📊 statistics

Bayesian structured additive quantile regression for inflated bounded data

यह शोध पत्र एक बेयसियन स्ट्रक्चर्ड एडिटिव क्वांटाइल रिग्रेशन फ्रेमवर्क प्रस्तावित करता है जो फ्लेक्सिबल प्रेडिक्टर्स का उपयोग करके निरंतर घटक के कंडीशनल क्वांटाइल्स और बाउंड्री वैल्यूज की संभावनाओं को एक साथ मॉडल करता है, जिसका अनुमान लीसेल (Liesel) सॉफ्टवेयर के माध्यम से किया गया है और सिमुलेशन एवं वास्तविक दुनिया के अनुप्रयोगों के माध्यम से इसे मान्य किया गया है।

मूल लेखक: Francisco F. Queiroz, Johannes Brachem, Paul F. V. Wiemann, Thomas Kneib

प्रकाशित 2026-03-05

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Francisco F. Queiroz, Johannes Brachem, Paul F. V. Wiemann, Thomas Kneib

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 किसी शहर में होने वाली बारिश की मात्रा का अनुमान लगाने की कोशिश कर रहे हैं। अधिकांश दिनों में, थोड़ी या बहुत बारिश होती है, और आप इसे एक पैमाने पर माप सकते हैं। लेकिन कभी-कभी, बिल्कुल बारिश नहीं होती (0 इंच), और दुर्लभ अवसरों पर, वर्षामापी (rain gauge) भर जाने के कारण टूट जाता है (1 इंच, या अधिकतम)।

मानक मौसम मॉडल अक्सर इन "परफेक्ट ज़ीरो" और "परफेक्ट वन" के साथ संघर्ष करते हैं। वे सब कुछ एक सुचारू वक्र (smooth curve) में फिट करने की कोशिश करते हैं, जो कि तर्कसंगत नहीं है जब आपके पास शून्य बारिश वाले दिन हों या ऐसे दिन हों जो मापने की सीमा से भी अधिक गीले हों।

यह शोध पत्र इस प्रकार की समस्या को हल करने के लिए एक नया, अत्यंत लचीला उपकरण पेश करता है जिसे बेयसियन स्ट्रक्चर्ड एडिटिव क्वांटाइल रिग्रेशन (Bayesian Structured Additive Quantile Regression) कहा जाता है। यह कैसे काम करता है, इसे सरल अवधारणाओं में यहाँ दिया गया है:

1. "दो-भाग" वाली रणनीति: गेटकीपर और मीटर

एक ही विशाल, उलझी हुई समीकरण को पूरी तस्वीर पर लागू करने के बजाय, लेखक इस समस्या को दो अलग-अलग कार्यों में विभाजित करते हैं, जैसे कि एक क्लब में बाउंसर और अंदर बैठा बारटेंडर।

गेटकीपर (डिस्क्रीट भाग): यह भाग इस प्रश्न का उत्तर देता है: "क्या बिल्कुल बारिश होगी, या पूरी तरह से बाढ़ आएगी?" यह 0 (कोई बारिश नहीं) या 1 (अधिकतम बारिश) की संभावना की गणना करता है। यह तय करता है कि क्या वह दिन एक "बाउंड्री" (सीमा) वाला दिन है।
मीटर (कंटीन्यूअस भाग): यदि वह दिन 0 या 1 नहीं है, तो यह भाग 0 और 1 के बीच वास्तविक बारिश की मात्रा को मापता है। यह "बीच के" दिनों पर ध्यान केंद्रित करता है।

इन दोनों को अलग करके, मॉडल भ्रमित नहीं होता है। वह जानता है कि "कोई बारिश नहीं होना" एक अलग तरह की घटना है, बजाय "थोड़ी बारिश होने" के।

2. "क्वांटाइल" लेंस: केवल औसत नहीं

अधिकांश मॉडल केवल औसत (mean) बताते हैं। लेकिन औसत भ्रामक हो सकते हैं।

उदाहरण: यदि आपके पास 9 दिन 1 इंच बारिश के हैं और 1 दिन 100 इंच बारिश का है, तो औसत 11 इंच होगा। लेकिन यह आपको यह नहीं बताता कि 90% समय, यह केवल हल्की फुहार है।

यह शोध पत्र क्वांटाइल रिग्रेशन (Quantile Regression) का उपयोग करता है। "औसत क्या है?" पूछने के बजाय, यह पूछता है:

"सबसे सूखे 10% दिनों के लिए बारिश का स्तर क्या है?" (10वां पर्सेंटाइल)
"सबसे गीले 10% दिनों के लिए बारिश का स्तर क्या है?" (90वां पर्सेंटाइल)
"मिडियन (मध्य) दिन क्या है?"

