Generation of Multivariate Discrete Data with Generalized Poisson, Negative Binomial and Binomial Marginal Distributions

तकनीकी सारांश: सामान्यीकृत पॉइसन (Generalized Poisson), नकारात्मक द्विपद (Negative Binomial), और द्विपद (Binomial) मार्जिनल वितरणों के साथ बहुभिन्नरूपी असतत डेटा का सृजन

1. समस्या विवरण

महामारी विज्ञान (epidemiology), जीनोमिक्स और सामाजिक विज्ञान जैसे क्षेत्रों में, शोधकर्ता अक्सर बहुभिन्नरूपी असतत डेटा (count data) का सामना करते हैं जहाँ चर आपस में सह-संबंधित (correlated) होते हैं। यद्यपि सांख्यिकीय मॉडलों के प्रदर्शन का आकलन करने और अनुमानक गुणों (पूर्वाग्रह, निरंतरता आदि) के मूल्यांकन के लिए स्टोकेस्टिक सिमुलेशन आवश्यक है, मौजूदा विधियाँ अक्सर महत्वपूर्ण सीमाओं से ग्रस्त होती हैं:

• लचीलेपन का अभाव: कई एल्गोरिदम (जैसे, NORTA-आधारित) एक ही प्रकार के वितरण तक सीमित हैं।
• सहसंबंध संबंधी बाधाएं: कुछ विधियाँ केवल सकारात्मक सहसंबंधों या कम-सहसंबंध/कम-माध्य परिदृश्यों तक सीमित हैं।
• संरचनात्मक सीमाएं: कुछ दृष्टिकोण केवल विनिमय योग्य (exchangeable) संरचनाओं को संभाल सकते हैं या लेटेंट वेरिएबल्स (latent variables) वाले जटिल संयुक्त वितरण मॉडल की आवश्यकता रखते हैं।

लेखकों का लक्ष्य एक सुदृढ़ और लचीला ढांचा प्रदान करना है जो विविध मार्जिनल वितरणों (सामान्यीकृत पॉइसन, नकारात्मक द्विपद, और द्विपद) और सहसंबंधों की एक विस्तृत श्रृंखला (सकारात्मक और नकारात्मक दोनों) के साथ बहुभिन्नरूपी डेटा उत्पन्न करने में सक्षम हो।

2. कार्यप्रणाली

प्रस्तावित एल्गोरिदम बहुभिन्नरूपी ऑर्डिनल डेटा के लिए डेमिरटास (2006) द्वारा विकसित कार्यप्रणाली का एक विस्तार है। मुख्य रणनीति लेटेंट मल्टीवेरिएट नॉर्मल वेरिएबल्स का उपयोग करके एक "कोलैप्स-एंड-रिकंस्ट्रक्ट" (collapse-and-reconstruct) दृष्टिकोण है।

एल्गोरिदम के चरण:

1. कोलैप्सिंग (द्विभाजन/Dichotomization): प्रत्येक असतत मार्जिनल वितरण को एक बाइनरी वेरिएबल में समेटा (collapse) जाता है। लचीलेपन को अधिकतम करने के लिए, लेखक असतत चर के माध्यिका (median) का उपयोग एक थ्रेशोल्ड के रूप में करते हैं। यदि माध्यिका 0.5 के करीब बाइनरी अपेक्षा प्राप्त नहीं करती है, तो इसे उस श्रेणी में असाइन किया जाता है जो अपेक्षा को 0.5 के करीब लाती है।
2. पुनरावृत्त सहसंबंध मिलान (Iterative Correlation Matching): क्योंकि असतत चरों के बीच का सहसंबंध ($\delta^*_{ij}$), उनके कोलैप्स्ड बाइनरी समकक्षों ($\delta^b_{ij}$) के सहसंबंध के समान नहीं होता है, इसलिए लेखक एक पुनरावृत्त सिमुलेशन-आधारित प्रक्रिया का उपयोग करते हैं। वे लक्षित सहसंबंध से शुरू करते हैं, बाइनरी डेटा उत्पन्न करते हैं, इसे वापस असतत स्केल पर परिवर्तित करते हैं, और बाइनरी सहसंबंध को तब तक समायोजित करते हैं जब तक कि परिणामी असतत सहसंबंध एक निर्दिष्ट सहनशीलता के भीतर लक्षित सहसंबंध से मेल न खा जाए।
3. धनात्मक निश्चितता (Positive Definiteness): चूंकि असेंबल की गई बाइनरी सहसंबंध मैट्रिक्स ($\Sigma$) धनात्मक निश्चित (positive definite) नहीं हो सकती है, इसलिए एल्गोरिदम निकटतम धनात्मक निश्चित मैट्रिक्स खोजने के लिए हाईम (Higham, 2002) की विधि लागू करता है।
4. लेटेंट वेरिएबल जनरेशन: मल्टीवेरिएट बाइनरी डेटा को एमरिच और पीडमोंटे (1991) के दृष्टिकोण का उपयोग करके उत्पन्न किया जाता है, जो मल्टीवेरिएट नॉर्मल वितरण और टेट्राकोरिक सहसंबंध (tetrachoric correlation) का उपयोग करता है।
5. पुनर्निर्माण (रिवर्स-कोलैप्सिंग): उत्पन्न बाइनरी डेटा को चरण 1 में स्थापित थ्रेशोल्ड और प्रायिकता द्रव्यमान फलनों (PMFs) का उपयोग करके मूल असतत स्केल पर मैप किया जाता है।

