📈 economics

The Accuracy Smoothness Dilemma in Prediction: a Novel Multivariate M-SSA Forecast Approach

यह शोध पत्र एक नवीन मल्टीवेरिएट एम-एसएसए (Multivariate M-SSA) पूर्वानुमान दृष्टिकोण प्रस्तुत करता है जो क्रॉस-सेक्शनल जानकारी को शामिल करने के लिए स्मूथ साइन एक्यूरेसी (Smooth Sign Accuracy) ढांचे का विस्तार करके सटीकता-सुगमता द्वंद्व (accuracy-smoothness dilemma) को हल करता है, जिससे पूर्वानुमान, नाउकास्टिंग और स्मूथिंग के अनुप्रयोगों के लिए कई टाइम सीरीज़ में साइन एक्यूरेसी, मीन स्क्वेयर्ड एरर और साइन चेंज फ्रीक्वेंसी के बीच संतुलन बनाया जा सके।

मूल लेखक: Marc Wildi

प्रकाशित 2026-02-17

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Marc Wildi

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 अगले सप्ताह के मौसम की भविष्यवाणी करने की कोशिश कर रहे हैं। आपके पास दो मुख्य लक्ष्य हैं, जो अक्सर एक-दूसरे से टकराते हैं:

सटीकता (Accuracy): आप चाहते हैं कि आपकी भविष्यवाणी हर दिन सटीक तापमान तक पहुँचे।
सुगमता (Smoothness): आप चाहते हैं कि आपकी भविष्यवाणी स्वाभाविक लगे, न कि हर घंटे "जमने वाली ठंड" से "उबलती गर्मी" के बीच झटके से बदल जाए।

यदि आप केवल सटीकता पर ध्यान केंद्रित करते हैं, तो आपकी भविष्यवाणी एक टेढ़ी-मेढ़ी, अराजक रेखा जैसी दिख सकती है। यह औसतन गणितीय रूप से "सही" हो सकती है, लेकिन यह इतनी शोर भरी (noisy) होगी कि आप इस पर भरोसा नहीं कर पाएंगे। यदि आप केवल सुगमता पर ध्यान केंद्रित करते हैं, तो आपकी भविष्यवाणी एक शांत, सीधी रेखा हो सकती है, लेकिन यह वास्तविक तूफानों और लू को पूरी तरह से मिस कर देगी।

यह "सटीकता-सुगमता दुविधा" (Accuracy-Smoothness Dilemma) है।

पुराना तरीका: "परफेक्ट" लेकिन शोर भरा क्रिस्टल बॉल

पारंपरिक पूर्वानुमान विधियाँ (जैसे मानक "MSE" या मीन स्क्वेर्ड एरर) सटीकता के प्रति जुनूनी होती हैं। वे अपने अनुमान और वास्तविक संख्या के बीच की दूरी को कम करने की कोशिश करती हैं।

इसे एक ऐसे ड्राइवर की तरह समझें जो लेन के बिल्कुल केंद्र में रहने पर इतना केंद्रित है कि वह मामूली विचलन को ठीक करने के लिए लगातार स्टीयरिंग व्हील को दाएं-बाएं झटका देता है। वे तकनीकी रूप से "ट्रैक पर" हैं, लेकिन सवारी बहुत ही झटकेदार और डरावनी है। अर्थशास्त्र में, यह बुरा है क्योंकि यह "झूठे अलार्म" पैदा करता है—यह भविष्यवाणी करना कि मंदी आने वाली है, जबकि वास्तव में अर्थव्यवस्था केवल एक खराब मंगलवार का सामना कर रही थी।

नया तरीका: "M-SSA" दिशा-सूचक (Compass)

यह शोध पत्र एक नई विधि पेश करता है जिसे M-S S A (मल्टीवेरिएट स्मूथ साइन एक्यूरेसी) कहा जाता है। केवल सटीक संख्या तक पहुँचने के बजाय, M-SSA एक अलग सवाल पूछता है: "मेरी भविष्यवाणी कितनी बार बार-बार बदलती (flip-flop) है?"

