Empirical Likelihood Inference for Sen and Sen--Shorrocks--Thon Indices
यह शोध पत्र सेन और सेन-शोरॉक्स-थोन गरीबी सूचकांकों के लिए विश्वसनीय विश्वास अंतराल (कॉन्फिडेंस इंटरवल) बनाने हेतु एम्पिरिकल लाइक्लीहुड और जैकनाइफ एम्पिरिकल लाइक्लीहुड विधियों का प्रस्ताव और मूल्यांकन करता है, जिसमें एक नया U-सांख्यिकी-आधारित अनुमानक पेश किया गया है और सिमुलेशन तथा अमेरिका और भारत के वास्तविक डेटा के माध्यम से इस दृष्टिकोण को मान्य किया गया है।
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 लोगों के एक समूह की कितनी "गरीबी" है, इसे मापने की कोशिश कर रहे हैं। आप केवल सिरों को नहीं गिन सकते; आपको यह जानने की आवश्यकता है कि गरीबी कितनी गहरी है और गरीबों के बीच वितरण कितना असमान है। अर्थशास्त्रियों ने इसके लिए विशेष उपकरण बनाए हैं जिन्हें सेन इंडेक्स (Sen Index) और एसएसटी इंडेक्स (SST Index) कहा जाता है। इन्हें "गरीबी के थर्मामीटर" के रूप में सोचें।
हालाँकि, इन थर्मामीटरों के साथ एक समस्या है: वे बहुत जटिल हैं। यदि आप उन्हें एक छोटे समूह (जैसे कि एक विशिष्ट गाँव या एक छोटा सर्वेक्षण) पर उपयोग करने का प्रयास करते हैं, तो परिणामों की गणना करने के पुराने तरीके अक्सर एक "धुंधला" (foggy) रीडिंग देते हैं। आपको एक संख्या मिल सकती है, लेकिन आप यह नहीं जान पाएंगे कि उस पर कितना भरोसा किया जाए। यह एक टूटे हुए थर्मामीटर से तापमान का अनुमान लगाने जैसा है; आपको एक संख्या तो मिलती है, लेकिन आप नहीं जानते कि वह 20°C है या 40°C।
यह शोध पत्र इन गरीबी थर्मामीटरों को देखने के लिए एक नया, स्पष्ट लेंस बनाने के बारे में है, ताकि सीमित डेटा होने पर भी हम परिणामों पर भरोसा कर सकें।
यहाँ उनके समाधान का सरल उपमाओं (analogies) का उपयोग करके विवरण दिया गया है:
1. समस्या: "धुंधला" थर्मामीटर
लेखक बताते हैं कि इन गरीबी स्कोर (जिन्हें "प्लग-इन एस्टिमेटर्स" कहा जाता है) की गणना करने का मानक तरीका जेन्गा (Jenga) ब्लॉक्स के ढेर को संतुलित करने की कोशिश करने जैसा है।
- सेन इंडेक्स तीन चीजों को जोड़ता है: कितने लोग गरीब हैं, औसतन वे कितने गरीब हैं, और गरीब लोगों के बीच आपस में कितनी असमानता है।
- क्योंकि ये तीन भाग एक जटिल गणितीय सूत्र में आपस में मिले हुए हैं, इसलिए डेटा की छोटी त्रुटियां भी बढ़ जाती हैं।
- जब शोधकर्ताओं ने एक "कॉन्फिडेंस इंटरवल" (एक सुरक्षा क्षेत्र जो कहता है, "वास्तविक गरीबी स्कोर X और Y के बीच है") बनाने की कोशिश की, तो पुराने तरीके अक्सर इस क्षेत्र को बहुत संकीकर बना देते थे या इसे गलत स्थान पर रख देते थे। यह यह कहने जैसा था कि, "तापमान निश्चित रूप से 21 और 22 डिग्री के बीच है," जबकि वास्तव में यह 15 या 30 हो सकता था।
2. समाधान: "U-Statistic" ब्लूप्रिंट
लेखकों ने एक गणितीय उपकरण जिसे U-statistics कहा जाता है, का उपयोग करके थर्मामीटर को फिर से बनाने का निर्णय लिया।
- उपमा: कल्पना कीजिए कि आप भीड़ की औसत ऊंचाई जानना चाहते हैं। हर किसी को मापने और एक अस्त-व्यस्त गणना करने के बजाय, आप दो यादृच्छिक (random) लोगों को चुनते हैं, उनके बीच की दूरी मापते हैं, और इस प्रक्रिया को हजारों बार दोहराते हैं। U-statistics एक जटिल समस्या को डेटा के इन सरल जोड़ों में तोड़ने का एक तरीका है।
- इन सेन और SST इंडेक्स को इन सरल जोड़ों के संग्रह के रूप में फिर से लिखकर, लेखकों ने एक "स्वच्छ" गणितीय संरचना पाई। इससे यह समझना संभव हो गया कि यदि वे लोगों का एक अलग नमूना लेते हैं, तो परिणाम में कितना उतार-चढ़ाव आएगा।
3. नए उपकरण: EL और JEL
एक बार जब उनके पास स्वच्छ ब्लूप्रिंट आ गया, तो उन्हें आय के डेटा के आकार (जो अक्सर अजीब और असंतुलित होता है, जैसे कि एक विशाल आधार वाला पिरामिड) के बारे में धारणा बनाए बिना "सुरक्षा क्षेत्र" (confidence intervals) बनाने के लिए उपकरणों की आवश्यकता थी।
