📊 statistics

On the universal calibration of heavy-tailed combination tests

यह शोध पत्र हैवी-टेल्ड कॉम्बिनेशन टेस्ट्स के लिए एक यूनिवर्सल कैलिब्रेशन फ्रेमवर्क स्थापित करने हेतु मल्टीवेरिएट रेगुलर वेरिएशन का उपयोग करता है, जो यह प्रदर्शित करता है कि हार्मोनिक मीन टेस्ट ही एकमात्र होमोजेनियस विधि है जो अनिश्चित निर्भरता के तहत सटीक एसिम्प्टोटिक वैधता बनाए रखती है, जबकि कॉची और डन-सिडाक जैसे अन्य लोकप्रिय टेस्ट्स की कंजर्वेटिव या इंडिपेंडेंस-रिक्वायरमेंट वाली प्रकृति को भी स्पष्ट करता है।

मूल लेखक: Parijat Chakraborty, F. Richard Guo, Kerby Shedden, Stilian Stoev

प्रकाशित 2026-03-25

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Parijat Chakraborty, F. Richard Guo, Kerby Shedden, Stilian Stoev

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 जासूस हैं जो एक बहुत बड़े केस को सुलझाने की कोशिश कर रहे हैं। आपने अलग-अलग गवाहों से सैकड़ों छोटे-छोटे सुराग (जिन्हें p-values कहा जाता है) इकट्ठे किए हैं। प्रत्येक सुराग अपराध (the "Global Null Hypothesis") होने का एक छोटा सा संकेत देता है।

कभी-कभी, ये सुराग स्वतंत्र होते हैं—गवाह A ने कुछ देखा, और गवाह B ने कुछ और देखा, और उन्हें एक-दूसरे के बारे में कोई जानकारी नहीं थी। लेकिन अक्सर, वास्तविक दुनिया में, गवाह आपस में बात करते हैं, या वे सभी एक ही अराजक दृश्य को देख रहे होते हैं। उनके सुराग परस्पर निर्भर (dependent) होते हैं।

समस्या क्या है? जब आप इन सभी सुरागों को एक बड़े फैसले (verdict) में मिलाने की कोशिश करते हैं, तो मानक गणितीय तरीके अक्सर विफल हो जाते हैं यदि गवाह आपस में जुड़े हुए हों। आप अनजाने में किसी निर्दोष को दोषी ठहरा सकते हैं (एक "Type I error") या आप गलती करने से इतना डर सकते हैं कि एक अपराधी को छूट जाने देते हैं (बहुत अधिक "conservative" होना)।

यह शोध पत्र इस बारे में है कि इन सुरागों को जोड़ने का सही तरीका क्या है, ताकि आपका फैसला सटीक हो, चाहे गवाह आपस में कैसे भी जुड़े हों।

भारी-पूंछ वाले "एम्पलीफायर" (The Heavy-Tailed "Amplifiers")

लेखक Heavy-Tailed Combination Tests नामक विधियों के एक विशिष्ट परिवार की जांच करते हैं।

प्रत्येक सुराग (p-value) को एक फुसफुसाहट के रूप में सोचें। यदि फुसफुसाहट बहुत धीमी है (एक छोटा p-value), तो यह अपराध का एक मजबूत संकेत है।

मानक तरीके इन फुसफुसाहटों को जोड़ने की कोशिश करते हैं। लेकिन यदि गवाह आपस में जुड़े हुए हैं, तो गणित जटिल हो जाता है।
Heavy-Tailed तरीके इन फुसफुसाहटों को एक विशेष "एम्पलीफायर" (एक गणितीय रूपांतरण) के माध्यम से चलाते हैं। यह एम्पलीफायर एक धीमी फुसफुसाहट को एक दहाड़ में बदल देता है।
- यदि फुसफुसाहट थोड़ी संदिग्ध है, तो एम्पलीफायर उसे एक तेज़ चिल्लाहट में बदल देता है।
- यदि फुसफुसाहट एक चीख (बहुत मजबूत सबूत) है, तो एम्पलीफायर उसे एक सुनामी में बदल देता है।

दो प्रसिद्ध "एम्पलीफायर" हाल ही में उपयोग किए गए हैं:

Cauchy एम्पलीफायर: फुसफुसाहट को Cauchy-वितरित दहाड़ में बदल देता है।
Harmonic Mean (Pareto) एम्पलीफायर: फुसफुसाहट को Pareto-वितरित दहाड़ में बदल देता है।

बड़ी खोज: "यूनिवर्सल कैलिब्रेटर" (The Big Discovery: The "Universal Calibrator")

लेखक पूछते हैं: कौन सा एम्पलीफायर पूरी तरह से काम करता है, भले ही सभी गवाह आपस में बात कर रहे हों (dependent)?