यह होल्डिंग टाइम (Holding Time - HT) की अवधारणा पेश करता है।

कम होल्डिंग टाइम: आपकी भविष्यवाणी लगातार सकारात्मक से नकारात्मक (या ऊपर से नीचे) बदलती रहती है। यह अस्थिर है।
उच्च होल्डिंग टाइम: आपकी भविष्यवाणी एक ही दिशा में लंबे समय तक बनी रहती है। यह सुगम और स्थिर है।

उपमा: हाइकर बनाम चींटी

पुरानी विधि (MSE) एक चींटी की तरह है। यह एक विशिष्ट पत्ते पर बने रहने के लिए छोटे, घबराहट भरे कदम उठाती है। यदि हवा चलती है, तो चींटी तुरंत इधर-उधर भागती है। यह बहुत सटीक है लेकिन बहुत अधिक अस्थिर है।
नई विधि (M-SSA) एक हाइकर (पदमयात्री) की तरह है। हाइकर गंतव्य तक पहुँचना चाहता है (सटीकता), लेकिन वह एक स्थिर पथ पर भी चलना चाहता है। उसे हर छोटे कंकड़ की परवाह नहीं है; उसे सामान्य दिशा की परवाह है। यदि रास्ता थोड़ा टेढ़ा-मेढ़ा होता है, तो हाइकर इधर-उधर कूदने के बजाय सुचारू रूप से चलता रहता है।

"मल्टीवेरिएट" जादू: पूरी टीम का उपयोग करना

इस शोध पत्र का सबसे बड़ा नवाचार इसे एक साथ कई डेटा स्रोतों (Multivariate) के लिए काम करने योग्य बनाना है।

कल्पदन कीजिए कि आप एक स्पोर्ट्स टीम के प्रदर्शन की भविष्यवाणी करने वाले कोच हैं।

पुराना तरीका: आप केवल स्टार खिलाड़ी के आंकड़ों को देखते हैं। आपको एक भविष्यवाणी मिलती है, लेकिन यह शोर भरी होती है क्योंकि एक खिलाड़ी का एक दिन खराब हो सकता है।
M-SSA तरीका: आप पूरी टीम को देखते हैं। आप देखते हैं कि स्टार खिलाड़ी संघर्ष कर रहा है, लेकिन डिफेंस मजबूत है और मौसम अच्छा है। M-SSA इन सभी संकेतों को जोड़ता है।

यह "व्यक्तिगत" के शोर को शांत करने के लिए "टीम" का उपयोग करता है। यदि स्टार खिलाड़ी का डेटा अस्थिर है, तो कोच भविष्यवाणी को स्थिर करने के लिए डिफेंस की स्थिर लय का उपयोग करता है, बिना अंतिम स्कोर की भविष्यवाणी करने की क्षमता खोए।

शोध पत्र के वास्तविक दुनिया के उदाहरण

पूर्वानुमान (भविष्य की भविष्यवाणी करना):
- परिदृश्य: अगले महीने के औद्योगिक उत्पादन की भविष्यवाणी करना।
- परिणाम: पुरानी विधि (MSE) अगले सप्ताह अचानक गिरावट और उसके बाद के सप्ताह में अचानक उछाल की भविष्यवाणी कर सकती है। M-SSA विधि कहती है, "ठहरिए, रुझान वास्तव में स्थिर है।" यह अचानक होने वाली उन गिरावटों के "झूठे अलार्म" को कम करता है जो वास्तव में नहीं होती हैं।
स्मूथिंग (अतीत को साफ करना):
- परिदृश्य: दैनिक उतार-चढ़ाव के शोर को हटाकर वास्तविक रुझान खोजने के लिए ऐतिहासिक आर्थिक डेटा को देखना।
- परिणाम: पारंपरिक फिल्टर (जैसे प्रसिद्ध HP फ़िल्टर) एक ऐसे भारी-भरकम संपादक की तरह हैं जो बहुत अधिक विवरण काट देते हैं। M-SSA एक कुशल संपादक की तरह है जो गलतियों (शोर) को हटाता है लेकिन कहानी के प्रवाह (बिजनेस साइकिल) को बरकरार रखता है। यह सुनिश्चित करता है कि अर्थव्यवस्था की "कहानी" अनावश्यक रूप से बार-बार न बदले।
सिग्नल एक्सट्रैक्शन (भूसे के ढेर में सुई खोजना):
- परिदृश्य: मुख्य अर्थव्यवस्था की भविष्यवाणी करने के लिए एक "लीडिंग इंडिकेटर" (जैसे व्यावसायिक विश्वास का सर्वेक्षण) का उपयोग करना।
- परिणाम: शोध पत्र दिखाता है कि मुख्य डेटा को लीडिंग इंडिकेटर के साथ जोड़कर, M-SSA मानक विधियों की तुलना में दो महीने पहले मंदी की भविष्यवाणी कर सकता है, लेकिन बिना किसी अस्थिर शोर के। यह दूर से आती बिजली की गड़गड़ाहट सुनने और यह जानने जैसा है कि तूफान आ रहा है, बजाय इसके कि बारिश आपके चेहरे पर गिरने का इंतजार किया जाए।

