📈 economics

Double Machine Learning for Static Panel Data with Instrumental Variables: New Method and Applications

यह शोध पत्र अंतर्जात उपचारों (endogenous treatments) और उपकरण चरों (instrumental variables) वाले स्थिर पैनल डेटा के लिए एक डबल मशीन लर्निंग अनुमानक (estimator) प्रस्तुत करता है, जो सैद्धांतिक निदान, मोंटे कार्लो सिमुलेशन और प्रवास अध्ययनों में अनुप्रयोगों के माध्यम से यह प्रदर्शित करता है कि यह मजबूत उपकरणों के तहत अनुमान सटीकता में सुधार करता है और लचीले सह-चर समायोजन के कारण कमजोर उपकरणों के मामले में अधिक विश्वसनीय, सतर्क कारण अनुमान (causal inference) प्रदान करता है।

मूल लेखक: Anna Baiardi, Paul S. Clarke, Andrea A. Naghi, Annalivia Polselli

प्रकाशित 2026-03-24

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Anna Baiardi, Paul S. Clarke, Andrea A. Naghi, Annalivia Polselli

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 यह पता लगाने की कोशिश कर रहे हैं कि क्या एक नए शहर में जाना (उपचार/treatment) वास्तव में वहां रहने वाले लोगों को कितना राजनीतिक रूप से रूढ़िवादी (conservative) बनाता है (परिणाम/outcome)।

समस्या यह है कि लोग बेतरतीब ढंग से नहीं बसते। वे नौकरियों, मौसम और जीवन यापन की लागत के आधार पर शहरों का चुनाव करते हैं। यदि आप केवल उन शहरों की तुलना करते हैं जहाँ बहुत अधिक अप्रवासी हैं और उन शहरों से जहाँ कम अप्रवासी हैं, तो आप अप्रवास के प्रभाव को, उदाहरण के लिए, एक उभरती हुई स्थानीय अर्थव्यवस्था के प्रभाव के साथ भ्रमित कर सकते हैं। इसे एंडोजेनिटी (endogeneity) कहा जाता है—वह "मुर्गी पहले आई या अंडा" वाली समस्या जहाँ कारण और प्रभाव आपस में उलझ जाते हैं।

इसे हल करने के लिए, अर्थशास्त्री आमतौर पर एक "जादुई छड़ी" का उपयोग करते हैं जिसे इंस्ट्रूमेंटल वेरिएबल (Instrumental Variable - IV) कहा जाता है। इसे एक प्राकृतिक प्रयोग के रूप में सोचें। उदाहरण के लिए, अप्रवासियों का एक झुकाव उन शहरों में बसने की ओर हो सकता है जहाँ उनके रिश्तेदार पहले से रह रहे हैं। यदि हम "रिश्तेदारों की ऐतिहासिक उपस्थिति" को अपने "इंस्ट्रूमेंट" के रूप में उपयोग करते हैं, तो हम नए अप्रवासियों के प्रभाव को अलग कर सकते हैं, यह मानते हुए कि ऐतिहासिक पैटर्न आज की राजनीति से प्रभावित नहीं है।

पुरानी समस्या: "कठोर रूलर" (The Rigid Ruler)

दशकों तक, अर्थशास्त्रियों ने 2SLS (Two-Stage Least Squares) नामक उपकरण का उपयोग किया। 2SLS को एक कठोर, सीधे रूलर (पैमाने) के रूप में सोचें।

यह तब बहुत अच्छा काम करता है जब दुनिया सरल हो और सीधी रेखाएं सब कुछ समझा सकें।
लेकिन वास्तविक दुनिया अव्यवस्थित है। शहर की अर्थव्यवस्था, उसके जनसांख्यिकी और अप्रवास के बीच का संबंध नॉन-लीनियर (non-linear) होता है (टेढ़ा-मेढ़ा, ऊबड़-खाबड़ और जटिल)।
जब आप एक घुमावदार सड़क को सीधे रूलर से मापने की कोशिश करते हैं, तो आपको गलत उत्तर मिलता है।
साथ ही, यदि आपके पास नियंत्रित करने के लिए सैकड़ों अलग-अलग कारक (covariates) हैं, तो वह रूलर बहुत अधिक भीड़भाड़ वाला हो जाता है और टूट जाता है (गणितीय रूप से, यह "रैंक डेफिशिएंट" हो जाता है)।

