📊 statistics

Two-stage Estimation of Latent Variable Regression Models: A General, Root-N Consistent Solution

यह शोध पत्र दो-चरणीय कारक स्कोर प्रतिगमन (two-stage factor score regression) के लिए एक जेनेरिक, रूट-n सुसंगत पूर्वाग्रह-सुधार ढांचे का प्रस्ताव करता है जो विशिष्ट कारक स्कोर प्रकारों या जटिल विश्लेषणात्मक व्युत्पत्तियों की आवश्यकता के बिना सटीक लेटेंट वेरिएबल मॉडलों के अनुमान को सक्षम बनाता है, और स्वर्ण-मानक एक-चरणीय अधिकतम संभावना अनुमानक (one-stage maximum likelihood estimator) के तुल्य प्रदर्शन करता है।

मूल लेखक: Yang Liu, Xiaohui Luo, Jieyuan Dong, Youjin Sung, Yueqin Hu, Hongyun Liu, Daniel J. Bauer

प्रकाशित 2026-01-27

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Yang Liu, Xiaohui Luo, Jieyuan Dong, Youjin Sung, Yueqin Hu, Hongyun Liu, Daniel J. Bauer

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

मुख्य चित्र: "दो-चरणों वाला" शॉर्टकट (The "Two-Step" Shortcut)

कल्पना कीजिए कि आप एक जासूस हैं जो इस रहस्य को सुलझाने की कोशिश कर रहे हैं कि कैसे अलग-अलग अदृश्य गुण (जैसे "बुद्धिमत्ता" या "तनाव") एक-दूसरे को प्रभावित करते हैं। आप इन गुणों को सीधे नहीं देख सकते; आप केवल उनके पदचिह्न (टेस्ट स्कोर, सर्वे के उत्तर, रिएक्शन टाइम) देख सकते हैं।

सांख्यिकी (Statistics) की दुनिया में, इसे हल करने का "गोल्ड स्टैंडर्ड" तरीका यह है कि इन सभी पदचिह्नों और अदृश्य गुणों को एक ही विशाल, जटिल गणना में एक साथ देखा जाए। इसे वन-स्टेज एस्टिमेशन (One-Stage Estimation) कहा जाता है। यह एक ऐसी स्थिति की तरह है जैसे आप आँखों पर पट्टी बाँधकर 1,000 टुकड़ों वाली एक विशाल पहेली (puzzle) को सुलझाने की कोशिश कर रहे हों; यह सबसे सटीक तरीका है, लेकिन यह अविश्वसनीय रूप से कठिन, धीमा है, और कभी-कभी टुकड़े आपस में फिट ही नहीं होते (कंप्यूटर क्रैश हो जाता है या अटक जाता है)।

इसी कारण से, कई शोधकर्ता एक दो-चरणों वाले शॉर्टकट (Two-Stage Shortcut) का उपयोग करते हैं (जिसे फैक्टर स्कोर रिग्रेशन (Factor Score Regression) कहा जाता है):

चरण 1: वे वास्तविक गुणों का अनुमान लगाने के लिए पदचिह्नों को देखते हैं कि वे वास्तव में क्या हो सकते हैं। वे वास्तविक गुण की एक "प्रॉक्सी" या "परछाई" बनाते हैं।
चरण 2: वे पदचिह्नों को अनदेखा कर देते हैं और केवल इन "परछाइयों" का उपयोग यह पता लगाने के लिए करते हैं कि गुणों के बीच क्या संबंध है।

समस्या: यह पेपर बताता है कि यह शॉर्टकट दोषपूर्ण है। क्योंकि "परछाइयाँ" वास्तविक गुणों की सटीक प्रतिलिपियाँ नहीं होतीं (उनमें कुछ धुंधलापन या त्रुटि होती है), इसलिए अंतिम जासूसी कार्य पक्षपाती (biased) होता है। यह दो पहाड़ों के बीच की दूरी को मापने के लिए कोहरे वाले दिन उनकी धुंधली परछाइयों के बीच की दूरी मापने जैसा है; आपका माप गलत होगा।