निष्कर्ष

यह शोध पत्र तर्क देता है कि अर्थशास्त्र और पूर्वानुमान में, "सुगम" होना उतना ही महत्वपूर्ण है जितना कि "सटीक" होना।

यदि आपकी भविष्यवाणी बहुत शोर भरी है, तो निर्णय लेने वाले (जैसे केंद्रीय बैंकर या CEO) घबरा सकते हैं और झूठे संकेतों के आधार पर गलत निर्णय ले सकते हैं। M-SSA उन्हें इन दोनों के बीच संतुलन बनाने का एक उपकरण देता है: यह भविष्यवाणी को उपयोगी होने के लिए पर्याप्त सटीक रखता है, लेकिन भरोसेमंद होने के लिए पर्याप्त सुगम भी बनाता है। यह एक अराजक, झटकेदार GPS और एक विश्वसनीय नेविगेशन सिस्टम के बीच का अंतर है जो आपको स्थिरता से आपके गंतव्य तक ले जाता है।

यहाँ मार्क विल्डी के शोध पत्र "The Accuracy Smoothness Dilemma in Prediction: a Novel Multivariate M-SSA Forecast Approach" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र समय श्रृंखला पूर्वानुमान (time series forecasting) और सिग्नल निष्कर्षण (signal extraction) में एक मौलिक ट्रेड-ऑफ को संबोधित करता है जिसे सटीकता-सुगमता द्वंद्व (Accuracy-Smoothness (AS) Dilemma) कहा जाता है।

द्वंद्व: पारंपरिक पूर्वानुमान विधियाँ, जो आमतौर पर माध्य वर्ग त्रुटि (Mean Squared Error - MSE) को न्यूनतम करने के लिए अनुकूलित होती हैं, अक्सर सुगमता (smoothness) की कीमत पर सटीकता (accuracy) (श्रृंखला के वास्तविक स्तर को ट्रैक करना) को प्राथमिकता देती हैं। इसके परिणामस्वरूप "शोरयुक्त" (noisy) भविष्यवक्ता उत्पन्न हो सकते हैं जिनमें अत्यधिक अवांछित संकेत परिवर्तन (zero-crossings) होते हैं, जो आर्थिक संदर्भों (जैसे कि व्यावसायिक चक्र के टर्निंग पॉइंट्स के बारे में गलत अलार्म) में अवांछनीय हैं।
मौजूदा विधियों की सीमा: पारंपरिक स्मूथिंग तकनीकें (जैसे Hodrick-Prescott फ़िल्टर) या ट्राइलेमा-आधारित दृष्टिकोणों में अक्सर एक मल्टीवेरिएट सेटिंग में साइन सटीकता (sign accuracy), MSE और संकेत परिवर्तनों की आवृत्ति (holding time) को एक साथ अनुकूलित करने के लिए एक एकीकृत ढांचे का अभाव होता है।
लक्ष्य: एक ऐसा ढांचा विकसित करना जो उपयोगकर्ताओं को कई समय श्रृंखलाओं (multiple time series) में ट्रैकिंग सटीकता और भविष्यवक्ता की सुगमता (zero-crossings के बीच की अवधि द्वारा मापा गया) के बीच संतुलन को स्पष्ट रूप से प्रबंधित करने की अनुमति दे सके।