नया समाधान: "डबल मशीन लर्निंग" (स्मार्ट जीपीएस)

यह पेपर एक नई विधि पेश करता है जिसे पैनल IV DML कहा जाता है। कल्पना कीजिए कि आप उस कठोर रूलर को एक स्मार्ट जीपीएस (Smart GPS) से बदल रहे हैं जो चलते समय इलाके को सीखता है।

यह "डबल" है: जीपीएस एक साथ दो काम करता है।
- यह शहर के पृष्ठभूमि कारकों और परिणाम (राजनीति) के बीच के जटिल, घुमावदार संबंध को सीखता है।
- यह शहर के पृष्ठभूमि कारकों और "इंस्ट्रूमेंट" (ऐतिहासिक बसावट के पैटर्न) के बीच के संबंध को भी सीखता है।
- मशीन लर्निंग (जैसे न्यूरल नेटवर्क या डिसीजन ट्री) का उपयोग करके दोनों पक्षों को पूरी तरह से सीखकर, यह सभी "शोर" (noise) और "कन्फाउंडिंग" (confounding) कारकों को हटा देता है।
यह "पैनल्स" के लिए है: यह जीपीएस उस डेटा के लिए डिज़ाइन किया गया है जो एक ही शहरों को समय के साथ ट्रैक करता है (जैसे एक टाइम-लैप्स वीडियो)। यह जानता है कि शहर A, शहर B से अलग है, और यह उन स्थायी अंतरों को ध्यान में रखता है ताकि यह केवल बदलावों पर ध्यान केंद्रित कर सके।
"कमजोर सिग्नल" डिटेक्टर:
- कभी-कभी, "जादुई छड़ी" (इंस्ट्रूमेंट) बहुत मजबूत नहीं होती। शायद ऐतिहासिक रिश्तेदार वर्तमान अप्रवास की अच्छी भविष्यवाणी नहीं करते हैं।
- पुराना रूलर (2SLS) बस आपको एक परिणाम दे देगा और कहेगा, "यहाँ उत्तर है!" भले ही सिग्नल बहुत कमजोर क्यों न हो। यह एक तूफान में फुसफुसाहट को सुनने और दावा करने जैसा है कि आपने एक रहस्य सुना है।
- नया पैनल IV DML एक अंतर्निहित सिग्नल स्ट्रेंथ मीटर (एंडरसन-रूबिन टेस्ट का उपयोग करके) के साथ आता है। यदि सिग्नल बहुत कमजोर है, तो यह आपको गलत उत्तर नहीं देता है। इसके बजाय, यह लाल झंडा दिखाता है और कहता है, "हम अभी उत्तर के बारे में निश्चित नहीं हो सकते।" यह शोधकर्ताओं को विनम्र और सतर्क रहने के लिए मजबूर करता है।

जब उन्होंने इसका परीक्षण किया तो क्या हुआ?

लेखकों ने अप्रवास के बारे में तीन प्रसिद्ध अध्ययनों को अपने नए "स्मार्ट जीपीएस" के माध्यम से चलाया ताकि यह देखा जा सके कि क्या होता है।

अध्ययन 1 (तबेलिनी): एक मामले में, नई विधि ने वास्तव में "जादुई छड़ी" को मजबूत बना दिया। जटिल, नॉन-लीनियर कारकों को ध्यान में रखकर, इंस्ट्रूमेंट अधिक विश्वसनीय हो गया। परिणामों ने पुराने अध्ययन की पुष्टि की लेकिन अधिक सटीकता के साथ।
अध्ययन 2 और 3 (मोरिकोनी एट अल): इन मामलों में, नई विधि ने एक छिपे हुए सच को उजागर किया। पुराने रूलर (2SLS) को लगा कि इंस्ट्रूमेंट मजबूत था और उसने एक स्पष्ट प्रभाव पाया। लेकिन स्मार्ट जीपीएस ने करीब से देखा, सभी जटिल वेरिएबल्स को एडजस्ट किया, और महसूस किया: "रुको, इंस्ट्रूमेंट वास्तव में कमजोर है!"
- क्योंकि इंस्ट्रूमेंट कमजोर था, "स्मार्ट जीपीएस" ने कहा, "हम पिछले निष्कर्षों पर भरोसा नहीं कर सकते।"
- इसने दिखाया कि जब आप सभी जटिल, नॉन-लीनियर विवरणों को ठीक से ध्यान में रखते हैं, तो कारण प्रभाव (causal effect) का प्रमाण गायब हो जाता है। पुराने अध्ययन शायद केवल भ्रम या "भूतों" को देख रहे थे।

