📊 statistics

Objective Model Prior Probabilities in Variable Selection

यह शोध पत्र बेयसियन चर चयन (Bayesian variable selection) में समान (equal) और जेफ्रीज़-आधारित (Jeffreys-based) दोनों मॉडल पूर्व प्रायिकताओं (prior probabilities) की सीमाओं की आलोचना करता है और कई नए वस्तुनिष्ठ विकल्पों का प्रस्ताव और मूल्यांकन करता है जो मॉडल स्थान की जटिलता के साथ मितव्ययिता (parsimony) को बेहतर ढंग से संतुलित करते हैं।

मूल लेखक: James Berger, Gonzalo García-Donato, Elías Moreno, Luis Pericchi

प्रकाशित 2026-03-23

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: James Berger, Gonzalo García-Donato, Elías Moreno, Luis Pericchi

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 एक जासूस हैं जो एक बहुत बड़े रहस्य को सुलझाने की कोशिश कर रहे हैं। आपके पास 1,000 संदिग्धों (variables) से भरा एक कमरा है, लेकिन आपको संदेह है कि उनमें से केवल कुछ ही वास्तव में दोषी (प्रभावशाली) हैं। आपका काम यह पता लगाना है कि किन्हें गिरफ्तार करना है (मॉडल में शामिल करना है) और किन्हें जाने देना है।

सांख्यिकी (statistics) की दुनिया में, इसे वेरिएबल सिलेक्शन (Variable Selection) कहा जाता है। यह पेपर उन सांख्यिकीविदों के बीच एक बहस है कि सबूत देखने से पहले ही "खेल के नियम" कैसे तय किए जाएं। विशेष रूप से, यह इस बारे में है कि अपराध स्थल देखने से पहले आप विभिन्न संदिग्ध समूहों पर कितना संदेह (prior probability) लागू करते हैं।

यहाँ इस पेपर की कहानी का विवरण दिया गया है, जिसमें सरल उपमाओं (analogies) का उपयोग किया गया है।

समस्या: "समान संदिग्ध" वाली गलती

लंबे समय तक, सांख्यिकीविद एक सरल नियम का पालन करते थे: "हर संदिग्ध के साथ बिल्कुल एक जैसा व्यवहार करें।"

यूनिफॉर्म प्रायर (The Uniform Prior): कल्पना कीजिए कि आपके पास 1,000 संदिग्ध हैं। आप यह तय करते हैं कि संदिग्धों का हर संभव संयोजन (combination) समान रूप से संभावित है।
दोष: यदि आप ऐसा करते हैं, तो गणित कहता है कि यह वास्तव में सबसे अधिक संभावित है कि लगभग 500 लोग दोषी और 500 निर्दोष होंगे। यह वैसा ही है जैसे यह दांव लगाना कि जीतने वाला लॉटरी टिकट संख्याओं के आधे मिश्रण से बना है। वास्तविक जीवन में (जैसे बीमारी के लिए जीन ढूंढना), हमें पता होता है कि केवल कुछ ही वेरिएबल्स मायने रखते हैं। यह "समान उपचार" वाला नियम बहुत बड़े, अव्यवस्थित मॉडल चुन लेता है जिनमें बहुत सारा फालतू डेटा शामिल होता है।

पहला समाधान: "जेफ्रीज़" नियम

लगभग 20 साल पहले, एक प्रसिद्ध सांख्यिकीविद हेरोल्ड जेफ्रीज़ ने एक बेहतर तरीका सुझाया।

विचार: हर संयोजन को समान मानने के बजाय, आइए हर समूह के आकार को समान मानें।
- 1/48 संभावना है कि दोषी समूह में 0 लोग हैं।
- 1/48 संभावना है कि दोषी समूह में 1 व्यक्ति है।
- ...
- 1/48 संभावना है कि दोषी समूह में 47 लोग हैं (सभी)।
दोष: हालांकि यह "500 दोषी लोग" वाली समस्या को रोकता है, लेकिन यह एक नई समस्या पैदा करता है। यह नुल मॉडल (कोई भी दोषी नहीं है) और फुल मॉडल (हर कोई दोषी है) दोनों को समान रूप से संभावित मानता है।
- उपमा: एक अदालत की कल्पना करें जहाँ जज कहता है, "यह उतना ही संभावित है कि कोई भी अपराध में दोषी नहीं है जितना कि कमरे में मौजूद हर कोई दोषी है।" यह गलत लगता है। आमतौर पर, हम पार्सिमनी (Parsimony) में विश्वास करना चाहते हैं—यह विचार कि सरलतम स्पष्टीकरण (कम संदिग्धों वाला) आमतौर पर बेहतर होता है।