उन्होंने दो उन्नत सांख्यिकीय तकनीकों का उपयोग किया:
- एम्पेरिकल लाइकलीहुड (Empirical Likelihood - EL): इसे एक लचीले रबर बैंड के रूप में सोचें। डेटा को एक कठोर, पूर्व-निर्धारित आकार (जैसे बेल कर्व) में जबरदस्ती फिट करने के बजाय, रबर बैंड आपके पास मौजूद वास्तविक डेटा के चारों ओर पूरी तरह से फैलता और ढलता है। यह एक बहुत अधिक सटीक सुरक्षा क्षेत्र देता है।
- जैकनीफ एम्पेरिकल लाइकलीहुड (Jackknife Empirical Likelihood - JEL): यह "सुपर-चार्ज्ड" संस्करण है। "जैकनीफ" वाला हिस्सा सूप चखने वाले शेफ की तरह है। शेफ एक चम्मच सूप निकालता है, उसे चखता है, फिर उसे वापस डाल देता है, फिर एक अलग चम्मच निकालता है, और फिर चखता है। यह देखकर कि एक सामग्री गायब होने पर स्वाद कैसे बदलता है, शेफ पूरे बर्तन के स्वाद का अनुमान लगा सकता है।
- लेखकों ने इस "चखने" वाली विधि का उपयोग रबर बैंड (EL) को और भी स्थिर और विश्वसनीय बनाने के लिए किया, विशेष रूप से तब जब नमूना आकार छोटा हो।
4. प्रमाण: सिमुलेशन किचन
अपने नए तरीके को सिद्ध करने के लिए, उन्होंने एक विशाल कंप्यूटर सिमुलेशन ("मोंटे कार्लो अध्ययन") चलाया।
- उन्होंने अलग-अलग प्रकार के आय वितरणों (कुछ जहाँ सभी अमीर हैं, कुछ जहाँ कुछ लोग बहुत अमीर हैं और कई गरीब हैं) के साथ काल्पनिक दुनिया बनाई।
- उन्होंने अपने नए "JEL रबर बैंड" का परीक्षण पुराने "कठोर रूलर" (rigid ruler) पद्धति के विरुद्ध किया।
- परिणाम: पुराना तरीका अक्सर वास्तविक गरीबी स्कोर को चूक जाता था (कम कवरेज) या बहुत संकीर्ण सुरक्षा क्षेत्र देता था (अति-आत्मविश्वास)। नया JEL तरीका लगभग हर बार लक्ष्य को हिट करता था और एक ऐसा सुरक्षा क्षेत्र देता था जो बिल्कुल सही आकार का था—विश्वसनीय और ईमानदार।
5. वास्तविक दुनिया का परीक्षण: अमेरिका और भारत
अंत में, उन्होंने अपने नए उपकरणों का वास्तविक डेटा पर परीक्षण किया:
- अमेरिका: उन्होंने "पैनल स्टडी ऑफ इनकम डायनेमिक्स" से आय के डेटा को देखा। उन्होंने 2017 से 2023 तक गरीबी को ट्रैक किया।
- आश्चर्य: 2021 में (महामारी के दौरान), उनके नए उपकरण ने दिखाया कि गरीबी में गिरावट आई। यह अजीब लग रहा था क्योंकि अर्थव्यवस्था गिर रही थी। लेकिन जब उन्होंने बेरोजगारी भत्तों को देखा, तो उन्हें एहसास हुआ कि सरकार लोगों को इतना पैसा भेज रही थी कि तकनीकी रूप से, गरीबी कम हो गई थी। उनके उपकरण ने इस सूक्ष्म अंतर को पूरी तरह से पकड़ा।
- भारत: उन्होंने तीन राज्यों की तुलना की: केरल (धनी), तमिलनाडु (मध्यम), और बिहार (गरीब)।
- उनके उपकरण ने सही ढंग से रैंकिंग दी: बिहार में सबसे अधिक गरीबी थी, और केरल में सबसे कम। उनके द्वारा बनाए गए "सुरक्षा क्षेत्र" इतने सटीक थे कि वे राज्यों के बीच के अंतर को स्पष्ट रूप से दिखा सके।
निचोड़ (The Bottom Line)
यह शोध पत्र गरीबी के मापन को अधिक ईमानदार बनाने के बारे में है।
पहले, यदि आपके पास एक छोटा डेटासेट होता था, तो आपके पास एक गरीबी स्कोर तो होता था लेकिन आप नहीं जानते थे कि वह कितना सटीक है। लेखकों ने एक नया गणितीय "लेंस" (U-statistics और Jackknife Empirical Likelihood का उपयोग करके) बनाया जो हमें गरीबी स्कोर को स्पष्ट रूप से देखने देता है, भले ही डेटा अव्यवस्थित या छोटा हो।
संक्षेप में: उन्होंने एक जटिल, डगमगाते मापने के डंडे को एक लचीले, स्वयं-समायोजित होने वाले रूलर से बदल दिया जो हमें न केवल यह बताता है कि कितनी गरीबी है, बल्कि यह भी कि हम उस संख्या के बारे में कितने निश्चित हो सकते हैं। यह नीति निर्माताओं को बेहतर निर्णय लेने में मदद करता है क्योंकि वे डेटा पर अधिक भरोसा कर सकते हैं।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।