मुख्य निष्कर्ष

यह पेपर एक सीधी रेखा और कंपास से अपग्रेड होकर एक सुपरकंप्यूटर बनने जैसा है।

पुराना तरीका: "आइए डेटा के माध्यम से एक सीधी रेखा खींचें। यदि यह ठीक दिखता है, तो हम समाप्त करते हैं।" (जो जोखिम भरा है यदि डेटा जटिल है या इंस्ट्रूमेंट कमजोर है)।
नया तरीका: "आइए डेटा के हर मोड़ और घुमाव को मैप करने के लिए AI का उपयोग करें। यदि सिग्नल कमजोर है, तो हम स्वीकार करते हैं कि हमें अभी उत्तर नहीं पता है।"

संक्षेप में: यह नई विधि शोधकर्ताओं को अनुमान लगाने के बजाय जानने में मदद करती है। यह उन्हें तब भी दृढ़ निष्कर्ष निकालने से रोकती है जब डेटा बहुत अव्यवस्थित हो या साक्ष्य बहुत कमजोर हों, जिससे अधिक ईमानदार और विश्वसनीय आर्थिक विज्ञान का निर्माण होता है।

यहाँ "Double Machine Learning for Static Panel Data with Instrumental Variables: New Method and Applications" (Baiardi, Clarke, Naghi, और Polselli द्वारा लिखित) का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र अर्थमितीय कारण अनुमान (econometric causal inference) में एक महत्वपूर्ण अंतराल को संबोधित करता है: मानक इंस्ट्रुमेंटल वेरिएबल (IV) विधियों, विशेष रूप से टू-स्टेज लीस्ट स्क्वायर्स (2SLS), की उच्च-आयामी कन्फाउंडर्स (high-dimensional confounders) और स्टैटिक पैनल डेटा (static panel data) सेटिंग्स में गैर-रैखिक संबंधों (nonlinear relationships) को संभालने में असमर्थता।

चुनौती: कई अनुभवजन्य अनुप्रयोगों (जैसे शिफ्ट-शेयर इंस्ट्रूमेंट्स का उपयोग करने वाले माइग्रेशन अध्ययन) में, इंस्ट्रूमेंट की वैधता के लिए समृद्ध सह-चरों (covariates) पर निर्भर रहना आवश्यक है। पारंपरिक 2SLS यहाँ विफल हो जाता है क्योंकि:
- यह स्पष्ट पैरामीट्राइजेशन के बिना गैर-रैखिकता को लचीले ढंग से मॉडल नहीं कर सकता।
- जब नमूना आकार के सापेक्ष सह-चरों की संख्या अधिक होती है, तो यह रैंक डेफिशिएंसी (singularity) से ग्रस्त होता है।
- यदि कन्फाउंडर्स का कार्यात्मक रूप (functional form) गलत तरीके से निर्दिष्ट किया गया है, तो यह पक्षपाती अनुमान (biased estimates) उत्पन्न करता है।
विशिष्ट संदर्भ: मौजूदा डबल मशीन लर्निंग (DML) विधियाँ (जैसे Chernozhukov et al., 2018) क्रॉस-सेक्शनल डेटा के लिए डिज़ाइन की गई थीं। वे अव्यक्त व्यक्तिगत विषमता (unobserved individual heterogeneity/fixed effects) और श्रृंखला निर्भरता (serial dependence) को ध्यान में नहीं रखती हैं, जो पैनल डेटा की अंतर्निहित विशेषताएँ हैं। पैनल डेटा पर नैवली (naively) क्रॉस-सेक्शनल DML लागू करने से असंगत अनुमान (inconsistent estimates) प्राप्त होते हैं।
कमजोर पहचान (Weak Identification): IV सेटिंग्स में मानक अनुमान अक्सर तब विफल हो जाते हैं जब इंस्ट्रूमेंट्स "कमजोर" (endogenous treatment के साथ कम सहसंबंध) होते हैं। उच्च-आयामी सेटिंग्स में पारंपरिक 2SLS डायग्नोस्टिक्स (जैसे F-सांख्यिकी) भ्रामक हो सकते हैं जहाँ लचीला समायोजन प्रभावी इंस्ट्रूमेंट स्ट्रेंथ को कम कर देता है।

