More with Less - Bethel Allocation and Precision-Preserving Sample Size Reduction via Hierarchical Bayes Modelling

यहाँ सिउ-मिंग टैम के शोध पत्र "More with with Less: Bethel Allocation and Precision-Preserving Sample Size Reduction via Hierarchical Bayes Modelling" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

राष्ट्रीय सांख्यिकीय कार्यालयों (NSOs) के सामने एक गंभीर दुविधा है: सूक्ष्म, डोमेन-स्तरीय सांख्यिकी की मांग बढ़ रही है, जबकि सर्वेक्षण बजट स्थिर या घट रहे हैं। पारंपरिक बहु-उद्देश्यीय सर्वेक्षण (कई भौगोलिक डोमेन में कई चरों का सर्वेक्षण करना) अक्षम नमूना आवंटन रणनीतियों से ग्रस्त हैं।

• दोषपूर्ण यथास्थिति (The Flawed Status Quo): सामान्य अभ्यास यह है कि प्रत्येक लक्षित चर के लिए अलग से नेयमैन आवंटन (Neyman allocation) की गणना की जाती है और फिर परिणामी स्ट्रैटम नमूना आकारों के एलिमेंट-वाइज मैक्सिमम (element-wise maximum) को लिया जाता है।
  • दोष 1 (बजट मुद्रास्फीति): यह दृष्टिकोण उन चरों के लिए अत्यधिक नमूनाकरण करता है जिनका इष्टतम आवंटन किसी अन्य चर द्वारा हावी है, जिससे बजट बर्बाद होता है।
  • दोष 2 (परिशुद्धता विफलता): इस बढ़ी हुई बजट के बावजूद, यह विधि विशिष्ट डोमेन के लिए परिशुद्धता (precision) सुनिश्चित करने में विफल रहती है। एक चर के लिए राष्ट्रीय परिशुद्धता हेतु अनुकूलित स्ट्रैटम भार, दूसरे चर के लिए डोमेन-स्तरीय परिशुद्धता की रक्षा नहीं करता है।
• अंतराल (The Gap): जबकि बेथल आवंटन (Bethel allocation) एल्गोरिदम बहुभिन्निकीय (multivariate) बाधा अनुकूलन समस्या को सही ढंग से हल करता है (सभी परिशुद्धता लक्ष्यों को पूरा करने के लिए न्यूनतम नमूना आकार खोजना), परिणामी नमूना आकार अभी भी अत्यधिक बड़ा हो सकता है क्योंकि यह पूरी तरह से प्रत्यक्ष सर्वेक्षण अनुमानों पर निर्भर करता है।

2. कार्यप्रणाली (Methodology)

यह शोध पत्र एक नवीन दो-चरणीय रणनीति प्रस्तावित करता है ताकि सभी चरों और डोमेन के लिए पूर्व-निर्धारित परिशुद्धता लक्ष्यों (गुणांक भिन्नता, CV) को कड़ाई से बनाए रखते हुए नमूना आकार को न्यूनतम किया जा सके।

चरण 1: बहुभिन्निकसीय बाधा अनुकूलन (Bethel Allocation)

नेयमैन-मैक्स दृष्टिकोण के बजाय, लेखक बेथल एल्गोरिदम (Bethel, 1989) का उपयोग करके वैश्विक न्यूनतम नमूना आकार ($n^*$) खोजने के लिए करते हैं जो सभी $K$ चरों और सभी $D$ डोमेन के लिए CV बाधाओं को एक साथ संतुष्ट करता है।

• उद्देश्य: कुल लागत $\sum c_h n_h$ को कम करना।
• बाधाएं: सभी डोमेन $d$ और चरों $k$ के लिए $CV(\hat{Y}_{d,k}) \leq g_{d,k}$ सुनिश्चित करना।
• प्रकृति: यह एक डिज़ाइन-आधारित (design-based) दृष्टिकोण है। परिशुद्धता गारंटी केवल नमूनाकरण डिज़ाइन के रैंडमाइजेशन वितरण पर निर्भर करती है, इसके लिए लक्षित चरों के लिए किसी सांख्यिकीय मॉडल की आवश्यकता नहीं होती है।

