकिन वास्तविक परीक्षा में फेल हो जाता है क्योंकि प्रश्न थोड़े अलग होते हैं।
कंप्यूटेशनल दुःस्वप्न (Computational Nightmare): उन सभी अलग-अलग जटिल नियमों की गणना करने के लिए इतनी अधिक कंप्यूटर शक्ति की आवश्यकता होती है कि इसे सामान्य लैपटॉप पर चलाना असंभव हो जाता है।

2. समाधान: "साझा प्लेबुक" (फैक्टर मॉडल)

लेखकों का समाधान यह है कि हर आर्थिक चर (variable) को एक अद्वितीय द्वीप के रूप में देखना बंद कर दें। इसके बजाय, वे महसूस करते हैं कि कई चर एक साथ चलते हैं। जब अर्थव्यवस्था धीमी होती है, तो बेरोजगारी बढ़ जाती है, फैक्ट्री उत्पादन कम हो जाता है और खर्च गिर जाता है। वे सभी अर्थव्यवस्था के एक ही अंतर्निहित "मिजाज" (mood) के प्रति प्रतिक्रिया दे रहे होते हैं।

वे एक फैक्टर मॉडल का उपयोग करते हैं। इसे एक साझा प्लेबुक के रूप में सोचें।

20 अलग-अलग आर्थिक चरों के लिए 20 अलग-अलग जटिल नियम लिखने के बजाय, वे केवल कुछ "मास्टर नियम" (जिन्हें फैक्टर्स कहा जाता है) लिखते हैं जो यह बताते हैं कि अर्थव्यवस्था तनाव के प्रति कैसे प्रतिक्रिया करती है।
फिर, वे प्रत्येक विशिष्ट चर के लिए उन मास्टर नियमों को ऊपर या नीचे करने के लिए सरल "लोडिंग्स" (वॉल्यूम नॉब की तरह) का उपयोग करते हैं।
लाभ: यह "फंक्शनल पूलिंग" (functional pooling) है। यह एक गायक दल (choir) की तरह है जहाँ हर कोई एक ही धुन गाता है (फैक्टर) लेकिन अलग-अलग वॉल्यूम पर। यह मॉडल को बहुत सरल, तेज़ और गलतियाँ करने की संभावना कम बनाता है।

3. इंजन: "डिसीजन ट्रीज़" (BART)

वे इन "मास्टर नियमों" को तूफान से निपटने के लिए कितना लचीला बनाते हैं? वे मशीन लर्निंग तकनीक का उपयोग करते हैं जिसे BART (बेयसियन एडिटिव रिग्रेशन ट्रीज़) कहा जाता है।

"20 सवाल" (20 Questions) के खेल की कल्पना करें:

एक मानक मॉडल पूछता है: "क्या तापमान 70 से ऊपर है?"
एक डिसीजन ट्री प्रश्नों की एक श्रृंखला पूछता है: "क्या बारिश हो रही है? यदि हाँ, तो क्या हवा की गति 50 मील प्रति घंटा से अधिक है? यदि हाँ, तो क्या यह रात का समय है?"
इन सैकड़ों सरल डिसीजन ट्रीज़ को एक साथ जोड़कर, मॉडल एक ऐसा आकार बना सकता है जो अविश्वसनीय रूप से जटिल और टेढ़ा-मेढ़ा हो सकता है। यह सीख सकता है कि "यदि बॉन्ड मार्केट तनाव में है और बेरोजगारी उच्च है, तो अर्थव्यवस्था क्रैश हो जाएगी," लेकिन यदि केवल एक ही सत्य है, तो अर्थव्यवस्था ठीक है।

लेखक साझा प्लेबुक (फैक्टर्स) को डिसीजन ट्रीज़ (BART) के साथ जोड़ते हैं। यह उन्हें बिना सुपरकंप्यूटर की आवश्यकता के जटिल, गैर-रेखीय (non-linear) आर्थिक बदलावों को पकड़ने की अनुमति देता है।

