📊 statistics

Conditional Copula models using loss-based Bayesian Additive Regression Trees

यह शोध पत्र बेयसियन एडिटिव रिग्रेशन ट्रीज़ (BART) का उपयोग करते हुए कंडीशनल कोपुला मॉडल्स के लिए एक नवीन अर्ध-पैरामीट्रिक दृष्टिकोण प्रस्तावित करता है, जिसे ओवरफिटिंग को कम करने के लिए एक लॉस-आधारित प्रायर द्वारा संवर्धित किया गया है और जटिल, गैर-सुचारू निर्भरताओं को कुशलतापूर्वक मॉडल करने के लिए एक एडेप्टिव रिवर्सिबल जंप मार्कोव चेन मोंटे कार्लो एल्गोरिदम द्वारा सुदृढ़ किया गया है, जो वास्तविक संरचनाओं की सैद्धांतिक रिकवरी और सकल घरेलू उत्पाद (GDP) का जीवन प्रत्याशा और साक्षरता दर के सहसंबंधों पर प्रभाव के केस स्टडी, दोनों के माध्यम से अपनी प्रभावशीलता प्रदर्शित करता है।

मूल लेखक: Tathagata Basu, Fabrizio Leisen, Cristiano Villa, Kevin Wilson

प्रकाशित 2026-03-11

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Tathagata Basu, Fabrizio Leisen, Cristiano Villa, Kevin Wilson

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 दो चीजों के बीच एक जटिल संबंध को समझने की कोशिश कर रहे हैं, जैसे कि पुरुषों की जीवन प्रत्याशा और महिलाओं की जीवन प्रत्याशा विभिन्न देशों में एक-दूसरे से कैसे जुड़ी हुई हैं। आमतौर पर, सांख्यिकीविद (statisticians) कहेंगे, "ठीक है, वे जुड़े हुए हैं, और यह इस जुड़ाव को दर्शाने वाला एक एकल अंक है।"

लेकिन वास्तविक दुनिया में, यह जुड़ाव स्थिर नहीं है। यह बाहरी कारकों, जैसे कि किसी देश की जीडीपी (GDP) के आधार पर बदलता रहता है। एक गरीब देश में, पुरुषों और महिलाओं की जीवन अवधि बहुत समान हो सकती है। एक समृद्ध देश में, यह अंतर अजीब और अप्रत्याशित तरीके से बढ़ या घट सकता है।

यह शोध पत्र इन बदलते संबंधों को मैप करने के लिए एक स्मार्ट और अधिक लचीला उपकरण बनाने के बारे में है। यहाँ सरल उपमाओं (analogies) का उपयोग करके इसका विवरण दिया गया है।

1. समस्या: "एक ही आकार के लिए उपयुक्त" (One-Size-Fits-All) वाला नक्शा टूटा हुआ है

पारंपरिक सांख्यिकीय उपकरण एक सपाट कागजी मानचित्र की तरह हैं। वे पूरी दुनिया को एक ही शीट पर खींचने की कोशिश करते हैं। यदि आप उस मानचित्र का उपयोग किसी पर्वत श्रृंखला में रास्ता खोजने के लिए करते हैं, तो वह विफल हो जाता है क्योंकि वहां का भूभाग बहुत जटिल है।

सांख्यिकी में, इसे "कौपला" (Copula) कहा जाता है। यह एक गणितीय उपकरण है जो बताता है कि दो चर (variables) एक साथ कैसे नृत्य करते हैं। लेकिन मानक कौपला यह मान लेते हैं कि नृत्य के कदम हर जगह एक समान होते हैं। लेखक कहते हैं, "नहीं, नृत्य के कदम संगीत (बाहरी कारक, जैसे जीडीपी) के आधार पर बदलते हैं।" हमें एक 3D, इंटरैक्टिव मानचित्र की आवश्यकता है जो पूरे देश में चलते समय अपना आकार बदल सके।

2. समाधान: एक "लेगो" (Lego) निर्माण किट (BART)

इस लचीले मानचित्र को बनाने के लिए, लेखक BART (Bayesian Additive Regression Trees) नामक एक विधि का उपयोग करते हैं।