2. कार्यप्रणाली: पैनल IV DML (Methodology: Panel IV DML)

लेखक पैनल IV DML प्रस्तावित करते हैं, जो एक नवीन एस्टीमेटर है जो एंडोजेनस ट्रीटमेंट वाले स्टैटिक पैनल मॉडल के लिए DML फ्रेमवर्क का विस्तार करता है।

A. अर्थमितीय ढांचा (Econometric Framework)

मॉडल एक पार्शियली लीनियर पैनल रिग्रेशन (PLPR) है जिसमें इंस्ट्रुमेंटल वेरिएबल्स शामिल हैं:

स्ट्रक्चरल इक्वेशन: $Y_{it} = \theta_0 D_{it} + l_0(X_{it}) + \alpha_i + U_{it}$
ट्रीटमेंट इक्वेशन: $D_{it} = r_0(X_{it}) + \zeta_i + R_{it}$
इंस्ट्रूमेंट इक्वेशन: $Z_{it} = m_0(X_{it}) + \gamma_i + V_{it}$

जहाँ:

$Y_{it}$ परिणाम (outcome) है, $D_{it}$ एंडोजेनस ट्रीटमेंट है, $Z_{it}$ इंस्ट्रूमेंट है, और $X_{it}$ उच्च-आयामी कंट्रोल्स हैं।
$\alpha_i, \zeta_i, \gamma_i$ अव्यक्त व्यक्तिगत फिक्स्ड इफेक्ट्स (unobserved individual fixed effects) हैं।
$l_0, r_0, m_0$ अज्ञात न्युसेंस फंक्शन्स (nuisance functions) हैं जो मशीन लर्निंग (ML) के माध्यम से अनुमानित किए जाते हैं।

B. अनुमान रणनीति (Estimation Strategy)

फिक्स्ड इफेक्ट्स और सीरियल कोरिलेशन को संभालने के लिए, लेखक फर्स्ट-डिफरेंस (FD) ट्रांसफॉर्मेशन का उपयोग करते हैं:

ट्रांसफॉर्मेशन: मॉडल को डिफरेंस किया जाता है ( $\Delta Y_{it} = Y_{it} - Y_{i,t-1}$ ) ताकि समय-अपरिवर्तनीय फिक्स्ड इफेक्ट्स ( $\alpha_i, \zeta_i, \gamma_i$ ) को हटाया जा सके।
न्युसेंस लर्निंग: FD-ट्रांसफॉर्म किए गए न्युसेंस फंक्शन्स ( $\Delta l_0, \Delta r_0, \Delta m_0$ ) को लचीले ML एल्गोरिदम (Lasso, Neural Networks, Gradient Boosting) का उपयोग करके अनुमानित किया जाता है।
नेयमैन ऑर्थोगोनैलिटी (Neyman Orthogonality): लेखक एक नेयमैन-ऑर्थोगोनल स्कोर फंक्शन व्युत्पन्न करते हैं जो पैनल संरचना के अनुकूल है। यह सुनिश्चित करता है कि स्ट्रक्चरल पैरामीटर $\theta_0$ के लिए एस्टीमेटर, न्युसेंस फंक्शन्स के अनुमान में छोटी त्रुटियों (रेगुलराइजेशन बायस) के प्रति मजबूत (robust) है।
क्रॉस-फिटिंग (Cross-Fitting): ओवरफिटिंग को रोकने के लिए, वे ब्लॉक-k-फोल्ड क्रॉस-फिटिंग का उपयोग करते हैं, जहाँ एक विशिष्ट यूनिट की पूरी टाइम सीरीज़ को एक ही फोल्ड में रखा जाता है। यह पैनल डेटा की सीरियल डिपेंडेंस संरचना को बनाए रखता है।