4. यह क्यों मायने रखता है: "रक्षात्मक" रणनीति

लेखक अपने मॉडल को एक "रक्षात्मक" रणनीति के रूप में वर्णित करते हैं।

रेखीय हिस्सा (The Linear Part): वे मॉडल के मानक, सीधी रेखा वाले हिस्से को रखते हैं क्योंकि, अधिकांश समय, अर्थव्यवस्था काफी हद तक पूर्वानुमानित होती है।
गैर-रेखीय हिस्सा (The Non-Linear Part): वे केवल तभी के लिए लचीला "डिसीजन ट्री" वाला हिस्सा जोड़ते हैं जब चीजें अजीब हो जाएं।
सुरक्षा जाल (The Safety Net): यदि अर्थव्यवस्था शांत है, तो मॉडल स्वचालित रूप से जटिल हिस्से को अनदेखा कर देता है और एक साधारण रूलर की तरह काम करता है। यदि संकट आता है, तो मॉडल अराजकता के अनुकूल ढलने के लिए तुरंत मुड़ जाता है। यह सुनिश्चित करता कि जब चीजें बदलती हैं, तो मॉडल "गलत" न हो।

5. उन्होंने क्या पाया

लेखकों ने इस मॉडल का परीक्षण दो तरीकों से किया:

नकली डेटा (Fake Data): उन्होंने कंप्यूटर सिमुलेशन बनाए जहाँ अर्थव्यवस्था अजीब, गैर-रेखीय तरीकों से व्यवहार करती थी। उनके मॉडल ने मानक रेखीय मॉडलों की तुलना में भविष्य की बहुत बेहतर भविष्यवाणी की। जब डेटा सरल था, तो उनका मॉडल सरल मॉडलों के समान ही प्रदर्शन करता था।
वास्तविक अमेरिकी डेटा: उन्होंने इसे 1976 से 2023 तक के वास्तविक अमेरिकी आर्थिक डेटा पर लागू किया।
- पूर्वानुमान (Forecasting): इसने मानक मॉडलों की तुलना में भविष्य की बेहतर भविष्यवाणी की, विशेष रूप से फेडरल फंड्स रेट और औद्योगिक उत्पादन जैसी चीजों के लिए।
- शॉक विश्लेषण (Shock Analysis): उन्होंने देखा कि क्या होता है जब अर्थव्यवस्था को एक "झटका" (जैसे वित्तीय स्थितियों का अचानक सख्त होना) लगता है। उन्होंने असममितता (asymmetry) पाई: अर्थव्यवस्था अच्छी खबर (easing) की तुलना में बुरी खबर (tightening) के प्रति बहुत अधिक हिंसक रूप से प्रतिक्रिया करती है। एक मानक रेखीय मॉडल इसे मिस कर देगा; वह मान लेगा कि एक "बड़ी अच्छी खबर" केवल एक "बड़ी बुरी खबर" का उल्टा है। उनके मॉडल ने दिखाया कि एक बड़ा वित्तीय संकट बहुत अधिक नुकसान पहुँचाता है जितना कि एक वित्तीय उछाल मदद करता है।

सारांश

इस शोध पत्र को एक स्मार्ट, लचीला रूलर बनाने के रूप में सोचें।

पुराने रूलर सख्त थे और जब अर्थव्यवस्था अजीब होती थी तो टूट जाते थे।
कुछ नए रूलर बहुत नरम और ढीले थे, जो सामान्य मौसम में भ्रमित हो जाते थे।
यह नया रूलर डिसीजन ट्रीज़ (जो किसी भी आकार में मुड़ सकते हैं) से बना है लेकिन एक साझा प्लेबुक द्वारा व्यवस्थित है (ताकि यह भ्रमित न हो या गणना में बहुत अधिक समय न ले)।

यह अर्थशास्त्रियों को अर्थव्यवस्था को केवल एक सीधी रेखा के रूप में नहीं, बल्कि एक जीवित, सांस लेते हुए सिस्टम के रूप में देखने की अनुमति देता है जो छोटे उतार-चढ़ाव की तुलना में बड़े संकटों के प्रति अलग तरह से प्रतिक्रिया करता है।

तकनीकी सारांश: नॉनलीनर फैक्टर्स के साथ एक बेयसियन VAR को संवर्धित करने के लिए एक लचीला दृष्टिकोण

