📊 statistics

Approximate posterior recalibration

यह शोध पत्र दो ऐसी विधियों को प्रस्तुत करता है जो सिमुलेशन-आधारित अंशांकन (SBC) का विस्तार करती हैं ताकि अनुमानित बेयसियन पोस्टीरियर्स (approximate Bayesian posteriors) को पुन: अंशांकित करने के लिए उनके अनिश्चितता अंतरालों को व्यापक बनाया जा सके जिससे मार्जिनल अंशांकन प्राप्त हो सके, जो कि अत्यधिक संकीर्ण अंतराल अनुमानों की सामान्य समस्या का समाधान करता है।

मूल लेखक: Tiffany Cai, Philip Greengard, Ben Goodrich, Andrew Gelman

प्रकाशित 2026-03-23

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Tiffany Cai, Philip Greengard, Ben Goodrich, Andrew Gelman

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 मौसम विज्ञानी हैं। आपके पास एक परिष्कृत कंप्यूटर मॉडल है जो कल के तापमान की भविष्यवाणी करता है। आमतौर पर, आपका मॉडल बहुत अच्छा होता है, लेकिन कभी-कभी यह बहुत अधिक आत्मविश्वासी हो जाता है। यह कहता है, "तापमान 70 डिग्री होगा," जिसमें त्रुटि की बहुत कम गुंजाइश है, जैसे कि "70 ± 0.1 डिग्री।"

वास्तविकता में, तापमान 68 या 72 हो सकता है। आपका मॉडल गलत अंशांकन (miscalibrated) है: इसे लगता है कि वह जितना वास्तव में जानता है, उससे कहीं अधिक वह जानता है। यदि आप कोट पहनने का निर्णय लेने के लिए इस मॉडल का उपयोग करते हैं, तो आपको ठंड लग सकती है क्योंकि मॉडल ने पर्याप्त अनिश्चितता को ध्यान में नहीं रखा था।

यह शोध पत्र उन जटिल गणितीय मॉडलों में इस अति-आत्मविश्वास को ठीक करने के बारे में है जिनका उपयोग वैज्ञानिक और डेटा विश्लेषक करते हैं।

समस्या: "बहुत संकीर्ण" जाल

सांख्यिकी (statistics) में, जब हम किसी छिपे हुए नंबर (जैसे कि किसी दवा का वास्तविक प्रभाव) का अनुमान लगाने की कोशिश करते हैं, तो हम एक "पोस्टीरियर डिस्ट्रीब्यूशन" (posterior distribution) का उपयोग करते हैं। इसे एक जाल की तरह समझें जिसे हम सही उत्तर को पकड़ने के लिए फेंकते हैं।

परफेक्ट मॉडल: जाल का आकार एकदम सही है। यदि आप इसे 100 बार फेंकते हैं, तो यह 95 बार सही मछली को पकड़ लेगा (यदि आपने 95% विश्वास का लक्ष्य रखा हो)।
अनुमानित मॉडल: क्योंकि गणित को सटीक रूप से हल करना बहुत कठिन है, इसलिए हम एक शॉर्टकट (एक अनुमान) का उपयोग करते हैं। ये शॉर्टकट अक्सर ऐसा जाल फेंकते हैं जो बहुत संकीर्ण होता है। वे मछली को उम्मीद से कम बार पकड़ पाते हैं, जिससे हमें झूठा आत्मविश्वास मिलता है।

लेखक पूछते हैं: हम इस जाल को बस इतना चौड़ा कैसे करें कि यह मछली को सही मात्रा में पकड़ सके, बिना इतना चौड़ा हुए कि यह सब कुछ ही पकड़ ले?