लेखकों ने यह देखने के लिए एक परिष्कृत गणितीय ढांचे (जिसे Multivariate Regular Variation कहा जाता है) का उपयोग किया कि जब ये दहाड़ें अत्यंत तेज़ होती हैं, तो उनका "आकार" कैसा होता है। उन्होंने एक मौलिक सत्य की खोज की:

🏆 विजेता: Pareto (Harmonic Mean) टेस्ट

Harmonic Mean टेस्ट (जिसे लेखक गणितीय रूप से Pareto linear combination के समान बताते हैं) ही Universal Calibrator है।

उपमा (Analogy): कल्पना कीजिए कि आप एक कॉकटेल बना रहे हैं। यदि आप Pareto विधि का उपयोग करते हैं, तो यह एक जादुई मिक्सर की तरह है जो अपने आप सामग्री को समायोजित करता है। सामग्री (गवाह) चाहे कैसे भी परस्पर क्रिया करें—चाहे वे सबसे अच्छे दोस्त हों, दुश्मन हों, या अजनबी—अंतिम ड्रिंक का स्वाद बिल्कुल सही रहेगा।
परिणाम: यह परीक्षण त्रुटि दर (error rate) को पूरी तरह से नियंत्रित करता है। यदि आप अपनी सुरक्षा सीमा 5% पर निर्धारित करते हैं, तो आप केवल 5% बार ही गलत आरोप लगाएंगे, भले ही सभी गवाह आपस में मिले हुए हों।

🥈 उपविजेता: Cauchy टेस्ट

Cauchy टेस्ट एक अच्छा साथी है, लेकिन यह थोड़ा सतर्क (cautious) है।

उपमा: Cauchy एम्पलीफायर एक ऐसे सुरक्षा गार्ड की तरह है जो अपराधी को छूट देने से बहुत डरता है। यह "ईमानदार" है (यह निर्दोष व्यक्ति पर झूठा आरोप नहीं लगाएगा), लेकिन यह अक्सर बहुत अधिक रूढ़िवादी (conservative) होता है। यह कह सकता है, "मैं 100% सुनिश्चित नहीं हूँ, इसलिए मैं सुरक्षित खेलूँगा," भले ही सबूत वास्तव में दोषसिद्धि के लिए पर्याप्त मजबूत हों।
परिणाम: यह अच्छा काम करता है, लेकिन यह अक्सर अपराध को पकड़ने में चूक जाता है क्योंकि यह गलती करने से बहुत डरता है। लेखक इसे बेहतर बनाने के लिए एक "Cauchy+" सुधार (केवल दहाड़ के सकारात्मक पक्ष का उपयोग करना) का सुझाव भी देते हैं।

🥉 हारने वाला: "Minimum" विधि (Tippett's Method)

यह वह पुराना तरीका है जहाँ आप केवल सबसे तेज़ फुसफुसाहट (सबसे छोटा p-value) चुनते हैं और बाकी को अनदेखा कर देते हैं।

उपमा: यह एक ऐसे न्यायाधीश की तरह है जो केवल उस एक गवाह की बात सुनता है जो सबसे ज़ोर से चिल्लाया था और बाकी सबको अनदेखा कर देता है।
परिणाम: यदि गवाह स्वतंत्र हैं, तो यह बहुत अच्छा काम करता है। लेकिन यदि गवाह सह-संबंधित (correlated) हैं (आपस में बात कर रहे हैं), तो यह विधि बहुत अधिक रूढ़िवादी (conservative) हो जाती है। यह गलत सूचनाओं के डर से इतना डर जाता है कि यह अपराधियों को पकड़ना ही बंद कर देता है।