समाधान: "स्व-सुधारने वाला" एल्गोरिदम (The "Self-Correcting" Algorithm)

लेखकों ने, जिनका नेतृत्व यांग लियू (Yang Liu) कर रहे हैं, एक नया "जादुई इरेज़र" (बायस-करेक्शन फ्रेमवर्क) बनाया है, जो इस दो-चरणीय शॉर्टकट द्वारा की जाने वाली गलतियों को ठीक करता है।

इनके तरीके को एक "रीकैलिब्रेट" बटन वाले जीपीएस (GPS) की तरह समझें:

पुराना तरीका: आप एक ऐसे मानचित्र का उपयोग करके गाड़ी चला रहे हैं जो थोड़ा विकृत है। आप गंतव्य पर पहुँचते हैं, लेकिन वास्तव में आप 10 मील दूर होते हैं।
नया तरीका: लेखकों का एल्गोरिदम केवल आपको एक नया मानचित्र नहीं देता। इसके बजाय, यह एक सिमुलेशन चलाता है। यह कहता है, "यदि वास्तविक दुनिया बिल्कुल ऐसी ही होती, और हम अपने शॉर्टकट तरीके का उपयोग करते, तो हम कहाँ पहुँचते?"
जहाँ शॉर्टकट वास्तव में पहुँचता है बनाम जहाँ उसे पहुँचना चाहिए था, इसकी तुलना करके, एल्गोरिदम एक सुधार कारक (correction factor) की गणना करता है। यह अनिवार्य रूप से कहता है, "ठीक है, हमारा शॉर्टकट हमेशा 10% अधिक बढ़ जाता है, तो चलिए अपने अंतिम उत्तर में से 10% घटा देते हैं।"

यह कैसे काम करता है (The "Black Box" Magic)

पेपर दो कंप्यूटर एल्गोरिदम (एल्गोरिदम 1 और एल्गोरिदम 2) पेश करता है जो एक स्वाद चखने वाले शेफ (Tasting Chef) की तरह कार्य करते हैं:

पकवान का स्वाद लेना (पॉइंट एस्टिमेशन - Point Estimation): शेफ (एल्गोरिदम) रेसिपी (पैरामीटर्स) का एक अनुमान लगाता है। फिर, वह यह देखने के लिए कि शॉर्टकट तरीका आमतौर पर क्या उत्पादन करता है, एक वर्चुअल किचन में 1,000 बार पकवान बनाने का अनुकरण (simulate) करता है। यदि शॉर्टकट लगातार सूप को बहुत नमकीन बना देता है, तो शेफ रेसिपी को तब तक समायोजित करता है जब तक कि सिम्युलेटेड सूप का स्वाद बिल्कुल सही न हो जाए। यह स्टोकेस्टिक एप्रोक्सिमेशन (Stochastic Approximation) नामक तकनीक का उपयोग करके किया जाता है, जो धीरे-धीरे एक डायल घुमाने जैसा है जब तक कि संगीत पूरी तरह से ट्यून में न आ जाए।
निरंतरता की जाँच करना (वैरिएंस एस्टिमेशन - Variance Estimation): शेफ यह भी जाँचता है कि बैच-दर-बैच सूप में कितना अंतर आता है। वे सिमल्टेनियस पर्टर्बेशन (Simultaneous Perturbation) नामक तकनीक का उपयोग करते हैं, जो एक साथ सभी संभावित दिशाओं में सामग्री को धीरे से धकेलने जैसा है ताकि यह देखा जा सके कि छोटे बदलावों के प्रति अंतिम स्वाद कितना संवेदनशील है। इससे शोधकर्ता को पता चलता है कि वे अपने परिणाम पर कितना भरोसा कर सकते हैं।

उन्होंने क्या पाया (परिणाम - Results)

लेखकों ने अपने नए तरीके का परीक्षण तीन अलग-अलग "किचन" (सिमुलेशन) में किया:

सरल किचन (Simple Kitchen): दो गुणों के बीच एक बुनियादी संबंध।
स्पाइसी किचन (Spicy Kitchen): एक जटिल संबंध जहाँ गुण आपस में क्रिया करते हैं (जैसे ऐसे सामग्रियां मिलाना जो स्वाद बदल देती हैं)।
हाई-डायमेंशनल किचन (High-Dimensional Kitchen): एक बहुत ही जटिल परिदृश्य जिसमें कई गुण और हाँ/ना वाले उत्तर हैं (जैसे एक विशाल व्यक्तित्व परीक्षण)।

फैसला:

शॉर्टकट टूटा हुआ था: मानक दो-चरणीय विधि ने ऐसे परिणाम दिए जो काफी गलत (biased) थे, कभी-कभी 30% या उससे अधिक की चूक के साथ।
फिक्स (Fix) ने काम किया: जब उन्होंने अपने "जादुई इरेज़र" एल्गोरिदम को लागू किया, तो परिणाम लगभग पूरी तरह से सटीक हो गए।
गति बनाम सटीकता: नया तरीका "गोल्ड स्टैंडर्ड" (वन-स्टेज) तरीके जितना ही सटीक था, लेकिन इसे प्रोसेस करना बहुत आसान और तेज़ था। इसके लिए गोल्ड स्टैंडर्ड की तरह जटिल और भारी काम की आवश्यकता नहीं थी।

यह क्यों महत्वपूर्ण है

पेपर का तर्क है कि शोधकर्ताओं को सुविधाजनक "दो-चरणीय" शॉर्टकट को केवल इसलिए नहीं छोड़ देना चाहिए क्योंकि इसमें एक दोष है। इसके बजाय, उन्हें इस दोष को ठीक करने के लिए इस नए बायस-करेक्शन टूल का उपयोग करना चाहिए।

यह महसूस करने जैसा है कि एक डगमगाते पहिये वाली साइकिल बेकार नहीं है; आपको बस बोल्ट कसने की आवश्यकता है। एक बार कस जाने के बाद, साइकिल उतनी ही सुचारू रूप से चलती है जितनी कि एक कार, लेकिन इसे चलाना बहुत आसान है। यह मनोवैज्ञानिकों और सामाजिक वैज्ञानिकों को जटिल, अदृश्य मानवीय गुणों का अध्ययन करने के लिए सटीकता से समझौता किए बिना सरल, परिचित तरीकों का उपयोग करने की अनुमति देता है।

संक्षेप में: पेपर एक सामान्य, कंप्यूटर-आधारित "पैच" प्रदान करता है जो एक लोकप्रिय दो-चरणीय सांख्यिकीय पद्धति की त्रुटियों को ठीक करता है, जिससे यह आज के सबसे कठिन, हाई-टेक तरीकों के समान विश्वसनीय बन जाता है।

तकनीकी सारांश: लेटेंट वेरिएबल रिग्रेशन मॉडल का दो-चरणीय अनुमान (Two-Stage Estimation)