समाधान: "अभ्यास सत्र" (सिमुलेशन-आधारित अंशांकन)

जाल को ठीक करने के लिए, आपको यह जानने की जरूरत है कि वह कैसा व्यवहार करता है। लेखक एक चतुर तकनीक का उपयोग करते हैं जिसे सिमुलेशन-आधारड अंशांकन (Simulation-Based Calibration - SBC) कहा जाता है।

कल्पना कीजिए कि आप एक मछुआरे हैं जो अपने जाल का परीक्षण करना चाहते हैं। आप केवल असली मछलियों का इंतजार नहीं कर सकते। इसके बजाय, आप:

नकली समुद्र बनाएं: आप 1,000 नकली परिदृश्य उत्पन्न करते हैं जहाँ आप जानते हैं कि मछली कहाँ होनी चाहिए (क्योंकि आपने उन्हें खुद बनाया है)।
जाल फेंकें: आप इन नकली परिदृश्यों पर अपना अनुमानित मॉडल चलाते हैं।
स्कोर की जांच करें: आप देखते हैं कि आपका जाल कितनी बार उन मछलियों को पकड़ पाया जिन्हें आपने वहां रोपा था।

यदि आपका जाल बहुत संकीर्ण है, तो आप देखेंगे कि यह मछली को बहुत अधिक बार चूक जाता है। शोध पत्र दिखाता है कि यदि आप इसे पर्याप्त बार करते हैं, तो आप एक पैटर्न देख सकते हैं: "ओह, मेरा जाल लगातार 20% छोटा है।"

सुधार: जाल को चौड़ा करने के दो तरीके

एक बार जब आपको पता चल जाता है कि जाल बहुत छोटा है, तो आपको उसे फैलाना होगा। यह पेपर दो सरल तरीके बताता है कि यह पता कैसे लगाया जाए कि कितना फैलाना है:

"लक्ष्य स्कोर" विधि (नॉमिनल कवरेज):
आप कहते हैं, "मैं चाहता हूँ कि मेरा जाल 95% बार मछली को पकड़े।" आप अपने जाल को 10%, फिर 20%, फिर 30% तक फैलाने की कोशिश करते हैं, और प्रत्येक परीक्षण को अपने नकली समुद्र पर तब तक टेस्ट करते हैं जब तक कि आप वह सटीक विस्तार न ढूंढ लें जो 95% के लक्ष्य तक पहुँचता है।

फायदे: विशिष्ट लक्ष्यों के लिए बहुत सटीक।
नुकसान: हर विस्तार को टेस्ट करने के लिए बहुत अधिक कंप्यूटर समय लगता है।

"Z-स्कोर" विधि:
एक विशिष्ट प्रतिशत का लक्ष्य रखने के बजाय, आप औसत "चूक" की दूरी देखते हैं। आप गणना करते हैं कि आपका जाल आमतौर पर कितना गलत होता है और इसे बस इतना फैलाते हैं कि औसत त्रुटि सामान्य दिखे।

फायदे: यह गणना करने में बहुत तेज़ और आसान है।
नुकसान: यह एक "एक ही आकार सबके लिए" (one-size-fits-all) वाला विस्तार है, जो हर एकल परिदृश्य के लिए एकदम सही नहीं हो सकता है, लेकिन यह काफी हद तक काम करता है।

लेखकों ने सरल गणितीय समस्याओं और एक प्रसिद्ध "8 स्कूलों" के डेटासेट (सांख्यिकी में एक मानक परीक्षण मामला) पर इन विधियों का परीक्षण किया। उन्होंने पाया कि इन विस्तारों को लागू करने से, उनके "बहुत संकीर्ण" जाल फिर से बिल्कुल सही आकार के हो गए।

मोड़: "पोस्टीरियर रीकैलिब्रेशन" विरोधाभास

यहाँ चीजें पेचीदा और दार्शनिक हो जाती हैं।

आमतौर पर, आप अपने जाल का परीक्षण पूरे समुद्र (प्रायर/Prior) का अनुकरण करके करते हैं। यह बेयसियन सांख्यिकी (Bayesian statistics) में करने का मानक और सही तरीका है।

लेकिन क्या होगा यदि आप केवल उस हिस्से की परवाह करते हैं जहाँ मछलियाँ वास्तव में हैं? क्या होगा यदि आप कहते हैं, "मुझे समुद्र के गहरे, अंधेरे हिस्सों की परवाह नहीं है जहाँ कोई मछली नहीं रहती; मैं केवल उन उथले, धूप वाले स्थानों में अपने जाल का परीक्षण करना चाहता हूँ जहाँ मेरा डेटा कहता है कि मछलियाँ हैं"?