2. कार्यप्रणाली: M-SSA ढांचा (Methodology: The M-SSA Framework)

लेखक मल्टीवेरिएट स्मूथ साइन एक्यूरेसी (M-SSA) दृष्टिकोण प्रस्तावित करते हैं, जो यूनिवेरिएट SSA ढांचे (Wildi, 2024, 2026) का एक विस्तार है।

मुख्य अवधारणाएं (Core Concepts)

स्मूथ साइन एक्यूरेसी (SSA): केवल MSE को कम करने के बजाय, यह विधि होल्डिंग टाइम (HT) पर एक प्रतिबंध लागू करते हुए भविष्यवक्ता और लक्ष्य (या MSE भविष्यवक्ता) के बीच सहसंबंध (correlation) को अधिकतम करती है।
होल्डिंग टाइम (HT): इसे भविष्यवक्ता के क्रमिक जीरो-क्रॉसिंग्स के बीच की अपेक्षित अवधि के रूप में परिभाषित किया गया है। गॉसियन धारणाओं के तहत, HT गणितीय रूप से भविष्यवक्ता के प्रथम-क्रम ऑटोकोरिलेशन (ACв) से जुड़ा हुआ है: $ht = \pi / \arccos(\rho)$ ।
ट्रेड-ऑफ: HT (प्रथम-क्रम ACF के माध्यम से) को प्रतिबंधित करके, उपयोगकर्ता भविष्यवक्ता की "सुगमता" को नियंत्रित कर सकता है। एक उच्च HT प्रतिबंध कम जीरो-क्रॉसिंग्स (अधिक सुगम) को मजबूर करता है, जबकि एक कम HT अधिक प्रतिक्रियाशीलता (कम सुगम) की अनुमति देता है।

गणितीय सूत्रीकरण (Mathematical Formulation)

यूनिवेरिएट मामला: समस्या को एक निश्चित प्रथम-क्रम ACF $\rho(y) = \rho_1$ और एक लंबाई प्रतिबंध के अधीन लक्ष्य सहसंबंध $\rho(y, z)$ को अधिकतम करने के रूप में तैयार किया गया है।
मल्टीवेरिएट विस्तार (M-SSA):
- मान लीजिए $x_t$ एक मल्टीवेरिएट स्टेशनरी प्रक्रिया है और $z_t$ लक्ष्य है।
- भविष्यवक्ता $y_t$ फिल्टर मैट्रिसेस $B_k$ का उपयोग करके पिछले मूल्यों का एक रैखिक संयोजन है।
- $i$ -वें लक्ष्य के लिए अनुकूलन समस्या है:
  $\max_{b_i} \gamma'_{i\cdot\delta} \tilde{I} b_i$
  प्रतिबंध:
  $b'_i \tilde{M} b_i = \rho_i \quad (\text{HT Constraint})$
  $b'_i \tilde{I} b_i = 1 \quad (\text{Length Constraint})$
- यहाँ, $\tilde{I}$ और $\tilde{M}$ , कोवेरियेंस मैट्रिक्स $\Sigma$ और ऑटोकोवेरियेंस जनरेटिंग मैट्रिक्स $M$ से जुड़े क्रोनकर उत्पाद (Kronecker products) हैं।
समाधान: पेपर स्पेक्ट्रल डिकंपोजिशन का उपयोग करके एक एक-पैरामीटर समाधान व्युत्पन्न करता है। इष्टतम फ़िल्टर वेट्स को लाग्रेंज मल्टीप्लायर $\nu_i$ $ν_{i}$ के फलन के रूप में व्यक्त किया जाता है। समाधान एक एफिशिएंट फ्रंटियर (efficient frontier) को ट्रेस करता है जो सटीकता (लक्ष्य सहसंबंध) और सुगमता (HT) को जोड़ता है।
- प्राइमल रूप (Primal Form): सुगमता प्रतिबंध के अधीन सटीकता को अधिकतम करना।
- ड्यूल रूप (Dual Form): सटीकता प्रतिबंध के अधीन सुगमता (जीरो-क्रॉसिंग्स को कम करना) को अधिकतम करना।

गैर-स्थिरता और निर्भरता को संभालना (Handling Non-Stationarity and Dependencies)

