📊 statistics

Empirical Likelihood for Nonsmooth Functionals

यह शोध पत्र एक सुधारे गए मल्टीप्लायर बूटस्ट्रैप एम्पिरिकल लाइकलीहुड (multiplier bootstrap empirical likelihood) तरीके को प्रस्तुत करता है जो पारंपरिक स्मूथनेस मान्यताओं पर निर्भर रहने के बजाय उत्त럴 प्रोग्राम्स (convex programs) के लिए ज्यामितीय न्यूनीकरण (geometric reduction) का उपयोग करके, अनुकूलतम-मूल्य नीति मूल्यांकन (optimal-value policy evaluation) जैसे आंशिक रूप से गैर-सुचारू फलन (partially nonsmooth functionals) के लिए वैध सांख्यिकीय अनुमान सक्षम बनाता है।

मूल लेखक: Hongseok Namkoong

प्रकाशित 2026-03-31

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Hongseok Namkoong

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 डॉक्टर हैं जो यह तय करने की कोशिश कर रहे हैं कि अपने मरीजों के लिए कई नए उपचारों में से सबसे अच्छा उपचार कौन सा है। आपके पास पिछले मरीजों का डेटा है, लेकिन आप निश्चित रूप से नहीं जानते कि कौन सा उपचार सबसे अच्छा काम कर गया क्योंकि आपने हर एक विकल्प को हर एक व्यक्ति पर टेस्ट नहीं किया है। आपको दिखने वाले पैटर्न के आधार पर अनुमान लगाना होगा।

यह पेपर उस अनुमान को लगाने का एक नया, स्मार्ट तरीका है और उससे भी महत्वपूर्ण बात यह है कि आप उस अनुमान को लेकर कितने आश्वस्त (confident) हो सकते हैं।

यहाँ इस पेपर की कहानी है, जिसे सरल अवधारणाओं में विभाजित किया गया है:

1. समस्या: "टाई" (Tie) का जाल

कल्पना कीजिए कि आपके पास 20 अलग-अलग डाइट प्लान हैं। आप उन्हें लोगों के एक समूह पर टेस्ट करते हैं और प्रत्येक के लिए औसत वजन घटाने की गणना करते हैं।

परिदृश्य A: एक डाइट प्लान स्पष्ट रूप से जीत जाता है। वह चैंपियन है।
परिदृश्य B: दो या तीन डाइट प्लान परिणाम में लगभग एक जैसे हैं। वे पहले स्थान के लिए "टाई" में हैं।

सांख्यिकी (Statistics) की दुनिया में, अधिकांश मौजूदा उपकरण (जिन्हें "एम्पेरिकल लाइकलीहुड" कहा जाता है) परिदृश्य A के लिए बहुत अच्छे से काम करते हैं। वे आपको एक संख्यात्मक सीमा देते हैं जिससे आप कह सकते हैं, "हम 95% आश्वस्त हैं कि सबसे अच्छा डाइट प्लान 5 और 7 पाउंड के बीच वजन कम करता है।"

लेकिन ये उपकरण परिदृश्य B में पूरी तरह से विफल हो जाते हैं।

यदि आप "टाई" होने पर पुराने उपकरणों का उपयोग करते हैं, तो वे भ्रमित हो जाते हैं। वे आपको बता सकते हैं कि सबसे अच्छा डाइट प्लान 2 और 10 पाउंड के बीच वजन कम करता है (जो बहुत व्यापक है और उपयोगी नहीं है) या वे झूठ बोल सकते हैं कि आप 95% आश्वस्त हैं कि यह 5 और 6 पाउंड के बीच है (जबकि वास्तव में आप केवल 80% आश्वस्त हैं)।
इनके विफल होने का कारण यह है कि वे मान लेते हैं कि हमेशा एक स्पष्ट विजेता होता है। जब "टाई" होती है, तो गणित "नॉन-स्मूथ" (nonsmooth) हो जाता है—जैसे किसी चिकनी ढलान के बजाय एक नुकीले कोने पर गेंद लुढ़काने की कोशिश करना।

2. पुराना तरीका: "कुंद हथौड़ा" (Blunt Hammer)

जब सांख्यिकीविदों के सामने पहले यह "टाई" की समस्या आती थी, तो उनके पास दो बुरे विकल्प होते थे:

"ब्रूट फोर्स" विधि: वे एक साथ सभी 20 डाइटों के लिए एक कॉन्फिडेंस रेंज की गणना करते थे और फिर बस उच्चतम संख्या चुन लेते थे।
- उपमा: कल्पना कीजिए कि आप 1,000 लोगों की भीड़ में सबसे लंबे व्यक्ति को खोजने की कोशिश कर रहे हैं। पूरी भीड़ को देखने के बजाय, आप हर किसी की ऊंचाई को 10 फीट लंबे रूलर से मापते हैं। आपको उत्तर तो मिल जाता है, लेकिन वह इतना व्यापक और अस्पष्ट होता है कि बेकार है। आपने बहुत अधिक सावधान रहने के चक्कर में एक बड़ी "पेनल्टी" चुकाई।
"विजेता चुनने" की विधि: वे बस उस डाइट को चुन लेते थे जो डेटा में सबसे अच्छी दिख रही थी और इस बात को नजरअंदाज कर देते थे कि वह शायद केवल किस्मत से जीत गई हो।
- उपमा: यह एक लॉटरी विजेता को केवल एक टिकट के आधार पर चुनने जैसा है और यह कहना कि, "यह निश्चित रूप से जीतने वाला नंबर है!" यह इस तथ्य को अनदेखा करता है कि अन्य टिकट भी लगभग उतने ही अच्छे थे। इससे अति-आत्मविश्वास और गलत निष्कर्ष निकलते हैं।

3. नया समाधान: "ज्यामितीय मानचित्र" (Geometric Map)

लेखक, होंगसेओक नामकुंग (Hongseok Namkoong) ने एक नया तरीका विकसित किया है जो एक स्मार्ट जीपीएस (GPS) की तरह काम करता है।

डेटा को एक चिकनी, गोल आकृति (जैसे कि वृत्त) में जबरदस्ती फिट करने के बजाय, यह नया तरीका डेटा के आकार को देखता है।

स्मूथ केस: यदि एक स्पष्ट विजेता है, तो "मानचित्र" एक सपाट दीवार की तरह दिखता है। नया तरीका दूरी मापने के लिए एक मानक रूलर का उपयोग करता है।
टाई केस: यदि कई विजेता हैं, तो "मानचित्र" एक कोने या एक शंकु (cone) (जैसे कि कमरे का कोना जहाँ दो दीवारें मिलती हैं) की तरह दिखता है।

इस पेपर की प्रतिभा यह समझने में है कि जब आपके पास एक "टाई" होती है, तो आप एक सपाट दीवार से दूरी नहीं माप रहे होते; आप एक कोने से दूरी माप रहे होते हैं। क्योंकि "कोने" के कई चेहरे (faces) होते हैं, इसलिए गणित बदल जाता है।

4. यह कैसे काम करता है: "स्कोर" प्रणाली

इसे व्यावहारिक बनाने के लिए, लेखक "डबल मशीन लर्निंग" (डेटा को पहले साफ करने का एक शानदार तरीका) नामक एक ट्रिक का उपयोग करते हैं।

चरण 1: वे डेटा को साफ करते हैं ताकि प्रत्येक डाइट प्लान के लिए "स्स्कोर्स" बन सकें। इन स्कोर को एक रिपोर्ट कार्ड की तरह समझें।
चरण 2: वे इन रिपोर्ट कार्ड्स के औसत को देखते हैं।
चरण 3 (जादू): हर बार जब वे अपनी कॉन्फिडेंस (विश्वास) की जांच करना चाहते हैं तो जटिल गणित को दोबारा करने के बजाय (जो कि बहुत धीमा है), वे एक बूटस्ट्रैप (bootstrap) विधि का उपयोग करते हैं।
- उपमा: कल्पना कीजिए कि आपके पास कंचों (marbles) का एक थैला है (आपका डेटा)। यह देखने के लिए कि आपका औसत कितना स्थिर है, आप आमतौर पर एक मुट्ठी पकड़ते हैं और फिर से गिनते हैं। यदि आपको हर बार पूरा थैला फिर से व्यवस्थित करना पड़े, तो इसे 1,000 बार करना बहुत धीमा होगा।
- नवाचार: यह नया तरीका कहता है, "हमने थैले को एक बार पहले ही व्यवस्थित कर दिया है। आइए बस थैले को हिलाएं और हमारे पास जो कंचे पहले से हैं उन्हें देखें।" यह भारी काम को छोड़ देता है, जिससे गणना सैकड़ों गुना तेज़ हो जाती है।

5. "पोर्टफोलियो" बोनस

इसमें एक और शानदार विशेषता है।
जब तीन डाइटों के बीच "टाई" होती है, तो पुराने तरीके उन्हें तीन अलग-अलग, प्रतिस्पर्धी विकल्पों के रूप में देखते हैं।
यह नया तरीका समझता है कि यदि आप उन तीन डाइटों को आपस में मिला देते हैं (जैसे कि स्टॉक्स का पोर्टफोलियो), तो आपको किसी भी एकल डाइट की तुलना में एक अधिक स्थिर परिणाम मिल सकता है।

उपमा: यदि आप तीन अलग-अलग घोड़ों पर दांव लगाते हैं जो समान रूप से तेज़ हैं, तो उन तीनों पर दांव लगाना (विविधीकरण/diversifying) हारने के जोखिम को कम करता है। यह नया गणित आपको एक अधिक सटीक उत्तर देने के लिए इस "मिश्रण" को स्वचालित रूप से खोज लेता है।

सारांश: आपको इसकी परवाह क्यों करनी चाहिए?