यह आपको मौसम की एक पूरी तस्वीर देता है, न कि केवल एक संख्या। यह आपको केवल बीच के हिस्से को ही नहीं, बल्कि चरम स्थितियों (extremes) को समझने में भी मदद करता है।

3. "स्ट्रक्चर्ड एडिटिव" का जादू: एक स्विस आर्मी नाइफ की तरह

"स्ट्रक्चर्ड एडिटिव" वाला हिस्सा इस उपकरण की सुपरपावर है। यह मॉडल को उस जटिल वास्तविक दुनिया की अव्यवस्था को संभालने की अनुमति देता है जिसे साधारण गणित नहीं पकड़ सकता। इसे एक स्विस आर्मी नाइफ की तरह समझें जो काम के अनुसार अपना ब्लेड बदल सकता है:

नॉन-लीनियर प्रभाव (Non-linear effects): शायद बारिश तापमान के साथ लगातार नहीं बढ़ती। हो सकता है कि यह 20°C पर कम हो, 30°C पर अचानक बढ़ जाए, और 40°C पर गिर जाए। यह मॉडल स्वचालित रूप से उस घुमावदार रेखा को खींच सकता है।
स्थानिक प्रभाव (Spatial effects): यह जानता है कि साओ पाउलो में बारिश रियो से अलग हो सकती है, भले ही तापमान समान हो। यह भौगोलिक पैटर्न को मैप कर सकता है।
रैंडम प्रभाव (Random effects): यदि आप एक ही व्यक्ति का कई बार परीक्षण कर रहे हैं (जैसे सुनने के परीक्षण के उदाहरण में), तो यह जानता है कि व्यक्ति A स्वाभाविक रूप से व्यक्ति B से अलग है, और यह समग्र रुझान को खराब किए बिना इसका हिसाब रखता है।

4. शोध पत्र से वास्तविक दुनिया के उदाहरण

लेखकों ने अपने नए उपकरण का परीक्षण दो बहुत अलग समस्याओं पर किया:

A. ब्राजील में यातायात मृत्यु दर (द "ज़ीरो" समस्या)
उन्होंने ब्राजील के हजारों शहरों में यातायात से होने वाली मौतों के आंकड़ों का विश्लेषण किया।

समस्या: कई शहरों में एक वर्ष में शून्य मौतें हुईं। एक मानक मॉडल इन सभी ज़ीरो से भ्रमित हो जाता।
अंतर्दृष्टि: मॉडल ने पाया कि जबकि बड़े शहरों में कुल दुर्घटनाएं अधिक होती हैं, जनसंख्या के सापेक्ष मृत्यु का अनुपात वास्तव में बड़े शहरों में कम होता है (शायद बेहतर सड़कों और एम्बुलेंस के कारण)।
ट्विस्ट: मॉडल ने यह भी दिखाया कि कुछ उत्तरी राज्यों में, यदि कोई मृत्यु हुई, तो इसकी संभावना अधिक थी कि वह एक बड़ी त्रासदी का हिस्सा हो (उच्च कंडीशनल क्वांटाइल्स), जबकि दक्षिण में, मौतें अधिक समान रूप से फैली हुई थीं। एक "औसत" मॉडल इन क्षेत्रीय बारीकियों को छोड़ देता।

B. कोक्लियर इंप्लांट के लिए सुनने के परीक्षण (द "वन" समस्या)
उन्होंने विश्लेषण किया कि सुनने के इंप्लांट वाले लोग भाषण को कितनी अच्छी तरह समझते हैं।