3. प्रमुख योगदान

• एकीकृत ढांचा: एक एकल एल्गोरिदम जो तीन प्रमुख असतत वितरण परिवारों (सामान्यीकृत पॉइसन, नकारात्मक द्विपद, और द्विपद) और उनके मिश्रणों को समाहित करता है।
• वितरणात्मक लचीलापन: पिछले तरीकों के विपरीत, यह अति-प्रसार (over-dispersion) (सामान्यीकृत पॉइसन/नकारात्मक द्विपद के माध्यम से) और अल्प-प्रसार (under-dispersion) दोनों की अनुमति देता है।
• सहसंबंध बहुमुखी प्रतिभा: यह नकारात्मक सहसंबंधों और गैर-विनिमय योग्य (non-exchangeable) संरचनाओं (जैसे, टोप्लिट्ज़) सहित विभिन्न सहसंबंध संरचनाओं का समर्थन करता है।
• सॉफ्टवेयर कार्यान्वयन: लेखकों ने MultiDiscreteRNG R पैकेज जारी किया है, जो पैरामीटर चेकिंग, कोलैप्सिंग और मिश्रित-वितरण पीढ़ी के लिए प्रमाणित फंक्शन प्रदान करता है।

4. परिणाम

कार्यप्रणाली का मूल्यांकन व्यापक सिमुलेशन अध्ययनों और वास्तविक दुनिया के डेटा अनुप्रयोगों के माध्यम से किया गया:

• सिमुलेशन अध्ययन: चार परिदृश्यों (सामान्यीकृत पॉइसन, नकारात्मक द्विपद, द्विपद, और मिश्रित) में, पद्धति ने उच्च सटीकता और परिशुद्धता प्रदर्शित की।
  • सटीकता: सापेक्ष पूर्वाग्रह (Relative Bias - RB) आम तौर पर 5% की दहलीज से नीचे था।
  • परिशुद्धता: $N=200$ से $N=2000$ तक नमूना आकार बढ़ने के साथ मानकीकृत पूर्वाग्रह (Standardized Bias - SB) और RMSE में कमी आई।
  • विश्वसनीयता: कवरेज दर (Coverage Rates - CR) लगातार नाममात्र 95% स्तर के करीब रही।
• वास्तविक-डेटा अनुप्रयोग: पद्धति ने तीन अलग-अलग डेटासेट से मापदंडों और सहसंबंधों को सफलतापूर्वक पुनः प्राप्त किया:
  • NMES (चिकित्सा व्यय): स्वास्थ्य सेवा उपयोग के लिए सामान्यीकृत पॉइसन मापदंडों को रिकवर किया।
  • AHS (ऑस्ट्रेलियाई स्वास्थ्य सर्वेक्षण): स्वास्थ्य सेवा उपयोग के लिए नकारात्मक द्विपद मापदंडों को रिकवर किया।
  • LA क्राइम डेटा: आपराधिक अपराध आवृत्तियों को मॉडल करने के लिए एक मिश्रित-वितरण (mixed-distribution) परिदृश्य (सामान्यीकृत पॉइसन और नकारात्मक द्विपद का संयोजन) को सफलतापूर्वक संभाला।

5. महत्व

यह शोध पत्र उन शोधकर्ताओं के लिए एक महत्वपूर्ण उपकरण प्रदान करता है जिन्हें वास्तविक दुनिया के जटिल, सह-संबंधित और प्रसरित (dispersed) प्रकृति वाले सिंथेटिक डेटासेट बनाने की आवश्यकता होती है। अपने मार्जिनल वितरणों को सहसंबंध संरचना से अलग करके, यह पद्धति लचीलेपन का एक ऐसा स्तर प्रदान करती है जो विविध वैज्ञानिक डोमेन में सांख्यिकीय मॉडलों के अधिक कठोर परीक्षण की अनुमति देती है। हालांकि लेखक सहसंबंध सीमाओं (जो मार्जिनल अपेक्षाओं द्वारा निर्धारित होती हैं) के संबंध में सीमाओं को नोट करते हैं, यह ढांचा बहुभिन्नरूपी असतत डेटा सिमुलेशन में एक महत्वपूर्ण प्रगति का प्रतिनिधित्व करता है।