BART को एक विशाल पेड़ के रूप में नहीं, बल्कि 500 छोटे माली (gardeners) की एक टीम के रूप में सोचें, जिनमें से प्रत्येक के पास एक छोटा लेगो स्ट्रक्चर है।

प्रत्येक माली (एक "पेड़") डेटा के एक छोटे हिस्से को देखता है और एक सरल अनुमान लगाता है (जैसे, "यदि जीडीपी कम है, तो जुड़ाव मजबूत है")।
अंतिम उत्तर 500 माली के अनुमानों का योग है।
चूंकि वे बहुत अधिक संख्या में हैं, इसलिए वे डेटा के साथ पूरी तरह फिट होने वाले अविश्वसनीय रूप से जटिल आकार बना सकते हैं, जैसे कि हजारों छोटे ब्लॉकों से बनी एक मूर्ति।

चुनौती: कभी-कभी, यदि आप किसी माली को बहुत अधिक लेगो दे देते हैं, तो वे उत्साहित हो जाते हैं और एक ऐसा टावर बनाते हैं जो बहुत ऊंचा और अस्थिर होता है। इसे ओवरफिटिंग (overfitting) कहा जाता है। मॉडल वास्तविक पैटर्न सीखने के बजाय डेटा के शोर (noise) को याद कर लेता है।

3. नवाचार: "स्मार्ट माली" (Loss-Based Prior)

लेखक अपने माली के लिए एक विशेष नियम पेश करते हैं जिसे लॉस-बेस्ड प्रायर (Loss-Based Prior) कहा जाता है।

एक सख्त मुख्य माली (Head Gardener) की कल्पना करें जो क्लिपबोर्ड लेकर घूम रहा है।

यदि कोई माली बहुत अधिक ब्लॉकों के साथ एक टावर बनाने की कोशिश करता है (बहुत जटिल), तो मुख्य माली कहता है, "यह बहुत महंगा है! आप संसाधनों को बर्बाद कर रहे हैं।"
यदि टावर बहुत सरल है और डेटा में फिट नहीं बैठता, तो मुख्य माली कहता है, "यह बहुत कमजोर है! यह टिक नहीं पाएगा।"
मुख्य माली टीम को 'गोल्डिलॉक्स ज़ोन' (Goldilocks zone) खोजने के लिए मजबूर करता है: एक ऐसा ढांचा जो सटीक होने के लिए पर्याप्त जटिल है, लेकिन स्थिर रहने के लिए पर्याप्त सरल भी है। यह मॉडल को रैंडम शोर से भ्रमित होने से रोकता है।

4. इंजन: "एडेप्टिव जीपीएस" (Adaptive GPS - RJ-MCMC)

अब, हम अरबों संभावनाओं में से सबसे अच्छा लेगो स्ट्रक्चर कैसे खोजें? हमें एक सर्च इंजन की आवश्यकता है। लेखक RJ-MCMC (Reversible Jump Markov Chain Monte Carlo) नामक एक विधि का उपयोग करते हैं।

इसे एक हाइकर (पहाड़ी यात्री) के रूप में सोचें जो कोहरे से भरी पर्वत श्रृंखला में सबसे ऊँची चोटी खोजने की कोशिश कर रहा है (जिसे "लाइकलीहुड" कहा जाता है)।

पुराना तरीका: हाइकर निश्चित आकार के कदम उठाता है। यदि कदम बहुत बड़ा है, तो वह चोटी को पार कर जाता है। यदि कदम बहुत छोटा है, तो उसे वहां पहुंचने में बहुत समय लगता है। उन्हें शुरू करने से पहले सटीक कदम का आकार अनुमानित करने की आवश्यकता होती है, जो कठिन है।
नया तरीका (एडेप्टिव/अनुकूलनीय): लेखकों की विधि एक स्मार्ट जीपीएस वाले हाइकर की तरह है।
- शुरुआत में, हाइकर रैंडम कदम उठाता है।
- जैसे-जैसे वह चलता है, जीपीएस सीखता है: "हे, जब मैं इस घाटी में हूँ, तो मुझे छोटे कदमों की आवश्यकता है। जब मैं एक रिज (ridge) पर हूँ, तो मैं बड़े कदम ले सकता हूँ।"
- जीपीएस स्वचालित रूप से कदम का आकार समायोजित करता है कि वह हाइकर कहाँ रहा है।