इसे पोस्टीरियर रीकैलिब्रेशन (Posterior Recalibration) कहा जाता है। आप अपने वर्तमान सर्वोत्तम अनुमान का उपयोग करके नकली परिदृश्य उत्पन्न करते हैं।

सावधानी:
शोध पत्र ने इस दृष्टिकोण में एक आश्चर्यजनक दोष खोजा है। यदि आप केवल "धूप वाले स्थानों" (पोस्टीरियर) में अपने जाल का परीक्षण करते हैं, तो गणित विफल हो जाता है।

उपमा: कल्पना कीजिए कि आप एक स्पीडोमीटर को कैलिब्रेट कर रहे हैं। यदि आप केवल 60 मील प्रति घंटे की गति से चलते समय इसका परीक्षण करते हैं, और आप इसे 60 मील प्रति घंटे दिखाने के लिए समायोजित करते हैं, तो आप 20 मील या 80 मील प्रति घंटे की गति पर ड्राइविंग के लिए इसके अंशांकन को बिगाड़ सकते हैं।
परिणाम: जब लेखकों ने इस "पोस्टीरियर रीकैलिब्रेशन" का प्रयास किया, तो मॉडल फिर से अति-आत्मविश्वासी (overconfident) हो गया, लेकिन एक अलग तरीके से। इसने जानकारी को सही ढंग से "पूल" (pool) करना बंद कर दिया। यह खुद के बारे में बहुत निश्चित हो गया, और व्यापक डेटा के ज्ञान को अनदेखा कर दिया।

फिर इसे क्यों करें?
लेखक सुझाव देते हैं कि बहुत जटिल, बहु-स्तरीय मॉडलों (जैसे कई समूहों वाले पदानुक्रमित मॉडल) में, यह "दोषपूर्ण" तरीका वास्तव में एक उपयोगी समझौता हो सकता है। यह मॉडल को शुद्ध बेयसियन गणित के नियमों को तोड़ने के बजाय, विशिष्ट डेटा पर ध्यान केंद्रित करने के लिए मजबूर करता है।

बड़ी तस्वीर

लक्ष्य: यह सुनिश्चित करना कि हमारे सांख्यिकीय "जाल" बहुत तंग न हों, ताकि हमें झूठा आत्मविश्वास न मिले।
उपकरण: यह देखने के लिए कि मॉडल कैसा प्रदर्शन करता है, हजारों नकली सिमुलेशन चलाएं, फिर त्रुटियों को ठीक करने के लिए परिणामों को फैलाएं।
चेतावनी: एक "सही तरीका" है (संभावनाओं के पूरे ब्रह्मांड के विरुद्ध परीक्षण करना) और एक "व्यावहारिक तरीका" है (केवल वही परीक्षण करना जो हम देखते हैं)। व्यावहारिक तरीका लुभावना है लेकिन गणितीय रूप से जोखिम भरा है, हालांकि यह विशिष्ट, जटिल स्थितियों में काम कर सकता है।

संक्षेप में, यह शोध पत्र हमें अपने स्वयं के आत्मविश्वास का ऑडिट करने के लिए एक टूलकिट देता है। यह हमें सिखाता है कि कैसे एक ऐसे मॉडल को लें जो "लगभग सही" है लेकिन "खुद के बारे में बहुत निश्चित" है, और उसे धीरे से एक स्वस्थ, यथार्थवादी अनिश्चितता के स्तर पर वापस लाएं।

यहाँ कै (Cai), ग्रीनगार्ड (Greengard), गुडरिच (Goodrich), और गेलमैन (Gelman) के शोध पत्र "Approximate posterior recalibration" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

बेयसियन अनुमान (Bayesian inference) अक्सर अनुमानित एल्गोरिदम (जैसे, Variational Inference, ADVI) पर निर्भर करता है जब सटीक पोस्टीरियर गणना कम्प्यूटेशनल रूप से कठिन होती है। जबकि सटीक बेयसियन पोस्टीर (exact Bayesian posteriors) सैद्धांतिक रूप से "कैलिब्रेटेड" होते हैं (अर्थात, प्रायर प्रेडिक्टिव डिस्ट्रीब्यूशन पर औसत लेने पर पोस्टीरियर अंतराल नाममात्र की आवृत्ति के साथ वास्तविक पैरामीटर मान को समाहित करते हैं), अनुमानित पोस्टीर (approximate posteriors) अक्सर गलत कैलिब्रेशन (miscalibration) से ग्रस्त होते हैं। विशेष रूप से, वे अक्सर बहुत संकीर्ण अनिश्चितता अंतराल (uncertainty intervals) प्रदान करते हैं, जो वास्तविक अनुमान त्रुटि को पकड़ने में विफल रहते हैं।