चरण 2: पदानुक्रमित बेयस (Hierarchical Bayes - HB) नमूना न्यूनीकरण

मुख्य नवाचार यह है कि डोमेनों के बीच "शक्ति उधार लेने" (borrow strength) के लिए HB लघु क्षेत्र अनुमान (small area estimation) का उपयोग करना है, जिससे नमूना आकार में और कमी ($n_{HB} < n^*$) संभव हो पाती है, जबकि परिशुद्धता बनी रहती है।

• उपयोग किए गए मॉडल:
  • बाइनरी चर: लॉगिट-नॉर्मल बिनोमियल HB मॉडल (Rao & Molina, 2015)।
  • सतत (Continuous) चर: गॉसियन फे-हेरियट एरिया-लेवल मॉडल।
• तंत्र: कोवेरिएट-अनुमानित माध्यों की ओर स्ट्रैटम अनुमानों को सिकोड़ने (shrinkage) के माध्यम से, HB मॉडल विचरण (variance) को कम करते हैं। इस "परिशुद्धता अधिशेष" (precision surplus) का उपयोग नमूना आकार को कम करने के लिए किया जाता है।
• न्यूनीकरण एल्गोरिदम:
  1. बेथल मास्टर सैंपल ($n^*$) से शुरू करें।
  2. घटते अंशों ($\alpha$) पर नेस्टेड उप-नमूने (nested sub-samples) लें।
  3. HB मॉडल फिट करें और चार गेट्स (gates) के विरुद्ध मूल्यांकन करें:
     • CV गेट: सभी डोमेन/राष्ट्रीय CV लक्ष्यों को पूरा करते हैं।
     • अभिसरण (Convergence) गेट: MCMC अभिसरण ($\hat{R}_{max} \leq 1.05$)।
     • राष्ट्रीय सटीकता गेट: सहनशीलता के भीतर सापेक्ष पूर्वाग्रह (relative bias)।
     • डोमेन सटीकता गेट: माध्य पूर्ण सापेक्ष त्रुटि (MARE) और अधिकतम ARE सहनशीलता के भीतर।
  4. अधिकतम न्यूनीकरण अंश ($\alpha^*$) चुनें जहाँ सभी चरों के लिए सभी गेट्स एक साथ पास हो जाते हैं (Minimax नियम)।

प्रायोर अंशांकन (Prior Calibration)

एक महत्वपूर्ण घटक के रूप में HB प्रायोर (विशेष रूप से रैंडम इफेक्ट्स का विचरण, $\sigma^2_v$) का अंशांकन किया गया है। लेखक पिछले सर्वेक्षण चक्र के प्रत्यक्ष अनुमानों को "सत्य" के सरोगेट के रूप में उपयोग करते हुए ग्रिड सर्च का प्रस्ताव करते हैं ताकि ऐसे हाइपरपैरामीटर चुने जा सकें जो डोमेन त्रुटि को कम करते हुए विश्वसनीय अंतराल कवरेज (credible interval coverage) को अधिकतम करें।

3. मुख्य योगदान (Key Contributions)

1. अनुकूलन समस्या को नया रूप देना: प्रश्न को "एक निश्चित नमूना कैसे आवंटित करें?" से बदलकर "सभी परिशुद्धता लक्ष्यों को पूरा करने के लिए नमूना आकार को कितना छोटा किया जा सकता है?" में बदलना।
2. NSO प्रथाओं में सुधार: गणितीय और अनुभवजन्य रूप से यह प्रदर्शित करना कि "नेयमन-मैक्स" दृष्टिकोण दोहरी तरह से दोषपूर्ण (अपव्ययी और अपर्याप्त) है और बेथल आवंटन आवश्यक आधार रेखा है।
3. डिज़ाइन और मॉडल-आधारित अनुमान का एकीकरण: डिज़ाइन-आधारित नमूना निर्धारण (बेथल) और मॉडल-आधारित अनुमान (HB) के बीच के अंतर को सफलतापूर्वक पाटना।
4. परिचालन ढांचा (Operational Framework): बहु-चर, बहु-डोमेन संदर्भ में इष्टतम नमूना न्यूनीकरण अंश निर्धारित करने के लिए एक ठोस, चार-गेट एल्गोरिदम प्रदान करना।

4. परिणाम (Results)

इस कार्यप्रणाली को 10 लाख व्यक्तियों की एक कृत्रिम श्रम-शक्ति जनसंख्या (100 स्ट्रेटा, 10 डोमेन, 3 चर: रोजगार, बेरोजगारी, कार्य के घंटे) पर मोंटे कार्लो अध्ययन ($B=1,000$ प्रतिकृति) का उपयोग करके मान्य किया गया।