यह बहुत बड़ी बात है क्योंकि इसका मतलब है कि कंप्यूटर को मानवीय हस्तक्षेप के बिना सेटिंग्स को बदलने की आवश्यकता नहीं है। यह चलते-चलते सीखता है, तेजी से शिखर तक पहुँचता है, और छोटी घाटियों (local optima) में नहीं फंसता है।

5. वास्तविक दुनिया का परीक्षण: जीवन प्रत्याशा और साक्षरता

लेखकों ने CIA वर्ल्ड फैक्टबुक के वास्तविक डेटा पर अपने "स्मार्ट माली" और "एडेप्टिव जीपीएस" का परीक्षण किया।

प्रयोग: उन्होंने देखा कि किसी देश की जीडीपी (GDP) के आधार पर पुरुषों की जीवन प्रत्याशा और महिलाओं की जीवन प्रत्याशा के बीच क्या संबंध है।
परिणाम: उन्होंने पाया कि गरीब देशों में, यह लिंक बहुत मजबूत है (यदि पुरुष लंबे समय तक जीवित रहते हैं, तो महिलाएं भी, और इसके विपरीत)। जैसे-जैसे देश समृद्ध होते हैं, संबंध बदल जाता है और अधिक जटिल हो जाता है।
विजेता: उनकी नई विधि (A-C-BART) पुराने तरीकों की तुलना में इन बदलते पैटर्न को खोजने में बेहतर थी। यह अधिक स्थिर थी और डेटा के "कोहरे" से भ्रमित नहीं हुई।

उन्होंने साक्षरता दर (पढ़ने के कौशल) के साथ भी ऐसा ही किया, जिससे समान जटिल पैटर्न मिले।

सारांश

संक्षेप में, यह शोध पत्र एक सुपर-स्मार्ट, स्व-समायोजन (self-adjusting) सांख्यिकीय उपकरण का आविष्कार करता है।

यह जटिल आकार बनाने के लिए छोटे लेगो बिल्डर्स की एक टीम (BART) का उपयोग करता है।
इसमें एक सख्त मैनेजर (Loss-Based Prior) है जो उन्हें बेकार चीजें बनाने से रोकता है।
यह बिना किसी मानवीय नियंत्रण के डेटा परिदृश्य को नेविगेट करने के लिए एक स्व-शिक्षण जीपीएस (Adaptive RJ-MCMC) का उपयोग करता है।

परिणामस्वरूप, यह एक ऐसा उपकरण है जो यह समझ सकता है कि दुनिया भर में चरों (जैसे जीवन और धन) के बीच संबंध कैसे बदलते हैं, बिना भ्रमित हुए या गलत अनुमान लगाए। यह एक सपाट कागजी मानचित्र से एक जीवित, सांस लेते 3D ग्लोब में अपग्रेड करने जैसा है।

यहाँ Basu et al. के शोध पत्र "Conditional Copula models using loss-based Bayesian Additive Regression Trees" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह अध्ययन यादृच्छिक चरों (random variables) के बीच निर्भरता संरचना (dependence structure) को मॉडल करने की चुनौती को संबोधित करता है जब वह निर्भरता बाहरी सहचरों (external covariates/conditional copulas) से प्रभावित होती है।