समस्या: लोग या तो सब कुछ (100%) समझते थे या कुछ भी नहीं (0%)। बहुत कम लोग "आधा सही" समझते थे।
अंतर्दृष्टि: मॉडल ने शोधकर्ताओं को यह देखने में मदद की कि कठिन शोर वाली स्थितियों में, एक विशिष्ट एल्गोरिदम लोगों को पूर्ण विफलता (ज़ेरो को कम करना) से बचने में मदद करता है। अच्छी स्थितियों में, एक अन्य एल्गोरिदम उन्हें पूर्ण स्कोर (वन को बढ़ाना) प्राप्त करने में मदद करता है।
लाभ: "बीच के" लोगों (जो कुछ शब्द सही समझ पाते थे) को देखकर, वे देख सके कि एल्गोरिदम विभिन्न प्रकार के वाक्यों के लिए अलग-अलग व्यवहार करते हैं, जिसे एक साधारण औसत मिटा देता।

सारांश: यह क्यों मायने रखता है

इस नए मॉडल को डेटा के लिए एक हाई-डेफिनिशन कैमरा के रूप में सोचें।

पुराने मॉडल ब्लैक-एंड-व्हाइट स्केच की तरह थे: वे औसत आकार का एक मोटा विचार देते थे।
यह नया मॉडल एक 4K वीडियो की तरह है: यह ज़ेरो, वन, वक्रों (curves), भूगोल, और चरम सीमाओं को कैप्चर करता है।

यह वैज्ञानिकों को गहरे प्रश्न पूछने की अनुमति देता है: "यह कारक सबसे खराब स्थिति को कैसे प्रभावित करता है?" या "यह कारक सबसे अच्छी स्थिति को कैसे प्रभावित करता है?" बजाय इसके कि केवल "औसत प्रभाव क्या है?" यह चिकित्सा, सार्वजनिक नीति और इंजीनियरिंग में बेहतर निर्णय लेने के लिए अत्यंत महत्वपूर्ण है।

यहाँ क्यूरोज़ (Queiroz) और अन्य लेखकों द्वारा लिखित शोध पत्र "Bayesian structured additive quantile regression for inflated bounded data" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र सीमित निरंतर डेटा (bounded continuous data) के सांख्यिकीय मॉडलिंग की चुनौती को संबोधित करता है जो इकाई अंतराल $[0, 1]$ पर होता है और जिसमें अक्सर सीमाओं पर प्रसरण (inflation at the boundaries) देखा जाता है (अर्थात, सटीक शून्य और/या एक का एक गैर-नगण्य अनुपात)।

संदर्भ: इस प्रकार का डेटा चिकित्सा, पारिस्थितिकी और समाजशास्त्र (जैसे, मृत्यु दर, भूमि आवरण का अनुपात, भाषण बोध क्षमता स्कोर) जैसे क्षेत्रों में सामान्य है।
मौजूदा विधियों की सीमाएँ:
- मानक प्रतिगमन (Standard Regression): पारंपरिक माध्य-आधारित मॉडल (जैसे बीटा रिग्रेशन) अक्सर विषमता (heterogeneity), विषमता (asymmetry) और पूंछ व्यवहार (tail behavior) को पकड़ने में विफल रहते हैं।
- दो-भाग वाले मॉडल (Two-Part Models): जबकि मौजूदा "दो-भाग" वाले मॉडल असतत (सीमा मान) और निरंतर घटकों को अलग करते हैं, वे आमतौर पर सरल रैखिक भविष्यवक्ताओं और पैरामीट्रिक वितरण संबंधी धारणाओं (जैसे, बीटा, यूनिट-वेइबुल) पर निर्भर करते हैं।
- क्वांटाइल रिग्रेशन की कमियाँ: इन्फ्लेटेड डेटा के लिए पिछले क्वांटाइल रिग्रेशन दृष्टिकोण सरल रैखिक विशिष्टताओं तक सीमित थे और अक्सर एक साथ शून्य और एक-इन्फ्लेशन को संभालने में सक्षम नहीं थे। उनमें स्थानिक निर्भरता (spatial dependencies), रैंडम इफेक्ट्स या गैर-रैखिक सहचर संबंधों जैसे जटिल प्रभावों को मॉडल करने की क्षमता का अभाव था।

2. कार्यप्रणाली (Methodology)

लेखक शून्य- और/या एक-इन्फ्लेटेड सीमित डेटा के लिए एक बायेसियन स्ट्रक्चर्ड एडिटिव क्वांटाइल रिग्रेशन (Bayesian Structured Additive Quantile Regression) ढांचे का प्रस्ताव करते हैं।