समस्या विवरण
मानक वेक्टर ऑटोरेग्रेशंस (VARs) का व्यापक रूप से मैक्रोइकोनॉमिक पूर्वानुमान और स्ट्रक्चरल विश्लेषण के लिए उपयोग किया जाता है, लेकिन वे रैखिक धारणाओं (linear assumptions) पर निर्भर करते हैं जो जटिल गतिकी (dynamics), जैसे कि विषमताओं (asymmetries) या रिजीम शिफ्ट्स (regime shifts) को पकड़ने में विफल हो सकते हैं। जबकि बेयसियन एडिटिव रिग्रेशन ट्रीज़ (BART) जैसी नॉनपैरामेट्रिक विधियाँ लचीलापन प्रदान करती हैं, एक उच्च-आयामी प्रणाली (जैसे, $M$ वेरिएबल्स) के प्रत्येक समीकरण पर उन्हें सीधे लागू करने से गंभीर ओवर-पैरामीट्राइजेशन, कम्प्यूटेशनल बाधाएं और ओवर-फिटिंग होती है, विशेष रूप से तिमाही मैक्रोइकोनॉमिक डेटा में विशिष्ट छोटे नमूनों (samples) के मामले में। मौजूदा नॉनलीनर फैक्टर मॉडल या तो स्टेट इक्वेशंस को रैखिक रखने तक सीमित हैं या बड़े डेटासेट तक कुशलतापूर्वक स्केल करने में विफल रहते हैं। लेखक एक ऐसे मॉडल की आवश्यकता को संबोधित करते हैं जो नॉनलिनियरिटी को पकड़ने के लचीलेपन और उच्च-आयामी अनुमान के लिए आवश्यक पार्सिमनी (parsimony) के बीच संतुलन बनाए रखता है।

कार्यप्रणाली
यह शोध पत्र एक फैक्टर-BART VAR प्रस्तावित करता है, जो एक रैखिक VAR को एक निम्न-आयामी नॉनलीनर फैक्टर्स के सेट के साथ संवर्धित (augment) करने वाला एक सेमी-पैरामेट्रिक मॉडल है।

मॉडल स्पेसिफिकेशन:
सिस्टम को इस प्रकार परिभाषित किया गया है:
$y_t = A x_t + \Lambda_\mu \mu(x_t) + \varepsilon_t$
जहाँ $y_t$ एक $M \times 1$ वेक्टर है, $x_t$ में $y_t$ के $p$ लैग्स शामिल हैं, और $A$ रैखिक VAR गुणांकों (coefficients) का प्रतिनिधित्व करता है। नॉनलीनर घटक को $\mu(x_t)$ द्वारा कैप्चर किया जाता है, जो $Q_\mu \times 1$ का एक वेक्टर है जिसमें लेटेंट (latent) नॉनलीनर फैक्टर्स शामिल हैं, जहाँ $Q_\mu \ll M$ है। मैट्रिक्स $\Lambda_\mu$ इन फैक्टर्स को ऑब्जर्व्ड सीरीज़ में मैप करता है।

नॉनलीनर फैक्टर्स: फलनों (functions) $\mu_j(\cdot)$ को बेयसियन एडिटिव रिग्रेशन ट्रीज़ (BART) का उपयोग करके मॉडल किया गया है। यह पूर्व-निर्धारित पैरामेट्रिक रूप को निर्दिष्ट किए बिना जटिल, अज्ञात कार्यात्मक रूपों (जैसे, थ्रेशोल्ड, स्मूथ नॉनलिनियरिटीज़) के सन्निकटन (approximation) की अनुमति देता है।
एरर स्ट्रक्चर: इनोवेशन टर्म $\varepsilon_t$ एक रैखिक स्टैटिक फैक्टर मॉडल ( $\varepsilon_t = \Lambda_q q_t + \eta_t$ ) का अनुसरण करता है ताकि साइन रिस्ट्रिक्शंस (sign restrictions) के माध्यम से स्ट्रक्चरल आइडेंटिफिकेशन सुगम हो सके, जहाँ $\eta_t$ एक आइडियोसिंगक्रेटिक (idiosyncratic) गौसियन नॉइज़ है।

फंक्शनल पूलिंग और पार्सिमनी:
एक मुख्य नवाचार फंक्शनल पूलिंग है। प्रत्येक वेरिएबल के लिए $M$ अलग-अलग नॉनलीनर फंक्शनों का अनुमान लगाने के बजाय, मॉडल $Q_\mu$ सामान्य नॉनलीनर फंक्शन्स का अनुमान लगाता है। लोडिंग्स $\Lambda_\mu$ यह निर्धारित करते हैं कि ये सामान्य फैक्टर्स प्रत्येक समीकरण में कैसे योगदान देते हैं। यह दृष्टिकोण सीरीज़ के बीच सूचना को पूल करता है, जिससे प्रभावी पैरामीटर्स की संख्या कम हो जाती है और ओवर-फिटिंग की समस्या कम होती है। यह मॉडल विशेष मामलों को भी समाहित करता है, जिसमें मानक रैखिक VARs (यदि $\Lambda_\mu = 0$ ) और "mixBART" स्पेसिफिकेशन (यदि $Q_\mu = M$ ) शामिल हैं, जिससे डेटा को प्रभावी नॉनलीनर फैक्टर्स की संख्या निर्धारित करने की अनुमति मिलती है।
आइडेंटिफिकेशन और एस्टीमेशन:

आइडेंटिफिकेशन: मॉडल उन आइडेंटिफिकेशन समस्याओं का सामना करता है जो फैक्टर मॉडल्स में आम हैं (स्केल, साइन, रोटेशन) और नॉनलीनर फैक्टर्स के रैखिक डायनेमिक्स को अवशोषित करने की क्षमता होती है। लेखक एक एक्स-पोस्ट ऑर्थोगोनलाइजेशन प्रक्रिया का प्रस्ताव करते हैं ताकि नॉनलीनर फैक्टर्स को रैखिक रिग्रेसर्स ( $X$ ) के प्रति ऑर्थोगोनल सुनिश्चित किया जा सके, जिससे रैखिक और नॉनलीनर प्रभावों को अलग किया जा सके। वे लोडिंग्स में रोटेशनल और साइन अनडिटरमिनसी (indeterminacy) को हल करने के लिए एक मैचअलाइन (MatchAlign) प्रक्रिया (Poworoznek et al., 2021) का भी उपयोग करते हैं, जिससे MCMC ड्रॉज़ के बीच फैक्टर्स की सुसंगत व्याख्या सुनिश्चित होती है।
प्रायर्स (Priors): मॉडल रैखिक VAR गुणांकों के लिए हॉर्सशू प्रायर (horseshoe prior) और फैक्टर लोडिंग्स $\Lambda_\mu$ के लिए एक विशेष रो-एंड-कॉलम-वाइज श्रिंकेज प्रायर (row- and column-wise shrinkage prior) का उपयोग करता है। कॉलम-वाइज श्रिंकेज (जो कॉलम इंडेक्स के साथ बढ़ता है) मॉडल को अप्रासंगिक लोडिंग्स को शून्य तक सिकोड़कर प्रभावी नॉनलीनर फैक्टर्स की संख्या को स्वचालित रूप से चुनने की अनुमति देता है।
कम्प्यूटेशन: एस्टीमेशन एक मार्कोव चेन मोंटे कार्लो (MCMC) एल्गोरिदम (गिब्स सैंपलर) के माध्यम से किया जाता है। महत्वपूर्ण रूप से, फैक्टर्स और लोडिंग्स के कंडीशनल होने पर, मॉडल को समीकरण-दर-समीकरण अनुमानित किया जा सकता है, जिससे टाइम-वेरिंग पैरामीटर (TVP) VARs से जुड़ी कम्प्यूटेशनल बाधाओं से बचा जा जा सकता है।

मुख्य परिणाम

मोंटे कार्लो सिमुलेशन:

फोरकास्टिंग: जब डेटा जेनरेटिंग प्रोसेस (DGP) नॉनलीनर होता है, तो फैक्टर-BART VAR आउट-ऑफ-सैंपल फोरकास्टिंग सटीकता (लॉग प्रेडिक्टिव लाइकलीहुड द्वारा मापी गई) में लीनियर बेंचमार्क्स की तुलना में काफी बेहतर प्रदर्शन करता है। जब DGP लीनियर होता है, तो मॉडल लीनियर बेंचमार्क के लगभग बराबर प्रदर्शन करता है, जो दर्शाता है कि श्रिंकेज प्रायर प्रभावी रूप से ओवर-फिटिंग को रोकता है।
स्ट्रक्चरल एनालिसिस: मॉडल लीनियर मॉडल्स की तुलना में उच्च सटीकता और बेहतर कवरेज प्रॉपर्टीज के साथ जनरलाइज्ड इम्पल्स रिस्पॉन्स फंक्शन्स (GIRFs) को रिकवर करता है जब वास्तविक DGP नॉनलीनर होता है। यह उन विषमताओं और रिजीम-स्विचिंग व्यवहारों को सफलतापूर्वक कैप्चर करता है जिन्हें लीनियर मॉडल मिस कर देते हैं।

एम्पेरिकल एप्लीकेशन (यूएस मैक्रोइकोनॉमी):