चुनौती: पारंपरिक कोपुल अनुमान (copula inference) अक्सर पैरामीट्रिक धारणाओं या जटिल लाइकलीहुड-आधारित गैर-पैरामीट्रिक विधियों पर निर्भर करते हैं। जबकि बेयसियन एडिटिव रिग्रेशन ट्रीज़ (BART) जटिल कार्यात्मक संबंधों को मॉडल करने के लिए एक लचीला, अर्ध-पैरामीट्रिक दृष्टिकोण प्रदान करते हैं, मानक BART कार्यान्वयन इस संदर्भ में दो मुख्य बाधाओं का सामना करते हैं:
1. ओवरफिटिंग (Overfitting): मानक ट्री प्रायर (जैसे, Chipman et al., 1998) अत्यधिक जटिल ट्री बना सकते हैं।
2. असाध्य लाइकलीहुड (Intractable Likelihoods): कंडीशनल कोपुल मॉडल में अक्सर टर्मिनल नोड मानों के लिए कंजुगेट प्रायर (conjugate priors) का अभाव होता है, और उनके लाइकलीहुड फंक्शन स्मूथ या डिफरेंशिएबल नहीं हो सकते हैं, जिससे मानक लैपलेस एप्रोक्सिमेशन (हालिया जनरलाइज्ड BART साहित्य में उपयोग किए जाने वाले) अप्रभावी हो जाते हैं।
3. ट्यूनिंग की कठिनाई (Tuning Difficulty): रिवर्सिबल जंप MCMC (RJ-MCMC) एल्गोरिदम, जो ट्रांस-डायमेंशनल मॉडल चयन (ट्री स्ट्रक्चर बदलने) के लिए आवश्यक है, अक्सर धीमी मिक्सिंग से ग्रस्त होता है और इसके लिए कठिन मैनुअल ट्यूनिंग की आवश्यकता होती है।

2. कार्यप्रणाली (Methodology)

लेखक एक नया अर्ध-पैरामीट्रिक ढांचा प्रस्तावित करते हैं जो लॉस-बेस्ड BART को एक एडेप्टिव RJ-MCMC एल्गोरिदम के साथ जोड़ता है।

A. मॉडल फॉर्मूलेशन (Model Formulation)

कंडीशनल कोपुल (Conditional Copula): एक सहचर $X$ के दिए होने पर $Y_1$ और $Y_2$ के बीच की निर्भरता को एक कोपुल पैरामीटर $\theta(x)$ के माध्यम से मॉडल किया जाता है।
लिंक फंक्शन (Link Function): एक लिंक फंक्शन $h(\cdot)$ ट्री आउटपुट के योग को कोपुल पैरामीटर $\theta(x)$ की वैध सीमा (valid range) में मैप करता है (जैसे, क्लेटन (Clayton) कोपुल के लिए $\mathbb{R}$ को $(0, \infty)$ में मैप करना)।
$\theta(x_i) = h\left( \sum_{t=1}^m g(x_i, T_t, M_t) \right)$
लॉस-बेस्ड प्रायर (Loss-Based Prior): मानक प्रायर के बजाय, लेखक Serafini et al. (2024) द्वारा प्रस्तावित लॉस-बेस्ड ट्री टोपोलॉजी प्रायर का उपयोग करते हैं। यह प्रायर एक लॉस फंक्शन को कम करता है जिसमें शामिल हैं:
1. इंफॉर्मेशन लॉस (Information Loss): फिट से संबंधित।
2. कॉम्प्लेक्सिटी लॉस (Complexity Loss): टर्मिनल नोड्स ( $n_L$ ) की संख्या और ट्री इम्बैलेंस ( $\Delta$ ) को दंडित करता है।
  $\pi(T_t) \propto \exp(-\omega n_L(T_t) - \zeta \Delta(T_t))$
  यह ऑब्जेक्टिव प्रायर बिना किसी व्यक्तिपरक हाइपरपैरामीटर ट्यूनिंग के ओवरफिटिंग को रोकने में मदद करता है।

B. सैंपलिंग एल्गोरिदम: एडेप्टिव RJ-MCMC (Adaptive RJ-MCMC)

चूंकि इस संदर्भ में टर्मिनल नोड मानों के लिए कंजुगेट प्रायर उपलब्ध नहीं हैं, इसलिए लेखक BART के लिए विशेष रूप से तैयार किया गया एक रिवर्सिबल जंप MCMC (RJ-MCMC) एल्गोरिदम (Green, 1995) विकसित करते हैं।