नए दावेदार: "गोल्डिलॉक्स" प्रायर की खोज

इस पेपर के लेखक कहते हैं, "हमें एक ऐसे नियम की आवश्यकता है जो न तो बहुत सख्त हो (यूनिफॉर्म की तरह) और न ही बहुत ढीला (जेफ्रीज़ की तरह)। हमें कुछ ऐसा चाहिए जो स्वाभाविक रूप से छोटे समूहों को प्राथमिकता दे, लेकिन अनुचित न हो।"

उन्होंने यह देखने के लिए छह नई रणनीतियों (priors) का परीक्षण किया कि कौन सा सबसे अच्छा काम करता है। यहाँ उनकी कहानी के मुख्य पात्र हैं:

हारमोनिक प्रायर (The Harmonic Prior): यह एक हल्की ढलान की तरह है। यह थोड़ा छोटे समूहों को प्राथमिकता देता है, लेकिन जैसे-जैसे समूह बड़ा होता है, इसकी प्राथमिकता कमजोर होती जाती है।
- निर्णय: यह सुंदर है, लेकिन एक वास्तविक परीक्षण ("मोटापा अध्ययन") में, यह मॉडल को बहुत बड़ा होने से रोकने में विफल रहा। यह पर्याप्त सख्त नहीं था।
हाफ-पी और हाफ-के प्रायर (The Half-p and Half-k Priors): ये "सख्त रक्षक" हैं। वे कहते हैं, "यदि समूह बहुत बड़ा हो जाता है (आधे से अधिक संदिग्ध), तो हम उन पर विश्वास करना बंद कर देते हैं।"
- निर्णय: ये मॉडलों को छोटा रखने में बहुत अच्छे हैं। हालाँकि, ये बहुत अधिक सख्त हो सकते हैं, और गलती से एक वैध बड़े समूह को सिर्फ इसलिए बाहर कर सकते हैं क्योंकि वह बड़ा है।
बीटा और हिरार्किकल बीटा प्रायर (The Beta and Hierarchical Beta Priors): ये "संतुलित न्यायाधीश" हैं। ये एक गणितीय वक्र (curve) का उपयोग करते हैं जो स्वाभाविक रूप से छोटे समूहों की ओर झुकता है लेकिन यदि सबूत मजबूत हों तो बड़े समूहों के लिए रास्ता खुला रखता है।
- निर्णय: इन्होंने बहुत अच्छा प्रदर्शन किया। उन्होंने "स्वीट स्पॉट" (सही संतुलन) पा लिया। Beta(1,2) सरल और प्रभावी है, जबकि Hierarchical Beta थोड़ा अधिक परिष्कृत है और छोटे मॉडलों की ओर अधिक झुकता है।
सीएमजी प्रायर (The CMG Prior): यह एक "अति-उत्साही जासूस" है। यह एक छोटे समूह को खोजने के लिए इतना जुनूनी है कि यह किसी भी समूह को अनदेखा कर देता है जो 14 लोगों से बड़ा है।
- निर्णय: बहुत अधिक चरम। यह "वस्तुनिष्ठ" नहीं है क्योंकि यह सत्य की परवाह किए बिना उत्तर को छोटा रखने के लिए मजबूर करता है।

वास्तविक दुनिया का परीक्षण: मोटापा अध्ययन

यह देखने के लिए कि कौन जीतता है, लेखकों ने शिशु मोटापे से संबंधित 47 वेरिएबल्स के डेटा का उपयोग करके एक परीक्षण चलाया।