मुख्य चुनौती जिसका समाधान किया गया है वह यह है: हम अनुमानित पोस्टीर वितरणों को कैसे समायोजित कर सकते हैं ताकि महंगी सटीक विधियों का सहारा लिए बिना उचित अनिश्चितता परिमाणीकरण (calibration) प्राप्त किया जा सके?

यह शोध पत्र दो प्रकार के कैलिब्रेशन के बीच अंतर करता है:

प्रायर कैलिब्रेशन (Prior Calibration): प्रायर डिस्ट्रीब्यूशन पर औसत लेना (मानक बेयसियन परिभाषा)।
पोस्टीरियर कैलिब्रेशन (Posterior Calibration): पोस्टीरियर डिस्ट्रीब्यूशन पर औसत लेना (अवलोकित डेटा द्वारा समर्थित पैरामीटर स्पेस के क्षेत्र पर ध्यान केंद्रित करना)।

2. कार्यप्रणाली (Methodology)

लेखक एक ढांचा प्रस्तावित करते हैं जिसे एप्रोक्सिमेट पोस्टीरियर कैलिब्रेशन (APC) कहा जाता है, जो सिमुलेशन-आधारित कैलिब्रेशन (SBC) का विस्तार है।

2.1. APC ढांचा (Algorithm 1)

सामान्य प्रक्रिया में तीन चरण शामिल हैं:

सिमुलेशन (Simulation): प्रायर $p(\Theta)$ से $L$ पैरामीटर्स $\Theta_l$ खींचें, लाइकलहुड $p(y|\Theta_l)$ से सिंथेटिक डेटा $y_l$ उत्पन्न करें, और अनुमानित मॉडल $M'$ को फिट करके अनुमानित पोस्टीरियर ड्रॉ $\theta_{l,s}^{post}$ प्राप्त करें।
एडजस्टमेंट लर्निंग (Adjustment Learning): एक एडजस्टमेंट फैक्टर (जैसे, स्केलिंग फैक्टर $k$ ) की गणना करें जो अनुमानित पोस्टीरियर को एक विशिष्ट स्व-संगति (self-consistency) गुण को संतुष्ट करने के लिए मजबूर करता है, जो सटीक पोस्टीरियर सिद्धांत से प्राप्त होता है।
अनुप्रयोग (Application): वास्तविक अवलोकित डेटा $y_D$ के अनुमानित पोस्टीरियर पर सीखे गए एडजस्टमेंट को लागू करें।

2.2. प्रस्तावित एडजस्टमेंट विधियाँ

लेखक फिक्स्ड-विड्थ स्केलिंग (fixed-width scaling) से संबंधित एडजस्टमेंट की एक श्रेणी पर ध्यान केंद्रित करते हैं जो पोस्टीरियर मीन के चारों ओर होती है। स्केलिंग फैक्टर निर्धारित करने के लिए दो विशिष्ट विधियाँ प्रस्तावित हैं:

A. नाममात्र कवरेज विधि (Nominal Coverage Method):
- लक्ष्य: यह सुनिश्चित करना कि $(1-\alpha)$ क्रेडिबल इंटरवल नाममात्र कवरेज प्राप्त करें (अर्थात, वास्तविक पैरामीटर $1-\alpha$ बार अंतराल के भीतर आता है)।
- तंत्र: स्केलिंग फैक्टर्स $\sigma$ पर ग्रिड सर्च करना ताकि प्रेक्षित क्वांटाइल कवरेज और लक्ष्य $(1-\alpha)$ के बीच वर्ग अंतर (squared difference) को कम किया जा सके।
- पक्ष/विपक्ष: सीधे अंतराल कवरेज को लक्षित करता है लेकिन ग्रिड सर्च और चरम $\alpha$ मानों के लिए अस्थिर होने के कारण कम्प्यूटेशनल रूप से महंगा है।
B. Z-स्कोर विधि (Z-Score Method):
- लक्ष्य: यह सुनिश्चित करना कि वास्तविक पैरामीटर के सापेक्ष अनुमानित पोस्टीरियर के मानकीकृत अवशेष (standardized residuals या z-scores) एक मानक सामान्य वितरण $N(0,1)$ का पालन करते हैं।
- तंत्र: सिमुलेशन के माध्यम से z-स्कोर $z_l = (\theta_l - \mu_l^{post}) / \sigma_l^{post}$ की गणना करें। स्केलिंग फैक्टर इन z-स्कोर के मानक विचलन ( $s_z$ ) के रूप में सेट किया जाता है।
- पक्ष/विपक्ष: कम्प्यूटेशनल रूप से कुशल (कोई ग्रिड सर्च नहीं) और स्थिर है, हालांकि यह मानता है कि एक ही स्केलिंग फैक्टर सभी अंतराल चौड़ाई के लिए लागू होता है।