बैकफिटिंग (Backfitting): एल्गोरिदम अन्य ट्री के सापेक्ष प्रत्येक ट्री $(T_k, M_k)$ को सैंपल करता है।
ट्री मूव्स (Tree Moves): यह चार मानक मूव्स का उपयोग करता है: Grow, Prune, Change, और Swap।
एडेप्टिव प्रपोजल वेरिएंस (Adaptive Proposal Variance): एक प्रमुख नवाचार टर्मिनल नोड मानों के प्रपोजल डिस्ट्रीब्यूशन के लिए एडेप्टिव मैकेनिज्म है।
- मानक RJ-MCMC एक निश्चित गॉसियन प्रपोजल वेरिएंस का उपयोग करता है, जिसे ट्यून करना कठिन होता है।
- प्रस्तावित Adaptive RJ-MCMC (A-C-BART) "वैल्यूज एट ऑब्जर्वेशन" ( $V_{ik} = g(x_i, T_k, M_k)$ ) के MCMC इतिहास से कोवेरिएंस स्ट्रक्चर को सीखता है।
- यह प्रेडिक्टर स्पेस के स्थानीय विभाजन के आधार पर प्रत्येक टर्मिनल नोड के लिए प्रपोजल वेरिएंस को अपडेट करता है।
- एर्गोडिसिटी (Ergodicity): लेखक सिद्ध करते हैं कि यह एडेप्टिव स्कीम डिमिनिशिंग एडेप्शन (diminishing adaptation) और कंटेनमेंट (containment) की शर्तों को पूरा करती है, जो यह सुनिश्चित करती है कि मार्कोव चेन एर्गोडिक है और लक्षित पोस्टीरियर (target posterior) की ओर अभिसरित (converge) होती है।

3. मुख्य योगदान (Key Contributions)

नया ढांचा (Novel Framework): लॉस-बेस्ड प्रायर के साथ BART का उपयोग करके एक अर्ध-पैरामीट्रिक कंडीशनल कोपुल मॉडल का परिचय, जो ट्री कॉम्प्लेक्सिटी के संबंध में व्यक्तिपरक हाइपरपैरामीटर चयन की आवश्यकता को समाप्त करता है।
एडेप्टिव सैंपलिंग (Adaptive Sampling): एक एर्गोडिक, एडेप्टिव RJ-MCMC एल्गोरिदम का विकास जो स्वचालित रूप से प्रपोजल वेरिएंस को ट्यून करता है। यह नॉन-स्मूथ लाइकलीहुड के लिए लैपलेस एप्रोक्सिमेशन की सीमाओं को दूर करता है और मैनुअल ट्यूनिंग के कम्प्यूटेशनल बोझ को कम करता है।
सैद्धांतिक गारंटी (Theoretical Guarantees): प्रस्तावित एडेप्टिव RJ-MCMC रूटीन की एर्गोडिसिटी का कठोर प्रमाण, जो ट्रांस-डायमेंशनल बेयसियन इन्फरेंस के लिए उपयोग हेतु एक सैद्धांतिक आधार प्रदान करता है।
मजबूती (Robustness): यह प्रदर्शित करना कि एडेप्टिव रूटीन वास्तविक लाइकलीहुड क्षेत्र को सफलतापूर्वक रिकवर कर सकता है, भले ही इसे सब-ऑप्टिमल प्रपोजल वेरिएंस के साथ शुरू किया गया हो, जो जटिल ट्री मॉडलों में एक सामान्य समस्या है।

4. परिणाम (Results)

A. सिमुलेशन अध्ययन (Simulation Studies)

इस पद्धति का परीक्षण दो डेटा-जनरेटिंग प्रक्रियाओं (एक पीसवाइज कांस्टेंट फंक्शन और एक नॉन-लीनियर साइनुसोइडल फंक्शन) पर पांच कोपुल परिवारों (Gaussian, Student-t, Clayton, Gumbel, Frank) के साथ सिंथेटिक डेटा पर किया गया था।

स्ट्रक्चर रिकवरी: विधि ने वास्तविक टर्मिनल नोड्स की संख्या और ट्री डेप्थ को सफलतापूर्वक रिकवर किया, जिससे ओवरफिटिंग से बचा जा सका।
प्रदर्शन: एडेप्टिव संस्करण (A-C-BART) ने नॉन-एडेप्टिव संस्करण (C-BART) की तुलना में लगातार बेहतर प्रदर्शन किया, विशेष रूप से:
- प्रेडिक्शन एक्यूरेसी (Prediction Accuracy): कम रूट मीन स्क्वेर्ड एरर (RMSE)।
- क्रेडिबल इंटरवल कवरेज (Credible Interval Coverage): बेहतर कवरेज प्रोबेबिलिटी, विशेष रूप से जब प्रारंभिक प्रपोजल वेरिएंस सब-ऑप्टिमल (जैसे, फ्रैंक कोपुल के मामले में) था।
- मिक्सिंग (Mixing): वास्तविक पोस्टीरियर क्षेत्र की ओर तेज़ अभिसरण (convergence)।