यूनिफॉर्म प्रायर ने कहा: "लगभग आधे वेरिएबल्स महत्वपूर्ण हैं।" (गलत)।
जेफ्रीज़ प्रायर ने कहा: "फुल मॉडल (सभी 47 वेरिएबल्स) विजेता है।" (गलत और वैज्ञानिक रूप से बेतुका)।
हारमोनिक प्रायर ने भी फुल मॉडल को चुना।
बीटा और हिरार्किकल प्रायर ने 8 से 12 वेरिएबल्स का एक छोटा, समझदारी भरा समूह चुना।

बड़ा निष्कर्ष

पेपर यह निष्कर्ष निकालता है कि कोई एक अकेला "परफेक्ट" नियम नहीं है, लेकिन हमने कुछ बहुत अच्छे नियम खोजे हैं:

यूनिफॉर्म और जेफ्रीज़ नियमों से बचें: वे पुराने हैं और गलत परिणाम देते हैं।
सीएमजी नियम से बचें: यह बहुत चरम है।
विजेता:
- यदि आप सरलता चाहते हैं, तो Beta(1,2) प्रायर का उपयोग करें।
- यदि आप बहुत अधिक वेरिएबल्स चुनने के खिलाफ अधिकतम सुरक्षा चाहते हैं, तो Hierarchical Beta या Harmonic प्रायर का उपयोग करें।
- यदि आप आकार के बारे में बहुत सख्त होने के लिए तैयार हैं, तो Half-p प्रायर का उपयोग करें।

संक्षेप में: यह पेपर सांख्यिकीविदों के लिए एक मार्गदर्शिका है कि वे अपने "संदेह के स्तर" को सही ढंग से कैसे सेट करें। यह हमें सिखाता है कि डेटा के समुद्र में सच खोजने के लिए, हमें हर संभावना को समान नहीं मानना चाहिए, न ही हमें बड़े मॉडलों से डरना चाहिए, बल्कि शोर में खो जाने से बचने के लिए हमें सरलता (Parsimony) की ओर एक स्वाभाविक झुकाव रखना चाहिए।

यहाँ बर्गर, गार्सिया-डोनाटो, मोरेनो और पेरिची के शोध पत्र "Objective Model Prior Probabilities in Variable Selection" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र बेयसियन वेरिएबल सिलेक्शन (Bayesian variable selection) में मॉडलों के लिए ऑब्जेक्टिव प्रायर प्रोबेबिलिटीज (objective prior probabilities) चुनने की महत्वपूर्ण समस्या को संबोधित करता है। $k$ संभावित चरों (variables) वाले परिवेश में, $2^k$ संभावित मॉडल होते हैं। लक्ष्य प्रत्येक मॉडल $M_\gamma$ (जो एक इंडिकेटर वेक्टर $\gamma$ द्वारा परिभाषित है) को एक प्रायर प्रोबेबिलिटी $Pr(M_\gamma)$ प्रदान करना है जो "ऑब्जेक्टिव" अज्ञानता (ignorance) को दर्शाता हो, साथ ही आवश्यक पार्सिमोनी (parsimony) (सरल मॉडलों के प्रति प्राथमिकता) को भी समाहित करता हो।

लेखक दो ऐतिहासिक "ऑब्जेक्टिव" डिफॉल्ट्स की पहचान करते हैं जो व्यवहार में विफल रहते हैं:

यूनिफॉर्म प्रायर (Uniform Prior): प्रत्येक मॉडल को समान प्रायिकता ( $2^{-k}$ ) देता है। यह एक ऐसा प्रायर डिस्ट्रीब्यूशन बनाता है जो आकार $k/2$ वाले मॉडलों पर अत्यधिक केंद्रित होता है। उच्च-आयामी सेटिंग्स (जैसे जीनोमिक्स जहाँ $k=1,000,000$ है) में, इसका अर्थ यह है कि आधे चर प्रासंगिक होने की लगभग निश्चितता है, जो वैज्ञानिक वास्तविकता के विपरीत है और मल्टीप्लिसिटी कंट्रोल (multiplicity control) का अभाव है।
जेफ्रीज़ प्रायर (Jeffreys Prior): प्रत्येक मॉडल आकार (डायमेंशन) को समान प्रायिकता ( $1/(k+1)$ ) देता है, और उस द्रव्यमान (mass) को उसी आकार के मॉडलों के बीच समान रूप से वितरित करता है। हालांकि यह मल्टीप्लिसिटी कंट्रोल प्रदान करता है, यह नल मॉडल ( $d=0$ ) और पूर्ण मॉडल ( $d=k$ ) दोनों को समान भार देता है। बड़े मॉडलों के लिए दंड (penalization) की इस कमी के कारण अक्सर अत्यधिक जटिल मॉडल (जैसे पूर्ण मॉडल) चुने जाते हैं, भले ही डेटा इसके विरुद्ध संकेत दे रहा हो, जो पार्सिमोनी के सिद्धांत का उल्लंघन करता है।