2.3. पोस्टीरियर रिकैलिब्रेशन (वैकल्पिक दृष्टिकोण)

शोध पत्र एक भिन्न रूप की खोज करता है जहाँ सिमुलेशन चरण $p(\theta|y)$ से $\Theta_l$ खींचता है न कि प्रायर से।

प्रेरणा: कैलिब्रेशन को पैरामीटर स्पेस के उस क्षेत्र पर केंद्रित करना जो वास्तव में डेटा द्वारा समर्थित है, उन प्रायर क्षेत्रों को छोड़कर जो अवलोकनों के साथ असंगत हैं।
सैद्धांतिक निष्कर्ष: लेखक विश्लेषणात्मक रूप से सिद्ध करते हैं (एक Normal-Normal मॉडल का उपयोग करके) कि गैर-पदानुक्रमित (non-hierarchical) मॉडलों के लिए पोस्टीरियर रिकैलिब्रेशन मौलिक रूप से त्रुटिपूर्ण है। सटीक अनुमान के साथ भी, पोस्टीरियर पर औसत लेने से समान क्वांटाइल्स (uniform quantiles) प्राप्त नहीं होते हैं। इस संदर्भ में कैलिब्रेशन लागू करने से व्यवस्थित रूप से "पार्शियल पूलिंग" (अनुमानों को प्रायर की ओर खींचना) कम हो जाता है और अत्यधिक आत्मविश्वासी (बहुत संकीर्ण) अंतराल परिणाम देता है।

3. मुख्य योगदान (Key Contributions)

APC का औपचारिककरण: शोध पत्र एक व्यवस्थित प्रक्रिया पेश करता है जो प्रायर के संबंध में मार्जिनल कैलिब्रेशन प्राप्त करने के लिए अनुमानित पोस्टीरियर अंतराल को चौड़ा करती है।
दो व्यावहारिक एल्गोरिदम: यह स्केलिंग फैक्टर निर्धारित करने के लिए Nominal Coverage और Z-Score विधियों की तुलना करता है।
पोस्टीरियर रिकैलिब्रेशन का सैद्धांतिक विश्लेषण: यह एक कठोर व्युत्पत्ति प्रदान करता है जो दिखाता है कि जबकि प्रायर-आधारित रिकैलिब्रेशन काम करता है, पोस्टीरियर-आधारित रिकैलिब्रेशन (पोस्टीरियर पर औसत लेना) साधारण मॉडलों के लिए कैलिब्रेटेड अंतराल उत्पन्न करने में विफल रहता है, जिससे अंडर-कवरेज और कम पूलिंग होती है।
पदानुक्रमित मॉडल अंतर्दृष्टि (Hierarchical Model Insight): लेखक परिकल्पना करते हैं कि पदानुक्रमित मॉडलों के लिए पोस्टीरियर रिकैलिब्रेशन अभी भी व्यवहार्य हो सकता है क्योंकि "आंतरिक प्रतिकृति" (जहाँ नए ग्रुप पैरामीटर्स प्रायर ड्रॉ की तरह कार्य करते हैं), हालांकि इसके लिए और अधिक जांच की आवश्यकता है।

4. प्रयोगात्मक परिणाम (Experimental Results)

विधियों का परीक्षण दो प्राथमिक सेटिंग्स पर किया गया था:

सरल गॉसियन मॉडल (एक पैरामीटर):
- सेटअप: एक ज्ञात मॉडल जहाँ वास्तविक पोस्टीरियर उपलब्ध है। अनुमानित पोस्टीरियर को कृत्रिम रूप से संकीर्ण (1/3 द्वारा स्केल) किया गया था।
- परिणाम: दोनों APC विधियों ने वास्तविक स्केलिंग फैक्टर (लगभग 3.0) को सफलतापूर्वक रिकवर किया।
- प्रदर्शन: Z-Score विधि अधिक कुशल (ग्रिड सर्च के बिना) थी और इसने ग्राउंड ट्रुथ के बहुत करीब स्केलिंग फैक्टर ( $\sigma \approx 3.08$ ) दिया, जिससे नाममात्र कवरेज (जैसे, 95% कवरेज 95.1% हो गया) बहाल हो गया।
पदानुक्रमित 8-स्कूल्स मॉडल (ADVI बनाम HMC):
- सेटअप: ऑटोमैटिक डिफरेंशिएटेड वेरिएशनल इन्फरेंस (ADVI) को अनुमानित विधि के रूप में और हैमिल्टोनियन मोंटे कार्लो (HMC) को ग्राउंड ट्रूथ के रूप में उपयोग किया गया।
- परिणाम: ADVI पोस्टीर अनकैलिब्रेटेड थे। APC विधियों ने लगभग 2.4–2.5 का स्केलिंग फैक्टर पहचाना।
- सूक्ष्मता: लेखकों ने नोट किया कि ADVI पोस्टीर न केवल संकीर्ण थे बल्कि HMC के सापेक्ष शिफ्ट (shifted) भी थे। चूंकि APC केवल चौड़ाई (width) को ठीक करता है (शिफ्ट को नहीं), इसलिए समायोजित अंतराल ADVI की चौड़ाई के सरल 2x स्केलिंग से अधिक चौड़े थे, जिससे यह सुनिश्चित हुआ कि वास्तविक पैरामीटर कैप्चर हो जाए। समायोजित अंतराल ने नाममात्र कवरेज के करीब पहुँच प्राप्त की (जैसे, 95% लक्ष्य $\to$ 94.9% अवलोकित)।

5. महत्व और चर्चा (Significance and Discussion)

व्यावहारिक उपयोगिता: APC ढांचा उन अभ्यासकर्ताओं के लिए एक "प्लग-इन" समाधान प्रदान करता है जो अनुमानित अनुमान (जैसे, VI) का उपयोग कर रहे हैं ताकि यह सुनिश्चित किया जा सके कि उनके अनिश्चितता अनुमान विश्वसनीय हैं। यह संभावित रूप से भ्रामक संकीर्ण अंतराल को एक कैलिब्रेटेड अंतराल में बदल देता है।
सैद्धांतिक सीमाएँ: शोध पत्र बेयसियन वर्कफ़्लो में एक महत्वपूर्ण अंतर स्पष्ट करता है। जबकि प्रायर प्रेडिक्टिव कैलिब्रेशन बेयसियन अनुमान का एक स्वाभाविक गुण है, पोस्टीरियर प्रेडिक्टिव कैलिब्रेशन नहीं है। गैर-पदानुक्रमित मॉडलों में पोस्टीरियर पर कैलिब्रेशन थोपने का प्रयास पक्षपाती अनुमान (कम पूलिंग, अत्यधिक आत्मविश्वास) की ओर ले जाता है।
भविष्य की दिशाएँ: लेखक सुझाव देते हैं कि जबकि सरल मॉडलों के लिए पोस्टीरियर रिकैलिब्रेशन सैद्धांतिक रूप से समस्याग्रस्त है, यह पदानुक्रमित मॉडलों में एक मजबूती उपकरण (robustness tool) के रूप में प्रभावी हो सकता है जहाँ आंतरिक संरचना प्रायर प्रेडिक्टिव चेक की नकल करती है। वे यह भी रेखांकित करते हैं कि वर्तमान विधियाँ स्केलर पैरामीटर्स पर ध्यान केंद्रित करती हैं; संयुक्त बहुभिन्नरूपी (multivariate) कैलिब्रेशन तक विस्तार करना एक खुला विषय बना हुआ है।