B. केस स्टडीज (CIA वर्ल्ड फैक्टबुक डेटा)

प्रति व्यक्ति सकल घरेलू उत्पाद (GDP) को कंडीशनिंग वेरिएबल के रूप में उपयोग करते हुए दो वास्तविक अनुप्रयोगों का विश्लेषण किया गया:

जीवन प्रत्याशा (Life Expectancy): पुरुष और महिला जीवन प्रत्याशा के बीच निर्भरता।
- निष्कर्ष: कम-GDP वाले देशों के लिए निर्भरता मजबूत है (Kendall's $\tau \approx 0.83$ ) और GDP बढ़ने के साथ थोड़ी कम हो जाती है।
- मॉडल फिट: मजबूत टेल डिपेंडेंस के कारण स्टूडेंट-टी (Student-t) कोपुल ने गॉसियन कोपुल की तुलना में बेहतर फिट प्रदान किया। एडेप्टिव एल्गोरिदम ने नॉन-एडेप्टिव संस्करण की तुलना में अधिक स्थिर ट्रेस प्लॉट्स और अभिसरण दिखाया।
साक्षरता दर (Literacy Rates): पुरुष और महिला साक्षरता दरों के बीच निर्भरता।
- निष्कर्ष: मजबूत निर्भरता ( $\tau \approx 0.84$ ) के साथ एक अपेक्षाकृत स्थिर संबंध जो GDP स्तरों के पार बना रहता है।
- मॉडल फिट: क्रैमर (Cramer) और फासानो-फ्रांसेस्चिनी (Fasano-Franceschini) गुडनेस-ऑफ-फिट टेस्ट ने पुष्टि की कि मॉडल ने निर्भरता संरचना को सटीक रूप से कैप्चर किया। एडेप्टिव रूटीन ने फिर से लाइकलीहुड सरफेस को एक्सप्लोर करने में बेहतर स्थिरता का प्रदर्शन किया।

5. महत्व और निष्कर्ष (Significance and Conclusion)

यह शोध पत्र कंडीशनल डिपेंडेंस स्ट्रक्चर को मॉडल करने के लिए एक मजबूत, लचीला और सैद्धांतिक रूप से सुदृढ़ उपकरण प्रदान करता है।

सामान्यीकरण (Generalizability): कोपुल पर लागू होने के बावजूद, एडेप्टिव RJ-MCMC ढांचा किसी भी BART-आधारित मॉडलिंग समस्या के लिए लागू किया जा सकता है जहाँ कंजुगेट प्रायर उपलब्ध नहीं हैं या लाइकलीहुड नॉन-स्मूथ हैं।
व्यावहारिक उपयोगिता (Practical Utility): एडेप्टिव मैकेनिज्म प्रपोजल डिस्ट्रीब्यूशन की मैनुअल ट्यूनिंग (जो जटिल सेटिंग्स में BART का उपयोग करने में एक बड़ी बाधा है) को हटा देता है, जिससे यह विधि व्यावहारिक सांख्यिकीविदों के लिए अधिक सुलभ और विश्वसनीय बन जाती है।
भविष्य का कार्य (Future Work): लेखक पेड़ों की संख्या ( $m$ ) को स्वचालित रूप से चुनने के लिए एक ऑब्जेक्टिव विधि की आवश्यकता और कई कंडीशनिंग वेरिएबल्स के साथ मल्टीवेरिएट कोपुल के विस्तार की पहचान करते हैं।

संक्षेप में, यह अध्ययन लचीले मशीन लर्निंग एन्सेम्बल्स (BART) और कंडीशनल डिपेंडेंस के लिए कठोर सांख्यिकीय अनुमान के बीच के अंतर को सफलतापूर्वक पाटता है, जो एक कम्प्यूटेशनल रूप से कुशल और सैद्धांतिक रूप से सुदृढ़ समाधान प्रदान करता है।