मुख्य चुनौती ऐसे प्रायर स्पेसिफिकेशन खोजने की है जो ऑब्जेक्टिव हों (डेटा के प्रति मनमाने ढंग से ट्यून नहीं किए गए) फिर भी पर्याप्त रूप से पार्सिमोनियस हों ताकि बड़े मॉडलों को दंडित किया जा सके, लेकिन अत्यधिक प्रतिबंधात्मक न हों।

2. कार्यप्रणाली (Methodology)

लेखक संख्यात्मक सिमुलेशन (numerical simulations) और सैद्धांतिक विश्लेषण (theoretical analysis) के संयोजन का उपयोग करके आठ अलग-अलग मॉडल प्रायर स्पेसिफिकेशन का मूल्यांकन करते हैं।

A. ढांचा (The Framework)

मॉडल स्पेस (Model Space): $M_\gamma$ $k$ कोवेरियेट्स वाला एक लीनियर मॉडल दर्शाता है।
लाइकलीहुड (Likelihood): मापदंडों के लिए इंट्रिन्सिक प्रायर के साथ मानक जनरल लीनियर मॉडल (जो एक विशिष्ट बेयस फैक्टर फॉर्मूलेशन की ओर ले जाता है)।
मूल्यांकन मेट्रिक्स (Evaluation Metrics):
- पोस्टीरियर इंक्लूजन प्रोबेबिलिटीज (PIP): $Pr(x_j | y)$ ।
- हाइएस्ट पोस्टीरियर प्रोबेबिलिटी मॉडल (HPM): सबसे अधिक संभावित एकल मॉडल।
- मीडियन प्रोबेबिलिटी मॉडल (MPM): वह मॉडल जिसमें वे सभी चर शामिल हैं जिनका $PIP > 0.5$ है।
- पार्सिमोनी (Parsimony): इसे इस प्रकार मापा जाता है कि जैसे-जैसे $d$ बढ़ता है, प्रायर मास $M(d)$ (आकार $d$ के मॉडलों का कुल प्रायिकता) कैसे घटता है।

B. उम्मीदवार (The Candidates)

अध्ययन दो समस्याग्रस्त डिफॉल्ट्स (यूनिफॉर्म, जेफ्रीज़) की तुलना छह वैकल्पिक "ऑब्जेक्टिव" उम्मीदवारों से करता है:

हारमोनिक प्रायर (Harmonic Prior): $Pr(M_\gamma) \propto (1+|\gamma|)^{-1} / \binom{k}{|\gamma|}$ । यह आयामों को $1/(d+1)$ के अनुपात में द्रव्यमान आवंटित करता है।
CMG प्रायर (CMG Prior): पॉइसन रेट पर एक इंट्रिन्सिक प्रायर के साथ पॉइसन मिश्रण (Poisson mixture) पर आधारित।
हाफ-p जेफ्रीज़ प्रायर (Half-p Jeffreys Prior): यह मानता है कि समावेश की प्रायिकता (inclusion probability) $p \sim Uniform(0, 0.5)$ है।
हाफ-k जेफ्रीज़ प्रायर (Half-k Jeffreys Prior): जेफ्रीज़ का एक स्मूथ वर्शन जो प्रायर मास को आकार $k/2$ पर कैप करता है और शेष को वितरित करता है।
बीटा(1, 2) प्रायर (Beta(1, 2) Prior): यह मानता है कि $p \sim Beta(1, 2)$ ।
हाइरार्किकल बीटा प्रायर (Hierarchical Beta Prior): बीटा पैरामीटर $\alpha$ पर एक हाइपरप्रायर ( $\pi(\alpha) \propto \alpha^{-3/2}$ ), जिसके परिणामस्वरूप $p$ के लिए एक जटिल प्रायर प्राप्त होता है।