समस्या विवरण
मनोवैज्ञानिक अनुसंधान में अनअवलोकनीय रचनाओं (unobservable constructs) को संचालित करने के लिए लेटेंट वेरिएबल (LV) मॉडल एक मानक हैं। हालांकि एक-चरणीय मैक्सिमम लाइकलीहुड (ML) अनुमान "गोल्ड स्टैंडर्ड" है, लेकिन इसे अक्सर व्यावहारिक सीमाओं का सामना करना पड़ता है, जिनमें संख्यात्मक अस्थिरता (जैसे, नॉन-कन्वर्जेंस, हेयवुड केस), बहुआयामी मॉडलों में जटिल इंटीग्रल्स के कारण कम्प्यूटेशनल जटिलता, सॉफ्टवेयर की सीमाएं और डेटा उपलब्धता संबंधी मुद्दे (जैसे, केवल कंपोजिट स्कोर उपलब्ध होना) शामिल हैं। फलस्वरूप, शोधकर्ता अक्सर दो-चरणीय फैक्टर स्कोर रिग्रेशन (FSR) का सहारा लेते हैं। FSR में, पहले एक मेजरमेंट मॉडल फिट किया जाता है ताकि फैक्टर स्कोर की भविष्यवाणी की जा सके, जिन्हें फिर दूसरे चरण के स्ट्रक्चरल रिग्रेशन में ऑब्जर्व्ड वेरिएबल्स के रूप में माना जाता है। हालांकि, FSR का सहज (naive) अनुप्रयोग मेजरमेंट एरर और फैक्टर स्कोर एवं वास्तविक लेटेंट वेरिएबल्स के बीच सहप्रसरण संरचना (covariance structure) के अंतर के कारण स्ट्रक्चरल पैरामीटर्स के अनुमान में पक्षपात (bias) उत्पन्न करता है। मौजूदा बायस-करेक्शन विधियां अक्सर विशिष्ट मॉडल वर्गों (जैसे, लीनियर SEM) तक सीमित होती हैं या विशिष्ट प्रकार के फैक्टर स्कोर की आवश्यकता रखती हैं, जिनमें व्यापक LV मॉडलों के लिए सामान्य और कम्प्यूटेशनल रूप से कुशल समाधान का अभाव है।

कार्यप्रणाली (Methodology)
लेखक एक सामान्य बायस-करेक्शन फ्रेमवर्क प्रस्तावित करते हैं जो कई फोकल और नुलसेंस पैरामीटर्स वाले पैरामेट्रिक सांख्यिकीय मॉडलों पर लागू होता है। यह विधि विशेष रूप से FSR के लिए तैयार की गई है, लेकिन इसे एक "ब्लैकबॉक्स" समाधान के रूप में डिज़ाइन किया गया है जिसमें न्यूनतम विश्लेषणात्मक व्युत्पत्ति (analytical derivation) की आवश्यकता होती है।

सांख्यिकीय ढांचा (Statistical Framework): पैरामीटर वेक्टर $\theta$ को नुलसेंस पैरामीटर्स ( $\nu$ , जैसे, मेजरमेंट पैरामीटर्स) और फोकल पैरामीटर्स ( $\phi$ , जैसे, स्ट्रक्चरल रिग्रेशन कोएफिशिएंट्स) में विभाजित किया गया है। दो-चरणीय प्रक्रिया पहले $\hat{\nu}$ का अनुमान लगाती है, और फिर $\hat{\nu}$ के आधार पर $\hat{\phi}$ का अनुमान लगाया जाता है।
बायस-करेक्शन रणनीति: लियांग और वांग (1998) के कार्य का संदर्भ लेते हुए, लेखक एक फलन $h(\phi; \nu) = E[\hat{\phi}(Y; \nu)]$ को परिभाषित करते हैं, जो प्रारंभिक (पक्षपाती) एस्टीमेटर का अपेक्षित मान है। बायस-करेक्टेड एस्टीमेटर $\hat{\phi}_{BC}$ इस संबंध को उलटने (inverting) से प्राप्त होता है: $\hat{\phi}_{BC} = h^{-1}(\hat{\phi})$ ।
सैद्धांतिक आधार: यह शोध पत्र सौम्य रेगुलैरिटी कंडीशंस के तहत बायस-करेक्टेड एस्टीमेटर की $\sqrt{n}$ -कंसिस्टेंसी स्थापित करता है। एक प्रमुख प्रस्ताव यह प्रदर्शित करता है कि यदि प्रारंभिक एस्टीमेटर्स संयुक्त रूप से $\sqrt{n}$ -कंसिस्टेंट हैं, तो बायस-करेक्टेड फोकल पैरामीटर एस्टीमेटर भी वास्तविक $\phi^*$ के लिए $\sqrt{n}$ -कंसिस्टेंट होगा, जिसके लिए एक व्युत्पन्न एसिम्प्टोटिक कोवेरिएंस मैट्रिक्स (ACM) प्राप्त होता है।
कम्प्यूटेशनल एल्गोरिदम: $h(\phi; \nu)$ $h (ϕ; ν)$ और उसके डेरिवेटिव्स के जटिल विश्लेषणात्मक व्युत्पत्तियों से बचने के लिए, लेखक दो स्टोकेस्टिक एल्गोरिदम पेश करते हैं:
- पॉइंट एस्टीमेशन (एल्गोरिदम 1): एक रॉबिन्स-मोनरो स्टोकेस्टिक एप्रोक्सिमेशन (SA) एल्गोरिदम। यह वर्तमान पैरामीटर अनुमानों का उपयोग करके मॉडल से डेटा सिमुलेट करके और देखे गए डेटा के प्रारंभिक एस्टीमेटर की तुलना करके फोकल पैरामीटर्स को पुनरावृत्ति (iteratively) से अपडेट करता है।
- वैरिएंस एस्टीमेशन (एल्गोरिदम 2): ACM के लिए आवश्यक जैकोबियन मैट्रिसेस को संख्यात्मक रूप से अनुमानित करने के लिए सिमल्टेनियस परटर्बेशन (SP) का उपयोग करने वाली एक मोंटे कार्लो-आधारित प्रक्रिया। यह वैध स्टैंडर्ड एरर्स (SEs) की गणना करने की अनुमति देता है जो पहले चरण से जुड़ी अनिश्चितता को ध्यान में रखते हैं।