यह ढांचा डेटा-जनरेटिंग प्रक्रिया के वल्ड डिकंपोजिशन (MA इनवर्जन) का उपयोग करके ऑटोकोरिलेटेड प्रक्रियाओं को समायोजित करता है। लक्ष्य फ़िल्टर और MA इनवर्जन को इष्टतम गुणांकों को प्राप्त करने के लिए कन्वेल्यूशन (convolution) के माध्यम से संयोजित किया जाता है।

3. प्रमुख योगदान (Key Contributions)

मल्टीवेरिएट सामान्यीकरण: SSA ढांचे को मल्टीवेरिएट सिस्टम तक विस्तारित करता है, जिससे पूर्वानुमान के AS प्रदर्शन को बेहतर बनाने के लिए क्रॉस-सेक्शनल जानकारी (जैसे अग्रणी संकेतक) का एकीकरण संभव होता है।
स्पष्ट AS ट्रेड-ऑफ प्रबंधन: यह बेंचमार्क भविष्यवक्ताओं (जैसे MSE या HP फ़िल्टर) को एफिशिएंट फ्रंटियर पर स्थानांतरित करके उन्हें कस्टमाइज़ करने के लिए एक कठोर गणितीय तंत्र प्रदान करता है। उपयोगकर्ता एक ऐसा भविष्यवक्ता चुन सकते हैं जो MSE बेंचमार्क की तुलना में "अधिक सुगम" हो या दिए गए HT के लिए "अधिक सटीक" हो।
ड्यूल व्याख्या: यह स्थापित करता है कि M-SSA भविष्यवक्ता दिए गए स्तर की ट्रैकिंग सटीकता के लिए सबसे सुगम समाधान हैं, जो उन्हें पारंपरिक वक्रता-आधारित स्मूदरों (जैसे HP) से अलग करते हैं।
एकीकृत ढांचा: यह प्रदर्शित करता है कि पूर्वानुमान (forecasting), नाउकास्टिंग (nowcasting/रियल-टाइम सिग्नल निष्कर्षण) और स्मूथिंग (smoothing) सभी M-SSA मानदंड के विशेष मामले हैं, जो केवल लक्ष्य फ़िल्टर $\Gamma_k$ (कॉज़ल बनाम अकॉज़ल) के विनिर्देश में भिन्न होते हैं।

4. परिणाम और अनुप्रयोग (Results and Applications)

पेपर तीन अलग-अलग अनुप्रयोग डोमेन के माध्यम से M-SSA दृष्टिकोण को मान्य करता है:

A. पूर्वानुमान (VAR(1) उदाहरण)

सेटअप: एक द्विविचरित (bivariate) VAR(1) प्रक्रिया पर लागू किया गया।
निष्कर्ष: M-SSA भविष्यवक्ता विशिष्ट बाधाओं के अनुकूल होने में सफल रहा। एक श्रृंखला के लिए, इसने MSE बेंचमार्क को "अनस्मूथ" (unsmoothed) किया (कम HT प्रतिबंध को मैच करने के लिए अधिक जीरो-क्रॉसिंग्स पेश किए), जबकि दूसरी के लिए, इसने MSE बेंचमार्क को "स्मूथ" (smoothed) किया (जीरो-क्रॉसिंग्स को कम किया)।
परिणाम: विधि ने उच्च लक्ष्य सहसंबंध बनाए रखते हुए होल्डिंग टाइम को सफलतापूर्वक मैनिपुलेट किया, जो एफिशिएंट फ्रंटियर की लचीलापन को सिद्ध करता है।