"एंगुलर मेजर" (Angular Measure): गुप्त मानचित्र

लेखकों ने यह कैसे पता लगाया? उन्होंने Angular Measure नामक एक अवधारणा का उपयोग किया।

रूपक: कल्पना कीजिए कि गवाहों की "दहाड़" आकाश में उड़ने वाले तीरों की तरह है।
- यदि गवाह स्वतंत्र हैं, तो तीर यादृच्छिक दिशाओं में उड़ते हैं।
- यदि वे निर्भर हैं, तो तीर एक साथ क्लस्टर (समूह) बना सकते हैं या विशिष्ट पैटर्न में उड़ सकते हैं।
Angular Measure एक मानचित्र है जो दिखाता है कि ये तीर कैसे क्लस्टर बनाते हैं।
लेखकों ने सिद्ध किया कि Pareto टेस्ट ही एकमात्र ऐसा है जो इस मानचित्र को सही ढंग से पढ़ता है और सही फैसला देता है, चाहे तीर कैसे भी क्लस्टर क्यों न हों। Cauchy टेस्ट क्लस्टरिंग से भ्रमित हो जाता है और बहुत अधिक सतर्क हो जाता है।

वास्तविक दुनिया का अनुप्रयोग: स्वास्थ्य सर्वेक्षण (Health Survey)

यह साबित करने के लिए कि यह केवल गणितीय सिद्धांत नहीं है, लेखकों ने वास्तविक डेटा पर इसका परीक्षण किया: National Health and Nutrition Examination Survey।

वे देखना चाहते थे कि क्या रक्त रसायन (जैसे कोलेस्ट्रॉल का स्तर) अन्य शारीरिक लक्षणों (जैसे शरीर का आकार, हड्डियों का घनत्व, या मौखिक स्वास्थ्य) से संबंधित है।

उन्होंने रैंडम प्रोजेक्शन का उपयोग करके सैकड़ों "सुराग" (p-values) उत्पन्न किए।
उन्होंने इन सुरागों को मिलाने के लिए Pareto combination test का उपयोग किया।
परिणाम: Pareto टेस्ट ने रक्त रसायन और शारीरिक लक्षणों के बीच संबंधों के मजबूत प्रमाण पाए, भले ही सैंपल साइज छोटा था।
तुलना: पुराना "Bonnerroni" तरीका (सुरागों को मिलाने का एक बहुत ही सख्त, रूढ़िवादी तरीका) Pareto टेस्ट जितना अक्सर इन संबंधों को नहीं खोज सका। Pareto टेस्ट अधिक संवेदनशील और शक्तिशाली था।

एक वाक्य में सारांश

यदि आपको कई सबूतों को जोड़कर निर्णय लेना है, और आप निश्चित नहीं हैं कि उस सबूत के स्रोत स्वतंत्र हैं या आपस में जुड़े हुए हैं, तो Harmonic Mean (Pareto) टेस्ट का उपयोग करें: यह एकमात्र तरीका है जो यह गारंटी देता है कि आप कनेक्शन (जुड़ाव) से धोखा नहीं खाएंगे, जबकि यह सच को पकड़ने के लिए पर्याप्त शक्तिशाली भी है।

यहाँ Chakraborty et al. के शोध पत्र "On the Universal Calibration of Heavy-tailed Combination Tests" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

कई सांख्यिकीय अनुप्रयोगों (जैसे GWAS, मेटा-एनालिसिस, वेरिएबल सिलेक्शन) में, शोधकर्ताओं को कई $p$ -मानों ( $P_1, \dots, P_d$ ) का उपयोग करके एक ग्लोबल नल हाइपोथीसिस ( $H_0$ ) का परीक्षण करने की आवश्यकता होती है। ये $p$ -मान अक्सर सह-संबंधित (correlated) होते हैं, और उनकी निर्भरता संरचना (dependence structure) आमतौर पर अज्ञात होती है।