प्रमुख योगदान

सामान्यीकरण (Generalizability): पिछले समाधानों के विपरीत जो लीनियर SEM या विशिष्ट फैक्टर स्कोर प्रकारों (जैसे, बार्टलेट या ARM स्कोर) तक सीमित थे, प्रस्तावित विधि लीनियर स्ट्रक्चरल रिलेशनशिप और नॉन-नॉर्मल मैनिफेस्ट वेरिएबल्स (जैसे, आइटम रिस्पांस थ्योरी मॉडल) वाले व्यापक वर्ग के LV मॉडलों पर लागू होती है।
कम्प्यूटेशनल दक्षता: यह विधि क्लोज्ड-फॉर्म एनालिटिकल सॉल्यूशंस के बजाय स्टोकेस्टिक एप्रोक्सिमेशन और मोंटे कार्लो सिमुलेशन पर निर्भर करती है, जिससे यह उन जटिल मॉडलों के लिए अनुकूलनीय हो जाती है जहाँ एक-चरणीय ML कम्प्यूटेशनल रूप से कठिन है।
फैक्टर स्कोर के चयन के प्रति मजबूती: कंसिस्टेंसी प्राप्त करने के लिए फ्रेमवर्क को विशिष्ट प्रकार के फैक्टर स्कोर (जैसे, रिग्रेशन बनाम बार्टलेट) चुनने की आवश्यकता नहीं है; बायस-करेक्शन उपयोग किए गए प्रारंभिक स्कोरिंग मेथड के बावजूद काम करता है।
सैद्धांतिक कठोरता: शोध पत्र $\sqrt{n}$ -कंसिस्टेंसी के लिए एक औपचारिक प्रमाण और सुधारा गया एस्टीमेटर्स के लिए वैध लार्ज-सैंपल स्टैंडर्ड एरर्स प्राप्त करने की विधि प्रदान करता है।

परिणाम
प्रस्तावित बायस-करेक्टेड FSR (BC-FSR) की नैव FSR और एक-चरणीय ML (और स्टडी 3 के लिए DWLS) के विरुद्ध मूल्यांकन करने के लिए तीन सिमुलेशन अध्ययन किए गए:

स्टडी 1 (सरल लेटेंट रिग्रेशन): निरंतर मैनिफेस्ट वेरिएबल्स वाले मॉडलों में, नैव FSR ने महत्वपूर्ण एटेनुएशन बायस (स्लोप्स के लिए 19% तक) और वेरिएंस बायस प्रदर्शित किया। BC-FSR ने सभी स्थितियों और फैक्टर स्कोर प्रकारों (मीन, बार्टलेट, रिग्रेशन) में रिलेटिव बायस को शून्य के करीब (<5%) कम कर दिया, और सटीकता एवं दक्षता दोनों में एक-चरणीय ML के तुलनीय प्रदर्शन किया।
स्टडी 2 (लेटेंट मॉडरेशन): नॉन-नॉर्मल आउटकम्स वाले एक द्विपद (bilinear) इंटरैक्शन मॉडल में, नैव FSR ने पर्याप्त बायस (इंटरैक्शन इफेक्ट्स के लिए 33% तक) दिखाया। BC-FSR ने नगण्य बायस के साथ पैरामीटर्स को सफलतापूर्वक रिकवर किया, जो Mplus में संख्यात्मक इंटीग्रेशन के माध्यम से गणना किए गए एक-चरणीय ML के प्रदर्शन से मेल खाता है।
स्टडी 3 (मल्टीडायमेंशनल IRT): डिक्टोटमस आइटम्स और मल्टीपल प्रेडिक्टर्स वाले एक जटिल मॉडल में, नैव FSR ने पैरामीटर के आधार पर 8% से 33% तक का बायस दिखाया। BC-FSR ने इस बायस को समाप्त कर दिया, जो एक-चरणीय ML (MH-RM एल्गोरिदम के माध्यम से) और डायगनली वेटेड लीस्ट स्क्वायर्स (DWLS) के समकक्ष प्रदर्शन करता है।
सभी अध्ययनों में, एल्गोरिदम 2 के माध्यम से मोंटे कार्लो-आधारित SE अनुमान सटीक थे, जिसमें SEs में रिलेटिव बायस आम तौर पर 10% से कम था।

महत्व और दावे
लेखक दावा करते हैं कि उनका दृष्टिकोण सहज "मेजर-देन-स्ट्रक्चरल" रणनीति (FSR) को एक सांख्यिकीय रूप से वैध, $\sqrt{n}$ -कंसिस्टेंट एस्टीमेशन विधि में बदल देता है। इस कार्य का महत्व इस बात में है:

व्यावहारिक उपयोगिता: यह शोधकर्ताओं को कम्प्यूटेशनल या डेटा बाधाओं का सामना करते समय, बिना एसिम्प्टोटिक सटीकता से समझौता किए, एक-चरणीय ML के लिए एक सीधा विकल्प प्रदान करता है।
मेथोडोलॉजिकल शिफ्ट: यह पारंपरिक दृष्टिकोण को चुनौती देता है कि नैव FSR स्वाभाविक रूप से त्रुटिपूर्ण और अप्राप्य है, यह प्रदर्शित करते हुए कि बायस को स्टोकेस्टिक एप्रोक्सिमेशन के माध्यम से व्यवस्थित रूप से हटाया जा सकता है।
सुगमता (Accessibility): विश्लेषणात्मक व्युत्पत्तियों पर निर्भरता को कम करके, यह विधि मानक सॉफ्टवेयर पैकेज की क्षमताओं से परे जटिल, कस्टमाइज्ड LV मॉडलों के लिए कठोर दो-चरणीय अनुमान लागू करने की बाधा को कम करती है।

लेख का निष्कर्ष है कि प्रस्तावित बायस-करेक्टेड FSR दो-चरणीय विधियों की कार्यान्वयन सुविधा का आनंद लेता है जबकि एक-चरणीय विधियों की सैद्धांतिक कठोरता और दक्षता प्राप्त करता है, जो संभावित रूप से शोधकर्ताओं को लेटेंट कंस्ट्रक्ट्स के बीच अधिक जटिल संबंधों की जांच करने के लिए सशक्त बनाता है।

मुख्य चित्र: "दो-चरणों वाला" शॉर्टकट (The "Two-Step" Shortcut)

समाधान: "स्व-सुधारने वाला" एल्गोरिदम (The "Self-Correcting" Algorithm)

यह कैसे काम करता है (The "Black Box" Magic)

उन्होंने क्या पाया (परिणाम - Results)

यह क्यों महत्वपूर्ण है

इसी तरह के और पेपर