C. विश्लेषण उपकरण (Analysis Tools)

संख्यात्मक (Numerical): छोटे $k$ के लिए सटीक गणना (exact enumeration) और बड़े $k$ के लिए गिब्स सैंपलिंग/ब्रांच-एंड-बाउंड (Gibbs sampling/branch-and-bound) के लिए R पैकेज BayesVarSel का उपयोग किया गया। एक विशिष्ट केस स्टडी में एक इन्फेंट ओबेसिटी डेटासेट ( $k=47$ ) शामिल था।
सैद्धांतिक (Theoretical): $k \to \infty$ के रूप में प्रायर मास $M(d)$ और समावेश की प्रायिकता $Pr(x_j)$ के एसिम्प्टोटिक व्यवहार का विश्लेषण किया गया।

3. मुख्य योगदान (Key Contributions)

डिफॉल्ट्स की व्यवस्थित आलोचना: यह शोध पत्र कठोरता से प्रदर्शित करता है कि आधुनिक उच्च-आयामी वेरिएबल सिलेक्शन के लिए यूनिफॉर्म और जेफ्रीज़ प्रायर क्यों अनुपयुक्त हैं, और जेफ्रीज़ प्रायर के "फुल मॉडल" विरोधाभास को उजागर करता है।
नए ऑब्जेक्टिव प्रियर्स का परिचय: लेखक कई विकल्पों (हारमोनिक, हाफ-पी, हाइरार्किकल बीटा) को औपचारिक रूप देते हैं और उनका विश्लेषण करते हैं जो ऑब्जेक्टिविटी और पार्सिमोनी के बीच संतुलन बनाने का प्रयास करते हैं।
HPM और MPM के बीच अंतर: अध्ययन इस बात का पुख्ता अनुभवजन्य प्रमाण प्रदान करता है कि मीडियन प्रोबेबिलिटी मॉडल (MPM), हाइएस्ट पोस्टीरियर प्रोबेबिलिटी मॉडल (HPM) की तुलना में विभिन्न प्रायर विकल्पों के बीच अधिक स्थिर और मजबूत है। ओबेसिटी उदाहरण में, HPM प्रायर के आधार पर नाटकीय रूप से बदल गया (8 से 47 चरों तक), जबकि MPM स्थिर रहा (अधिकतम 2 चरों का अंतर)।
सैद्धांतिक लक्षण वर्णन: शोध पत्र प्रायर मास $M(d)$ और समावेश की प्रायिकता के लिए बड़े- $k$ अनुमान प्राप्त करता है, जिससे यह पता चलता है कि विभिन्न प्रायर एसिम्प्टोटिक रूप से कैसे व्यवहार करते हैं (जैसे, CMG और हारमोनिक प्रायर घटती हुई समावेश प्रायिकता प्रेरित करते हैं, जबकि अन्य स्थिर प्रायिकता बनाए रखते हैं)।

4. परिणाम (Results)

संख्यात्मक निष्कर्ष (ओबेसिटी उदाहरण, $k=47$ )

यूनिफॉर्म और जेफ्रीज़: पार्सिमोनियस परिणाम देने में विफल रहे। जेफ्रीज़ प्रायर ने HPM के रूप में पूर्ण मॉडल (47 चर) को चुना, और यूनिफॉर्म प्रायर ने सुझाव दिया कि लगभग आधे चर महत्वपूर्ण हैं।
हारमोनिक प्रायर: आश्चर्यजनक रूप से, इसने भी HPM के रूप में पूर्ण मॉडल को चुना, जो दर्शाता है कि यह इस डेटासेट के लिए पर्याप्त पार्सिमोनियस नहीं था।
CMG प्रायर: अत्यंत पार्सिमोनियस है; इसने आयाम $>14$ वाले सभी मॉडलों को प्रभावी ढंग से "खत्म" कर दिया, जिसके परिणामस्वरूप अधिकांश चरों के लिए बहुत कम समावेश प्रायिकता मिली।
हाफ-p / हाफ-k प्राइर्स: सख्त पार्सिमोनी लागू करते हैं, आकार 34 से बड़े मॉडलों को समाप्त कर देते हैं।
बीटा(1,2) और हाइरार्किकल बीटा: अच्छा प्रदर्शन किया, 8-12 चरों वाले मॉडल चुने। इन प्रियर्स के लिए HPM आपस में सुसंगत और वैज्ञानिक रूप से तर्कसंगत थे।
MPM की स्थिरता: किसी भी प्रायर (CMG को छोड़कर) के बावजूद, MPM उल्लेखनीय रूप से स्थिर रहा, जो वेरिएबल सिलेक्शन के लिए HPM के बजाय MPM का उपयोग करने की सिफारिश को पुष्ट करता है।