चुनौती: पारंपरिक संयोजन विधियाँ (जैसे फिशर या स्टफर्स) अक्सर स्वतंत्रता (independence) की धारणा लेती हैं। निर्भरता के प्रति सुदृढ़ होने के लिए भारी-पूंछ वाले संयोजन परीक्षणों (heavy-tailed combination tests) (जैसे हार्मोनिक मीन, कॉची) का प्रस्ताव दिया गया है, लेकिन सामान्य निर्भरता संरचनाओं (विशेष रूप से, पूंछ में एसिम्प्टोटिक निर्भरता) के तहत उनके सैद्धांतिक व्यवहार को अभी तक पूरी तरह से समझा नहीं गया है।
लक्ष्य: सबसे व्यापक वर्ग की निर्भरता संरचनाओं के तहत, विशेष रूप से जब रूपांतरित $p$ -मान मल्टीवेरिएट रेगुलर वेरिएशन (MRV) प्रदर्शित करते हैं, भारी-पूंछ वाले संयोजन परीक्षणों के एसिम्प्टोटिक टाइप-I एरर कंट्रोल (कैलिब्रेशन) को स्पष्ट करना।

2. कार्यप्रणाली और ढांचा (Methodology and Framework)

2.1. हेवी-टेल्ड ट्रांसफॉर्मेशन (Heavy-Tailed Transformation)

लेखक एक सामान्य ढांचे पर विचार करते हैं जहाँ $p$ -मानों को एक भारी-पूंछ वाले वितरण फलन $F$ के माध्यम से भारी-पूंछ वाले यादृच्छिक चरों $X_i$ में रूपांतरित किया जाता है:
$X_i = F^{-1}(1 - P_i)$
जहाँ $F$ एक टेल इंडेक्स $\beta > 0$ वाला हेवी-टेल्ड डिस्ट्रीब्यूशन फंक्शन है।

हार्मोनिक मीन टेस्ट: पारेटो वितरण ( $F(x) = 1 - 1/x$ ) का उपयोग करता है।
कॉची कॉम्बिनेशन टेस्ट: कॉची वितरण ( $F(x) = \frac{1}{\pi}\arctan(x) + \frac{1}{2}$ ) का उपयोग करता है।
टेस्ट स्टैटिस्टिक: एक रैखिक संयोजन $T = \sum w_i X_i$ (या एक सामान्य होमोजेनियस फंक्शन $h(X)$ )।

2.2. मल्टीवेरिएट रेगुलर वेरिएशन (MRV)

मुख्य सैद्धांतिक उपकरण मल्टीवेरिएट रेगुलर वेरेशन है। एक रैंडम वेक्टर $X$ तब MRV कहलाता है यदि उसकी टेल व्यवहार को एक एक्सपोनेंट मेजर $\mu$ और एक एंगुलर (स्पेक्ट्रल) मेजर $\sigma$ द्वारा नियंत्रित किया जाता है।

मुख्य अंतर्दृष्टि: $p$ -मानों के पास ( $X$ की ऊपरी पूंछ में) निर्भरता संरचना को यूनिट स्फीयर पर एंगुलर मेजर $\sigma$ द्वारा पूर्णतः परिभाषित किया जाता है।
एसिम्प्टोटिक कैलिब्रेशन: एक परीक्षण "यूनिवर्सली कैलिब्रेटेड" है यदि $\alpha \to 0$ होने पर $H_0$ को अस्वीकार करने की प्रायिकता नाममात्र स्तर (nominal level) $\alpha$ के बराबर हो जाती है, चाहे विशिष्ट निर्भरता संरचना कुछ भी हो (जब तक कि वह MRV ढांचे में फिट बैठती हो)।

2.3. सैद्धांतिक व्युत्पन्न (Theoretical Derivation)

एक्सपोनेंट मेजर के एंगुलर डिकंपोजिशन का उपयोग करते हुए, लेखक टेस्ट स्टैटिस्टिक $h(X)$ की टेल प्रायिकता का एसिम्प्टोटिक लिमिट निकालते हैं:
$\lim_{t \to \infty} \frac{\Pr(h(X) > t)}{\Pr(X_1 > t)} = \frac{E[h(\Theta)^\beta]}{E[\Theta_1^\beta]}$
जहाँ $\Theta$ एक रैंडम वेक्टर है जो एंगुलर मेजर $\sigma$ के अनुसार वितरित है। यह फॉर्मूला लेखकों को किसी भी MRV निर्भरता संरचना के तहत किसी भी होमोजेनियस कॉम्बिनेशन फंक्शन $h$ के लिए कैलिब्रेशन का मूल्यांकन करने की अनुमति देता है।