डेटा: मॉडल का उपयोग $M=22$ de अमेरिकी मैक्रोइकोनॉमिक और फाइनेंशियल सीरीज़ (1976–2023) के एक बड़े डेटासेट पर किया गया है।
फोरकास्टिंग: फैक्टर-BART VAR ( $Q_\mu=8$ ) एक लीनियर BVAR की तुलना में डेंसिटी फोरकास्ट सटीकता में पर्याप्त लाभ देता है, विशेष रूप से मल्टी-स्टेप होराइजन्स (10–13% एनर्जी स्कोर में सुधार) पर। यह समान हार्डवेयर पर mixBART और गॉसियन प्रोसेस VARs जैसे प्रतिस्पर्धी नॉनलीनर स्पेसिफिकेशन को भी पीछे छोड़ देता है, जबकि कम्प्यूटेशनल रूप से अधिक कुशल है (लग'भग 9 मिनट बनाम 30 मिनट)।
स्ट्रक्चरल एनालिसिस: डिमांड, सप्लाई, मॉनेटरी पॉलिसी और फाइनेंशियल शॉक्स को पहचानने के लिए साइन रिस्ट्रिक्शंस का उपयोग करते हुए, विश्लेषण महत्वपूर्ण विषमताओं (asymmetries) को प्रकट करता है। वित्तीय स्थितियों और मॉनेटरी पॉलिसी में बड़े कड़ेपन (tightenings) का वास्तविक गतिविधि और मुद्रास्फीति पर, संबंधित ढील (easings) की तुलना में बहुत अधिक पूर्ण प्रभाव पड़ता है। यह पाया गया कि नॉनलीनर एडजस्टमेंट मंदी के दौर (जैसे, 2008–09, 2020) के दौरान सबसे अधिक प्रासंगिक है, जहाँ लीनियर मॉडल गलत भविष्यवाणी करने की प्रवृत्ति रखते हैं।

महत्व और दावे
पेपर का दावा है कि फैक्टर-BART VAR एक "लचीला दृष्टिकोण" प्रदान करता है जो ओवर-पैरामीट्राइजेशन, मिसस्पेसिफिकेशन और कम्प्यूटेशनल व्यवहार्यता के बीच के ट्रेड-ऑफ को प्रभावी ढंग से संतुलित करता है। इसके प्राथमिक योगदान हैं:

डिफेंसिव मॉडलिंग: एक नॉनपैरामेट्रिक घटक को शामिल करके, यह मॉडल पूरी तरह से नॉनपैरामेट्रिक हाई-डायमेंशनल मॉडल्स की कम्प्यूटेशनल लागत उठाए बिना, लीनियर मिसस्पेसिफिकेशन के खिलाफ एक मजबूत बचाव के रूप में कार्य करता है।
स्केलेबिलिटी: फैक्टर स्ट्रक्चर नॉनलीनर डायनेमिक्स के साथ बड़े सिस्टम ( $M \gg Q_\mu$ ) को मॉडल करने में सक्षम बनाता है, जो पहले नॉनपैरामेट्रिक VARs में "कर्स ऑफ डायमेंशनलिटी" (curse of dimensionality) द्वारा बाधित था।
स्ट्रक्चरल वैलिडिटी: यह मॉडल लीनियर फैक्टर मॉडल्स से मौजूदा आइडेंटिफिकेशन स्ट्रैटेजीज (साइन रिस्ट्रिक्शंस) को नॉनलीनर केस में अनुकूलित करता है, जिससे आर्थिक प्रतिक्रियाओं की विषमताओं की खोज संभव होती है जो लीनियर फ्रेमवर्क में अदृश्य रहती हैं।
व्यावहारिक उपयोगिता: लेखक प्रदर्शित करते हैं कि उनका मॉडल अमेरिकी मैक्रोइकोनॉमिक डेटा के लिए फोरकास्टिंग सटीकता और स्ट्रक्चरल विश्लेषण में मूर्त सुधार प्रदान करता है, विशेष रूप से वित्तीय तनाव और मॉनेटरी पॉलिसी ट्रांसमिशन की नॉनलीनियर डायनेमिक्स को कैप्चर करने में।

पेपर निष्कर्ष निकालता है कि जबकि लीनियर घटक अभी भी कंडिशनल मीन का प्रमुख चालक बना हुआ है, नॉनलीनर फैक्टर ब्लॉक एक संक्षिप्त और सांख्यिकीय रूप से कुशल सुधार प्रदान करता है जो उच्च आर्थिक तनाव और नॉनलिनियरिटी के दौर में अत्यंत महत्वपूर्ण है।