C. कमजोर पहचान डायग्नोस्टिक्स (Weak Identification Diagnostics)

एक प्रमुख पद्धतिगत नवाचार DML फ्रेमवर्क में कमजोर-इंस्ट्रूमेंट डायग्नोस्टिक्स का एकीकरण है:

फर्स्ट-स्टेज F-सांख्यिकी: इंस्ट्रूमेंट की प्रासंगिकता का परीक्षण करने के लिए पैनल IV DML एस्टीमेटर के लिए अनुकूलित।
एंडर्सन-रुबिन (AR) टेस्ट: लेखक पैनल IV DML के लिए एक AR टेस्ट सांख्यिकी और कॉन्फिडेंस सेट्स (CS) व्युत्पन्न करते हैं। मानक 2SLS अनुमान के विपरीत, AR टेस्ट तब भी वैध रहता है जब इंस्ट्रूमेंट्स कमजोर होते हैं, क्योंकि यह फर्स्ट स्टेज की मजबूती के बजाय रिड्यूस्ड-फॉर्म रिलेशनशिप पर निर्भर करता है।

3. मुख्य योगदान (Key Contributions)

सैद्धांतिक विस्तार: फिक्स्ड इफेक्ट्स को शामिल करने के लिए फर्स्ट-डिफरेंसिंग का उपयोग करके और अनऑब्जर्व्ड विषमता को ध्यान में रखते हुए नए नेयमैन-ऑर्थोगोनल स्कोर फंक्शन विकसित करके DML को क्रॉस-सेक्शनल से स्टैटिक पैनल डेटा तक विस्तारित करता है।
DML के लिए वीक IV टूल्स: पैनल सेटिंग्स में DML प्रक्रियाओं के लिए विशिष्ट कमजोर-पहचान डायग्नोस्टिक्स (F-सांख्यिकी और AR टेस्ट) का पहला सेट विकसित करता है। यह शोधकर्ताओं को यह पता लगाने की अनुमति देता कि लचीला समायोजन (flexible adjustment) कब एक इंस्ट्रूमेंट को कमजोर बना देता है।
अनुभवजन्य पुनर्मूल्यांकन: तीन प्रभावशाली माइग्रेशन अध्ययनों (Tabellini, 2020; Moriconi et al., 2019, 2022) का पुन: विश्लेषण, जो शिफ्ट-शेयर इंस्ट्रूमेंट्स पर निर्भर हैं, यह प्रदर्शित करता है कि लचीला कोवेरिएट एडजस्टमेंट अनुमान को कैसे बदल देता है।

4. परिणाम (Results)

A. अनुभवजन्य अनुप्रयोग (Empirical Applications)

लेखक शिफ्ट-शेयर इंस्ट्रूमेंट्स का उपयोग करने वाले तीन अध्ययनों का पुन: अनुमान लगाते हैं:

Tabellini (2020) - अमेरिकी आप्रवास (US Immigration):
- बेसलाइन: पैनल IV DML, 2SLS की तुलना में इंस्ट्रूमेंट की भविष्य कहने वाली शक्ति (उच्च F-stat) को मजबूत करता है। यह राजनीतिक प्रभाव (आप्रवास रूढ़िवाद बढ़ाता है) की पुष्टि करता है लेकिन कोई आर्थिक प्रभाव नहीं (2SLS के विपरीत) पाता है।
- मजबूती (Robustness): कई कंट्रोल्स जोड़ने पर, इंस्ट्रूमेंट 2SLS में कमजोर हो जाता है लेकिन राजनीतिक परिणामों के लिए DML में मजबूत बना रहता है। हालांकि, दोनों विधियों में कारण प्रभाव गायब हो जाते हैं, जिससे पता चलता है कि मूल परिणाम कन्फाउंडर चयन के प्रति संवेदनशील थे।
Moriconi et al. (2019, 2022) - यूरोपीय आप्रवास (European Immigration):
- कमजोर पहचान: इन अध्ययनों में, शिफ्ट-शेयर इंस्ट्रूमेंट्स 2SLS के तहत मध्यम रूप से मजबूत दिखाई देते हैं, लेकिन एक बार जब उच्च-आयामी और गैर-रैखिक कंट्रोल्स को लचीले ढंग से एडजस्ट किया जाता है, तो वे पैनल IV DML के तहत कमजोर हो जाते हैं।
- अनुमान (Inference): AR डायग्नोस्टिक्स प्रकट करते हैं कि हालांकि कुछ रिड्यूस्ड-फॉर्म प्रभाव मौजूद हैं, लेकिन इंस्ट्रूमेंट्स कारण उपचार प्रभाव (causal treatment effect) को विश्वसनीय रूप से पहचानने के लिए बहुत कमजोर हैं। पारंपरिक 2SLS गलत तरीके से मजबूत पहचान और महत्वपूर्ण प्रभावों का सुझाव देता है, जबकि पैनल IV DML सही ढंग से कमजोर पहचान का संकेत देता है (अनबाउंडेड AR कॉन्फिडेंस सेट्स)।