3. प्रमुख योगदान और सैद्धांतिक परिणाम (Key Contributions and Theoretical Results)

3.1. पारेटो (हार्मोनिक मीन) टेस्ट का यूनिवर्सल कैलिब्रेशन

परिणाम: पारेटो लीनियर कॉम्बिनेशन टेस्ट (जो कि वेटेड हार्मोनिक मीन $p$ -वैल्यू के समकक्ष है) यूनिवर्सली कैलिब्रेटेड है।
शर्त: यह किसी भी मल्टीवेरेट रेगुलरली वेरिंग निर्भरता संरचना (मजबूत टेल डिपेंडेंस सहित) के लिए सटीक एसिम्प्टोटिक स्तर $\alpha$ प्राप्त करता है।
विशिष्टता: लेखक सिद्ध करते हैं कि सभी होमोजेनियस हेवी-टेल्ड कॉम्बिनेशन टेस्टों में से, पारेटो लीनियर कॉम्बिनेशन ही एकमात्र ऐसा है जो यूनिवर्सली कैलिब्रेटेड है।

3.2. कॉची कॉम्बिनेशन टेस्ट का व्यवहार

परिणाम: कॉची कॉम्बिनेशन टेस्ट यूनिवर्सली ऑनेस्ट (टाइप-I एरर $\le \alpha$ ) है, लेकिन अक्सर कंजर्वेटिव (टाइप-I एरर $< \alpha$ ) होता है।
कैलिब्रेशन के लिए शर्त: यह केवल तभी एसिम्प्टोटिक रूप से कैलिब्रेटेड है जब एंगुलर मेजर $\sigma$ पूरी तरह से पॉजिटिव ऑर्थेंट या नेगेटिव ऑर्थेंट पर समर्थित (supported) हो (अर्थात, चर "स्पेक्ट्रली पॉजिटिव" या "स्पेक्ट्रली नेगेटिव" हों)।
निहितार्थ: मल्टीवेरिएट $t$ -copula जैसे सामान्य निर्भरता मॉडलों के तहत (जहाँ चर सकारात्मक और नकारात्मक दोनों हो सकते हैं), कॉची टेस्ट स्ट्रिक्टली कंजर्वेटिव होता है, जिससे पावर (शक्ति) का नुकसान होता है।

3.3. टिपेट्स विधि (Min $p$ -value) और फ्रेट (Fréchet) टेस्ट

परिणाम: न्यूनतम $p$ -वैल्यू विधि (टिपेट्स मेथड/डन-सिडाक करेक्शन), जो एक फ्रेट मैक्स-लीनियर कॉम्बिनेशन के अनुरूप है, यूनिवर्सली ऑनेस्ट है लेकिन एसिम्प्टोटिक रूप से कंजर्वेटिव है, जब तक कि $p$ -मान लोअर टेल में एसिम्प्टोटिक रूप से स्वतंत्र न हों।
महत्व: यह स्पष्ट करता है कि क्यों मिन- $p$ -वैल्यू विधि निर्भरता की उपस्थिति में अक्सर अत्यधिक कंजर्वेटिव होती है।

3.4. प्रस्तावित सुधार: Cauchy+

लेखक Cauchy+ नामक एक संशोधन का सुझाव देते हैं, जो कॉची वेरिएबल के एब्सोल्यूट वैल्यू (absolute value) का उपयोग करता है। यह दिखाया गया है कि यह टेस्ट यूनिवर्सली कैलिब्रेटेड है और पारेटो टेस्ट की तरह व्यवहार करता है।

4. अनुभवजन्य सत्यापन (Empirical Validation)