सैद्धांतिक निष्कर्ष

प्रायर इंक्लूजन प्रोबेबिलिटीज:
- यूनिफॉर्म/जेफ्रीज़: $Pr(x_j) = 0.5$ (बहुत अधिक)।
- बीटा(1,2): $Pr(x_j) = 1/3$ ।
- हाइरार्किकल बीटा: $Pr(x_j) \approx 0.22$ ।
- CMG/हारमोनिक: $Pr(x_j)$ , $O(1/k)$ या $O(1/\log k)$ के रूप में घटता है।
पार्सिमोनी बनाम ऑब्जेक्टिविटी: लेखक तर्क देते हैं कि वेरिएबल सिलेक्शन में "ऑब्जेक्टिविटी" का अर्थ आवश्यक रूप से 0.5 की स्थिर समावेश प्रायिकता नहीं है। यदि लक्ष्य ओवरफिटिंग से बचना है, तो ऐसे प्रायर जो घटती हुई समावेश प्रायिकता (जैसे हारमोनिक या CMG) या मध्यम स्थिर प्रायिकता (जैसे बीटा(1,2)) प्रेरित करते हैं, अधिक उपयुक्त हैं।

5. महत्व और निष्कर्ष (Significance and Conclusions)

शोध पत्र निष्कर्ष निकालता है कि कोई एक "परफेक्ट" ऑब्जेक्टिव प्रायर नहीं है, बल्कि वैज्ञानिक संदर्भ के आधार पर एक ट्रेड-ऑफ है:

अस्वीकृत: यूनिफॉर्म और जेफ्रीज़ प्राइर्स को पार्सिमोनी की कमी के कारण वेरिएबल सिलेक्शन के लिए अक्षम (untenable) माना गया है। CMG को अत्यधिक पार्सिमोनियस (बहुत आक्रामक) होने के कारण खारिज किया गया है।
अनुशंसित उम्मीदवार:
- हारमोनिक प्रायर: अच्छा है यदि आप घटती हुई समावेश प्रायिकता चाहते हैं, लेकिन कुछ मामलों में पर्याप्त पार्सिमोनी की कमी हो सकती है।
- हाफ-p प्रायर: सख्त पार्सिमोनी के लिए उत्कृष्ट है, हालांकि यह बड़े मॉडलों को पूरी तरह से हटाकर बहुत प्रतिबंधात्मक हो सकता है।
- बीटा(1, 2) और हाइरार्किकल बीटा: ये सबसे संतुलित विकल्प हैं। वे अत्यधिक आक्रामक हुए बिना पार्सिमोनी का एक उचित स्तर प्रदान करते हैं। हाइरार्किकल बीटा छोटे मॉडलों को थोड़ा अधिक प्राथमिकता देता है, जबकि बीटा(1,2) कम्प्यूटेशनल रूप से सरल है।

अंतिम निष्कर्ष: लेखक वांछित पार्सिमोनी के स्तर के आधार पर बीटा(1, 2), हाइरार्किकल बीटा, या हाफ-p प्रियर्स के उपयोग की वकालत करते हैं। इसके अलावा, वे दृढ़ता से सुझाव देते हैं कि वेरिएबल सिलेक्शन के लिए HPM के बजाय मीडियन प्रोबेबिलिटी मॉडल (MPM) की रिपोर्ट करें, क्योंकि MPM विभिन्न प्रायर स्पेसिफिकेशन के बीच चरों का अधिक स्थिर और मजबूत चयन प्रदान करता है।