B. मोंटे कार्लो सिमुलेशन (Monte Carlo Simulations)

मजबूत इंस्ट्रूमेंट्स: पैनल IV DML, बायस और RMSE के मामले में 2SLS से बेहतर प्रदर्शन करता है, विशेष रूप से जब कन्फाउंडिंग गैर-रैखिक होती है। यह रूट-N अभिसरण (convergence) प्राप्त करता है।
कमजोर इंस्ट्रूमेंट्स:
- 2SLS: व्यवस्थित रूप से कमजोर इंस्ट्रूमेंट्स का पता लगाने में विफल रहता है। यह पक्षपाती अनुमान उत्पन्न करता है और 'नो इफेक्ट' के शून्य परिकल्पना को गलत तरीके से खारिज करता है (ओवर-रिजेक्शन), जिससे स्प्यूरियस (spurious) कारण दावे उत्पन्न होते हैं।
- पैनल IV DML: कमजोर पहचान को सही ढंग से पहचानता है। F-सांख्यिकी गिर जाती है, और AR कॉन्फिडेंस सेट्स या तो अनबाउंडेड हो जाते हैं या शून्य को शामिल करते हैं, जो अनिश्चितता का अधिक ईमानदार मूल्यांकन प्रदान करते हैं।

5. महत्व (Significance)

पद्धतिगत कठोरता (Methodological Rigor): यह पेपर पैनल डेटा के लिए कॉज़ल मशीन लर्निंग लागू करने के लिए एक कठोर ढांचा प्रदान करता है, जो उस "फिक्स्ड इफेक्ट्स" की समस्या को हल करता है जिसने पहले DML अनुप्रयोगों को सीमित कर दिया था।
नीतिगत निहितार्थ: यह रेखांकित करता है कि इंस्ट्रूमेंट की वैधता के लिए "लचीला समायोजन" (अधिक चरों को नियंत्रित करना) आवश्यक है, लेकिन यह अनजाने में इंस्ट्रूमेंट को कमजोर कर सकता है। शोधकर्ताओं को समृद्ध कंट्रोल्स की आवश्यकता और इंस्ट्रूमेंट की मजबूती के बीच संतुलन बनाना चाहिए।
सर्वोत्तम अभ्यास (Best Practice): लेखक मानक IV अनुमानों के साथ एंडर्सन-रुबिन डायग्नोस्टिक्स की नियमित रिपोर्टिंग की वकालत करते हैं। उच्च-आयामी कन्फाउंडर्स वाले सेटिंग्स में, जब इंस्ट्रूमेंट्स कमजोर हों तो गलत कारण निष्कर्ष निकालने से बचने के लिए AR टेस्ट आवश्यक हैं।

संक्षेप में, पैनल IV DML पैनल डेटा के लिए 2SLS का एक बेहतर विकल्प प्रदान करता है, जो गैर-रैखिकता और उच्च-आयामी डेटा को बेहतर ढंग से संभालता है, साथ ही कमजोर-इंस्ट्रूमेंट परिदृश्यों में भ्रामक अनुमानों को रोकने के लिए मजबूत डायग्नोस्टिक्स प्रदान करता है।