4.1. सिमुलेशन अध्ययन

सेटअप: लेखकों ने विभिन्न डिग्री ऑफ फ्रीडम ( $\nu$ ) और सहसंबंध संरचनाओं (ऑटोरेग्रेसिव और एक्सचेंजेबल) के साथ मल्टीवेरिएट $t$ -copula से $p$ -मानों का सिमुलेशन किया।
कैलिब्रेशन निष्कर्ष:
- पारेटो और Cauchy+: सभी निर्भरता परिदृश्यों में नाममात्र स्तर ( $\alpha$ ) के बहुत करीब टाइप-I एरर रेट बनाए रखते हैं।
- कॉची: निर्भरता मौजूद होने पर महत्वपूर्ण कंजर्वेटिविज्म (टाइप-I एरर $\ll \alpha$ ) दिखाता है।
- फ्रेट (Fréchet): जब निर्भरता कमजोर होती है, अन्यथा अत्यधिक कंजर्वेटिव होता है।
पावर निष्कर्ष: पारेटो और Cauchy+ ने उच्चतम सांख्यिकीय पावर प्राप्त की, जो लगभग एक समान है और कॉची तथा फ्रेट से बेहतर है।

4.2. वास्तविक डेटा अनुप्रयोग

डेटासेट: 2015-2016 नेशनल हेल्थ एंड न्यूट्रिशन एग्जामिनेशन सर्वे (NHANES)।
कार्य: प्रोजेक्शन कोरिलेशन का उपयोग करके ब्लड बायोकेमिस्ट्री प्रोफाइल और अन्य शारीरिक लक्षणों (शरीर का आकार, संरचना, मौखिक स्वास्थ्य) के बीच स्वतंत्रता का परीक्षण करना।
परिणाम: पारेटो कॉम्बिनेशन टेस्ट ने 6 में से 5 सेक्स/फेनोटाइप सेटिंग्स में महत्वपूर्ण मल्टीवेरिएट डिपेंडेंस का पता लगाया।
तुलना: बोनफेरोनी करेक्शन की तुलना में, पारेटो टेस्ट बहुत छोटे सैंपल साइज (20-30% तक छोटा) पर भी महत्व (significance) बनाए रखता है, जो बिना परम्यूटेशन-आधारित कैलिब्रेशन के जटिल निर्भरताओं का पता लगाने में बेहतर पावर प्रदर्शित करता है।

5. महत्व और निष्कर्ष (Significance and Conclusion)

सैद्धांतिक समाधान: यह शोध पत्र सामान्य निर्भरता के तहत हेवी-टेल्ड कॉम्बिनेशन टेस्ट्स के लक्षण वर्णन की खुली समस्या को हल करता है। यह स्थापित करता है कि मल्टीवेरिएट रेगुलर वेरेशन इस विश्लेषण के लिए स्वाभाविक ढांचा है।
हार्मोनिक मीन की इष्टतमता: यह कठोर प्रमाण प्रदान करता है कि हार्मोनिक मीन $p$ -वैल्यू (पारेटो टेस्ट) एकमात्र होमोजेनियस कॉम्बिनेशन टेस्ट है जो यूनिवर्सली कैलिब्रेटेड है। यह इसके व्यापक अनुभवजन्य सफलता को न्यायसंगत बनाता है।
कॉची टेस्ट का स्पष्टीकरण: यह स्पष्ट करता है कि हालांकि कॉची टेस्ट सुदृढ़ (robust) है, लेकिन यह यूनिवर्सली कैलिब्रेटेड नहीं है और अत्यधिक कंजर्वेटिव हो सकता है, जिससे खोज (discoveries) छूट सकती है।
व्यावहारिक मार्गदर्शन: ये निष्कर्ष निर्भर $p$ -मानों को संयोजित करने के लिए पारेटो या Cauchy+ टेस्ट का उपयोग करने की सिफारिश करते हैं, जो परम्यूटेशन-आधारित कैलिब्रेशन या बोनफेरोनी करेक्शन के मुकाबले एक गणनात्मक रूप से कुशल विकल्प प्रदान करते हैं।

संक्षेप में, यह पेपर स्थापित करता है कि हेवी-टेल्ड कॉम्बिनेशन टेस्ट्स के लिए, ट्रांसफॉर्म डोमेन में रैखिकता (पारेटो) किसी भी अनिश्चित टेल डिपेंडेंस के तहत यूनिवर्सल कैलिब्रेशन के लिए आवश्यक और पर्याप्त शर्त है, जो आधुनिक हाई-डायमेंशनल सांख्यिकी में हार्मोनिक मीन $p$ -वैल्यू के उपयोग के लिए एक मजबूत सैद्धांतिक आधार प्रदान करती है।