A. मॉडल सूत्रीकरण (Model Formulation - Two-Part Framework)

एक प्रतिक्रिया चर (response variable) $y_i \in [0, 1]$ को एक असतत घटक (सीमा मान) और एक निरंतर घटक (मान $(0, 1)$ में) के मिश्रण के रूप में मॉडल किया जाता है।

असतत घटक (Discrete Component): इसे मल्टीनोमियल (या एकल इन्फ्लेशन के लिए बर्नौली) रिग्रेशन के माध्यम से मॉडल किया जाता है ताकि $p_{0i} = P(y_i=0)$ $p_{0 i} = P (y_{i} = 0)$ और $p_{1i} = P(y_i=1)$ $p_{1 i} = P (y_{i} = 1)$ की संभावनाओं का अनुमान लगाया जा सके।
- भविष्यवक्ता (Predictors): इन्फ्लेशन के लॉग-ऑड्स को मॉडल करने के लिए लिंक फंक्शन (जैसे, लॉजिट) का उपयोग करते हुए स्ट्रक्चर्ड एडिटिव प्रेडिक्टर्स $\eta_{0i}$ और $\eta_{1i}$ ।
निरंतर घटक (Continuous Component): यह रूपांतरित प्रतिक्रिया $h(y_i)$ $h (y_{i})$ के लिए सशर्त क्वांटाइल्स को मॉडल करता है जहाँ $y_i \in (0, 1)$ $y_{i} \in (0, 1)$ है।
- लिंक फंक्शन: एक स्ट्रिक्टली इंक्रीजिंग लिंक $h(\cdot)$ (जैसे, लॉजिट) $(0, 1)$ को $\mathbb{R}$ में मैप करता है।
- क्वांटाइल परिभाषा: $\tau$ -वाँ सशर्त क्वांटाइल $Q_{h(y_i)|y_i \in (0,1)}(\tau | x_i) = \eta_{2i, \tau}$ को मॉडल किया जाता है।

B. स्ट्रक्चर्ड एडिटिव प्रेडिक्टर्स (Structured Additive Predictors)

मॉडल का मुख्य नवाचार दोनों भागों के लिए स्ट्रक्चर्ड एडिटिव प्रेडिक्टर्स का उपयोग करना है:
$\eta = \beta_0 + \sum f_k(x_k)$
इन भविष्यवक्ताओं में शामिल हो सकते हैं:

रैखिक प्रभाव (Linear effects): मानक पैरामीट्रिक गुणांक।
गैर-रैखिक स्मूथ प्रभाव (Non-linear smooth effects): पेनलाइज्ड स्प्लाइन्स (जैसे, क्यूबिक स्प्लाइन्स) के माध्यम से मॉडल किए गए।
स्थानिक प्रभाव (Spatial effects): भौगोलिक निकटता को पकड़ने के लिए गॉसियन मार्कोव रैंडम फील्ड्स (GMRF) के माध्यम से मॉडल किए गए।
रैंडम इफेक्ट्स (Random effects): पदानुक्रमित डेटा संरचनाओं (जैसे, विषय-विशिष्ट परिवर्तनशीलता) को ध्यान में रखने के लिए।
वैरिंग-कोएफिशिएंट टर्म्स (Varying-coefficient terms): जहाँ एक सहचर का प्रभाव दूसरे के आधार पर बदलता है।