B. स्मूथिंग (HP फ़िल्टर के साथ तुलना)

सेटअप: व्हाइट नॉइज़ और VAR(1) डेटा पर M-SSA स्मूदरों की क्लासिक हॉड्रिक-प्रेस्कॉट (HP) फ़िल्टर के विरुद्ध तुलना की गई।
निष्कर्ष:
- जब होल्डिंग टाइम के लिए मैच किया गया, तो M-SSA ने HP फ़िल्टर की तुलना में उच्च लक्ष्य सहसंबंध (कम MSE) प्राप्त किया।
- जब लक्ष्य सहसंबंध के लिए मैच किया गया, तो M-SSA ने HP की तुलना में लंबे होल्डिंग टाइम (अधिक सुगम) प्राप्त किए।
- जबकि HP वक्रता (द्वितीय-क्रम अंतर) को कम करता है, M-SSA जीरो-क्रॉसिंग्स को कम करता है। पेपर का तर्क है कि व्यावसायिक चक्र विश्लेषण के लिए, वक्रता को कम करने की तुलना में साइन परिवर्तनों को नियंत्रित करना अक्सर अधिक प्रासंगिक होता है।

C. सिग्नल निष्कर्षण (अग्रणी संकेतकों के साथ नाउकास्टिंग)

सेटअप: कंपोजिट लीडिंग इंडिकेटर (CLI) का उपयोग करके अमेरिकी औद्योगिक उत्पादन (INDPRO) की नाउकास्टिंग।
तुलना: यूनिवेरिएट HP, यूनिवेरिएट SSA, द्विविचरित MSE और द्विविचरित M-SSA की तुलना की गई।
मुख्य निष्कर्ष:
- सुगमता: द्विविचरित M-SSA ने सबसे सुगम नाउकास्ट बनाया (उच्चतम सैंपल HT: ~24.5 बनाम HP-C के लिए ~15.5)।
- सटीकता: M-SSA ने दूसरा उच्चतम लक्ष्य सहसंबंध प्राप्त किया, जो यूनिवेरिएट SSA और HP से बेहतर प्रदर्शन करता है।
- लीडिंग इंडिकेटर प्रभाव: द्विविचरित डिज़ाइन में CLI को शामिल करने से यूनिवेरिएट SSA में देखे गए लैग (lag) को समाप्त कर दिया गया। M-SSA नाउकास्ट क्लासिक HP फ़िल्टर के साथ समकालिक (coincident) था लेकिन काफी अधिक सुगम था, जो शोर को कम किए बिना समयबद्धता (timeliness) से समझौता किए बिना अग्रणी जानकारी का प्रभावी ढंग से उपयोग करता है।
- डिकंपोजिशन: विश्लेषण ने दिखाया कि संकट के दौरान, CLI घटक M-SSA सिग्नल को संचालित करता है, जो डेटा को डायनेमिक रूप से वेट करने की मॉडल की क्षमता को दर्शाता है।

5. महत्व और निष्कर्ष (Significance and Conclusion)

सैद्धांतिक प्रभाव: M-SSA एक निरंतर, पैरामेट्रिक फ्रंटियर प्रदान करके सटीकता-सुगमता द्वंद्व को हल करता है, न कि केवल एक एकल इष्टतम बिंदु (जैसे MSE) के माध्यम से। यह साइन सटीकता, MSE और जीरो-क्रॉसिंग फ्रीक्वेंसी के बीच संबंध को औपचारिक रूप देता है।
व्यावहारिक उपयोगिता: यह दृष्टिकोण अर्थशास्त्रियों और विश्लेषकों के लिए एक लचीला उपकरण प्रदान करता है जिन्हें गलत अलार्म (शोर) के जोखिम और टर्निंग पॉइंट्स के समय पर पता लगाने की आवश्यकता के बीच संतुलन बनाने की आवश्यकता होती है।
कार्यान्वयन: लेखक एक ओपन-सोर्स R पैकेज (R-package-SSA-Predictor) प्रदान करते हैं जो इन एल्गोरिदम को लागू करता है, जिससे विशिष्ट AS आवश्यकताओं को पूरा करने के लिए मानक फ़िल्टरों (HP, Hamilton, BK) को कस्टमाइज़ करना संभव होता है।
निष्कर्ष: M-SSA ढांचा भविष्य कहनेवाला मॉडलिंग में एक महत्वपूर्ण प्रगति का प्रतिनिधित्व करता है, विशेष रूप से व्यावसायिक चक्र विश्लेषण के लिए, जो भविष्यवक्ताओं की साइन सटीकता और होल्डिंग टाइम को प्राथमिकता देता है, जो विकास और संकुचन चरणों के बीच निर्णय लेने के लिए महत्वपूर्ण हैं।