• नमूना आकार में कमी:

  • नेयमन-मैक्स (यथास्थिति): 68,697 (दुर्लभ "बेरोजगारी" चर द्वारा संचालित; बेरोजगारी के लिए डोमेन परिशुद्धता में विफल)।
  • बेथल आवंटन (चरण 1): 91,308 (प्रत्यक्ष अनुमानों का उपयोग करके सभी बाधाओं को एक साथ पूरा करने के लिए आवश्यक)।
  • HB-संयुक्त (चरण 2): 18,262।
  • परिणाम: बेथल बेंचमार्क की तुलना में नमूना आकार में 80% की कमी।

• परिशुद्धता और सटीकता:

  • CV लक्ष्य: $n_{HB} = 18,262$ पर, सभी तीन चरों के लिए सभी राष्ट्रीय (≤3%) और डोमेन (≤8%) CV लक्ष्य पूरे होते हैं।
  • कवरेज: मोंटे कार्लो विश्वसनीय अंतराल कवरेज (credible interval coverage) नाममात्र 95% स्तर के करीब या उससे अधिक था (रोजगार के लिए 93.0%, बेरोजगारी के लिए 97.7%, कार्य के घंटों के लिए 100.0%)।
  • पूर्वाग्रह (Bias): राष्ट्रीय सापेक्ष पूर्वाग्रह नगण्य (<1.54%) था। डोमेन MARE कम था, हालांकि बेरोजगारी ने छोटे डोमेन में उच्च त्रुटि (4.10% MARE) दिखाई, जो दुर्लभ घटनाओं के अनुमान की अंतर्निहित कठिनाई को दर्शाता है।

• मजबूती (Robustness): सभी प्रतिकलियों में CV गेट पास दर 95% से अधिक थी, जो पुष्टि करती है कि यह रणनीति केवल एक एकल उदाहरण के लिए नहीं, बल्कि बार-बार होने वाले नमूनाकरण के तहत भी विश्वसनीय रूप से काम करती है।

5. महत्व और निहितार्थ (Significance and Implications)

• लागत दक्षता: सांख्यिकीय एजेंसियां प्रकाशित सांख्यिकी की गुणवत्ता से समझौता किए बिना भारी परिचालन लागत बचत (सिमुलेशन में 80% तक) प्राप्त कर सकती हैं।
• प्रतिमान परिवर्तन (Paradigm Shift): यह शोध पत्र नमूना आकार निर्धारण के लिए शुद्ध डिज़ाइन-आधारित अनुमान से मॉडल-आधारित अनुमान की ओर बदलाव को वैध बनाता है। यह तर्क देता है कि यदि मॉडल सही ढंग से निर्दिष्ट है, तो विश्वसनीय अंतराल (मॉडल-आधारित) निर्णय लेने वालों के लिए विश्वास अंतराल (डिज़ाइन-आधारित) की तुलना में अधिक सहज व्याख्या प्रदान करते हैं।
• व्यावहारिक प्रयोज्यता: प्रस्तावित पद्धति मानक उपकरणों (R पैकेज R2BEAT और mcmcsae) पर निर्भर करती है और अंशांकन के लिए डेटा प्रॉक्सी (पिछले सर्वेक्षण चक्र) का उपयोग करती है, जिससे वास्तविक दुनिया के NSO कार्यान्वयन के लिए यह व्यवहार्य हो जाता है जहाँ जनसंख्या का सत्य ज्ञात नहीं होता।
• भावी दिशाएं: लेखक बहु-चरणीय क्लस्टर डिजाइनों, रोटेशनल पैनल सर्वेक्षणों और मॉडल मिसस्पेसिफिकेशन (model misspecification) के विरुद्ध मजबूती की जांच के लिए विस्तार की आवश्यकता बताते हैं।

निष्कर्षतः, यह शोध पत्र यह प्रदर्शित करता है कि बेथल आवंटन (इष्टतम डिज़ाइन के लिए) को पदानुक्रमित बेयस मॉडलिंग (परिशुद्धता वृद्धि के लिए) के साथ जोड़कर, सांख्यिकीय एजेंसियां कठोर परिशुद्धता मानकों को बनाए रखते हुए सर्वेक्षण लागतों को नाटकीय रूप से कम कर सकती हैं।