C. बायेसियन अनुमान और गणना (Bayesian Inference & Computation)

लाइकलीहुड सन्निकटन (Likelihood Approximation): क्वांटाइल रिग्रेशन के लिए बायेसियन अनुमान को सक्षम करने के लिए, लेखक निरंतर घटक के लिए एक वर्किंग लाइकलीहुड के रूप में एसिमेट्रिक लाप्लास डिस्ट्रीब्यूशन (ALD) का उपयोग करते हैं। ALD का लोकेशन पैरामीटर वांछित क्वांटाइल के अनुरूप होता है।
लोकेशन-स्केल मिक्सचर (Location-Scale Mixture): ALD को एक एक्सपोनेंशियललेटेंट वेरिएबल ( $w_i$ ) के साथ नॉर्मल के स्केल मिक्सचर के रूप में दर्शाया गया है। यह समस्या को कंडिशनली गॉसियन रिग्रेशन में बदल देता है, जिससे कुशल सैंपलिंग सुलभ होती है।
प्रायर्स (Priors):
- स्मूथ/स्थानिक/रैंडम प्रभावों के गुणांक रैंक-डेफिशिएंट पेनल्टी मैट्रिसेस (जो स्मूथिंग प्रेरित करते हैं) के साथ मल्टीवेरिएट नॉर्मल प्रायर्स का पालन करते हैं।
- स्मूथिंग वेरिएंस इनवर्स गामा हाइपरप्रायर्स का पालन करते हैं।
सैंपलिंग एल्गोरिदम (Sampling Algorithm): पोस्टीरियर इन्फरेंस को Liesel, जो एक प्रोबेबिलिस्टिक प्रोग्रामिंग फ्रेमवर्क है, में कार्यान्वित मार्कोव चेन मोंटे कार्लो (MCMC) का उपयोग करके किया जाता है।
- मेट्रोपोलिस-हेस्टिंग्स (Metropolis-Hastings): पुनरावृत्त भारित न्यूनतम वर्ग प्रस्तावों के साथ रिग्रेशन गुणांकों के लिए उपयोग किया जाता है।
- गिब्स सैंपलिंग (Gibbs Sampling): स्मूथिंग वेरिएंस और लेटेंट वेरिएबल्स ( $w_i$ ) के लिए।
- NUTS (No-U-Turn Sampler): लॉग-लेवल पर अन्य मापदंडों के लिए।

3. प्रमुख योगदान (Key Contributions)

इन्फ्लेशन में लचीलापन: मॉडल समकालिक शून्य- और एक-इन्फ्लेशन को संभालता है, जो सीमित डेटा के लिए पिछले क्वांटाइल रिग्रेशन साहित्य में एक अनुपलब्ध क्षमता है।
स्ट्रक्चर्ड एडिटिविटी: यह क्वांटाइल रिग्रेशन को सरल रैखिक मॉडलों से आगे बढ़ाता है, जिससे दोनों (डिस्क्रीट/इन्फ्लेशन प्रोबेबिलिटी और निरंतर/क्वांटाइल) भागों के लिए गैर-रैखिक, स्थानिक और रैंडम इफेक्ट्स संभव होते हैं।
व्यापक वितरण संबंधी विश्लेषण: माध्य-आधारित मॉडलों के विपरीत, यह दृष्टिकोण पूर्ण सशर्त वितरण को कैप्चर करता है, जिससे यह पता चलता कि सहचर वितरण के विभिन्न हिस्सों (जैसे, टेल बनाम मीडियन) को कैसे अलग-अलग प्रभावित करते हैं।
सॉफ्टवेयर कार्यान्वयन: कार्यप्रणाली को Liesel में लागू किया गया है, जो जटिल संरचनाओं के लिए एक मजबूत, ओपन-सोर्स टूल प्रदान करता है।

4. परिणाम (Results)

सिमुलेशन अध्ययन (Simulation Studies)

सेटअप: डेटा को शून्य- और एक-इन्फ्लेटेड मॉडलों से उत्पन्न किया गया था जिनमें गैर-रैखिक सहचर प्रभाव थे। परिदृश्यों में सही विनिर्देश (ALD) और मिसस्पेसिफिकेशन (GJS-t डिस्ट्रीब्यूशन) शामिल थे।
निष्कर्ष:
- मॉडल ने दोनों डिस्क्रीट और निरंतर घटकों के लिए मापदंडों का सटीक अनुमान लगाया।
- मजबूती (Robustness): लाइकलीहुड मिसस्पेसिफिकेशन (GJS-t डेटा का उपयोग करके) के तहत भी, मॉडल ने क्वांटाइल भविष्यवाणियों के लिए कम रूट मीन स्क्वेर्ड एरर (RMSE) प्रदान किया।
- कवरेज (Coverage): 95% क्रेडिबल इंटरवल ने नाममात्र कवरेज दर प्राप्त की, विशेष रूप से बड़े सैंपल साइज और मध्यम इन्फ्लेशन प्रोबेबिलिटी के लिए।

वास्तविक-डेटा अनुप्रयोग (Real-Data Applications)

ब्राजील में ट्रैफिक फेटालिटीज (शून्य-इन्फ्लेटेड):
- डेटा: 5,499 नगर पालिकाओं के जिलों में ट्रैफ़िक मृत्यु का अनुपात।
- निष्कर्ष: मॉडल ने उन गैर-रैखिक और स्थानिक पैटर्न को प्रकट किया जिन्हें रैखिक मॉडल मिस कर गए थे।
  - जनसंख्या का आकार: बड़ी नगर पालिकाओं में मृत्यु का अनुपात कम था, लेकिन यह प्रभाव उच्च क्वांटाइल्स पर अधिक मजबूत था (टेल व्यवहार)।
  - युवा जनसंख्या: ट्रैफ़िक मृत्यु के साथ सकारात्मक संबंध, विशेष रूप से ऊपरी क्वांटाइल्स में।
  - स्थानिक प्रभाव: महत्वपूर्ण क्षेत्रीय असमानताएं (जैसे, उत्तरी राज्यों जैसे एक्रे और रोराइमा में उच्च मृत्यु दर)।
- तुलना: स्ट्रक्चर्ड एडिटिव क्वांटाइल मॉडल विषमता को पकड़ने में शून्य-इन्फ्लेटेड बीटा रिग्रेशन से बेहतर रहा, विशेष रूप से वितरण की पूंछ (tails) में।
स्पीच इंटेलिजिबिलिटी (शून्य- और एक-इन्फ्लेटेड):
- डेटा: विभिन्न साउंड-प्रोसेसिंग एल्गोरिदम के तहत कोक्लियर इम्प्लांट प्राप्तकर्ताओं द्वारा सही ढंग से पहचाने गए मोर्फिम्स का अनुपात।
- निष्कर्ष:
  - रैंडम इफेक्ट्स: विषय-विशिष्ट परिवर्तनशीलता को सफलतापूर्वक पकड़ा गया, जो चरम परिणामों (0 या 1) की संभावना के लिए महत्वपूर्ण था लेकिन मध्यम प्रदर्शन के लिए कम था।
  - एल्गोरिदम प्रदर्शन: सिग्नल-टू-नॉइज़ रेशियो (SNR) और क्वांटाइल स्तर के आधार पर साउंड-प्रोसेसिंग एल्गोरिदम का प्रभाव भिन्न था। उदाहरण के लिए, एल्गोरिदम B ने कम SNR पर पूर्ण विफलताओं (शून्य) को कम किया, जबकि एल्गोरिदम A उच्च SNR पर पूर्ण पहचान (एक) के लिए बेहतर प्रदर्शन करता है।
  - क्वांटाइल अंतर्दृष्टि: SNR का प्रभाव निचले से मध्यम क्वांटाइल्स पर ऊपरी क्वांटाइल की तुलना में अधिक मजबूत था, जो कि माध्य-आधारित मॉडलों द्वारा छूटा हुआ एक सूक्ष्म पहलू है।

5. महत्व (Significance)

यह शोध पत्र सीमा रेखा इन्फ्लेशन वाले सीमित डेटा के विश्लेषण के लिए एक एकीकृत, लचीला ढांचा प्रदान करता है। इसका महत्व निम्नलिखित में निहित है:

पद्धतिगत प्रगति: क्वांटाइल रिग्रेशन (वितरण संबंधी लचीलापन) और स्ट्रक्चर्ड एडिटिव मॉडल्स (जटिल सहचर प्रभाव) के बीच की खाई को पाटना।
व्यावहारिक उपयोगिता: यह वास्तविक दुनिया की जटिलताओं जैसे स्थानिक सहसंबंध और पदानुक्रमित डेटा संरचनाओं को बिना किसी प्रतिबंधात्मक पैरामीट्रिक धारणाओं पर निर्भर हुए संभालने के लिए एक उपकरण प्रदान करता है।
अंतर्दृष्टि सृजन: यह प्रदर्शित करना कि सहचर प्रभाव अक्सर वितरण के विभिन्न हिस्सों में भिन्न होते हैं (जैसे, एक चर मीडियन को प्रभावित कर सकता है लेकिन टेल को नहीं, या इसके विपरीत), जो पारंपरिक माध्य-आधारित दृष्टिकोणों की तुलना में नीति और वैज्ञानिक समझ के लिए गहरी अंतर्दृष्टि प्रदान करता है।
विस्तारशीलता: ढांचे को अन्य इन्फ्लेटेड मॉडलों और अनबाउंडेड पॉजिटिव डेटा (जैसे, $[0, \infty)$ पर शून्य-इन्फ्लेटेड काउंट या निरंतर डेटा) के लिए विस्तार योग्य बनाया गया है।