निर्णय लेने वालों के लिए: यदि आप जटिल रणनीतियों (जैसे व्यक्तिगत चिकित्सा या मूल्य निर्धारण एल्गोरिदम) और सरल रणनीतियों के बीच निर्णय ले रहे हैं, तो यह टूल आपको बताता है कि क्या जटिल रणनीति वास्तव में अतिरिक्त लागत के लायक है। यदि परिणाम करीब हैं, तो यह आपसे झूठ नहीं बोलेगा।
गति के लिए: यह पिछले तरीकों की तुलना में बहुत तेज़ी से काम करता है, जिससे यह वास्तविक समय के निर्णयों के लिए उपयोगी बन जाता है।
सटीकता के लिए: यह उस "ब्लाइंड स्पॉट" को ठीक करता है जहाँ पुराने सांख्यिकी विफल हो जाते हैं (जब "टाई" होती है), जिससे यह सुनिश्चित होता है कि आप गलत आत्मविश्वास के आधार पर महंगे निर्णय न लें।

संक्षेप में, यह पेपर हमें एक तेज़, तेज़ और अधिक ईमानदार रूलर देता है, जिसका उपयोग तब किया जा सकता है जब डेटा अव्यवस्थित हो और विजेता बहुत करीब हों।

यहाँ होंगसियोक नामकुंग (Hongseok Namkoong) के शोध पत्र "Empirical Likelihood for Nonsmooth Functionals" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र नीति मूल्यांकन (policy evaluation) में सांख्यिकीय अनुमान (statistical inference) के एक महत्वपूर्ण अंतराल को संबोधित करता है, विशेष रूप से उम्मीदवार नीतियों के एक सेट में से इष्टतम मान (optimal value) (अधिकतम अपेक्षित पुरस्कार) के अनुमान के संबंध में।

फंक्शनल (The Functional): रुचि का लक्ष्य $\tau(P_0) = \max_{1 \le j \le J} \theta_j(P_0)$ है, जहाँ $\theta_j$ नीति $\pi_j$ के मान को दर्शाता है।
चुनौती (Nonsmoothness): "मैक्स" (max) फंक्शनल नॉनस्मूथ (विशेष रूप से, हेडेमार्ड दिशात्मक रूप से अवकलनीय/Hadamard directionally differentiable लेकिन पूर्णतः अवकलनीय नहीं) है जब कई नीतियां इष्टतम मान के लिए समान (tied) होती हैं या उसके करीब होती हैं।
मौजूदा विधियों की सीमाएं (Limitations of Existing Methods):
- मानक एम्पिरिकल लाइकलीहुड (Standard EL): शास्त्रीय EL सिद्धांत (जैसे ओवेन, हॉर्ट आदि) स्मूथनेस धारणाओं (डुअल लैग्रेंज मल्टीप्लायरों के टेलर विस्तार) पर निर्भर करता है। नॉनस्मूथ फंक्शनल्स पर लागू होने पर, मानक EL वैध विश्वास अंतराल (confidence intervals) प्रदान करने में विफल रहता है।
- प्रोजेक्टेड जॉइंट EL (Projected Joint EL): सभी नीति मानों के लिए एक संयुक्त विश्वास क्षेत्र (joint confidence region) बनाना और फिर उसे अधिकतम पर प्रोजेक्ट करना वैध तो है, लेकिन अत्यधिक रूढ़िवादी (conservative) है। यह एक आयामी लक्ष्य (scalar target) के लिए $\chi^2_J$ क्रिटिकल वैल्यू का उपयोग करते हुए आयामी दंड (dimensionality penalty) झेलता है, जिसके परिणामस्वरूप अंतराल अनावश्यक रूप से चौड़े ( $\sqrt{J}$ के साथ स्केल होते) हो जाते हैं।
- चयनित-नीति EL (Selected-Policy EL): नमूने (sample) में केवल एक "सर्वश्रेष्ठ" नीति का अनुमान लगाना और उसके लिए विश्वास अंतराल बनाना चयन अनिश्चितता (selection uncertainty) की अनदेखी करता है। यह उन स्थितियों में गंभीर अंडरकवरेज (गलत अंशांकन/miscalibration) की ओर ले जाता है जहाँ नीतियां लगभग समान (near-tied) होती हैं, जो कि वही सटीक स्थिति है जहाँ कठोर अनुमान की सबसे अधिक आवश्यकता होती है।
- मानक बूटस्ट्रैप (Standard Bootstrap): साधारण बूटस्ट्रैप नॉनस्मूथ फंक्शनल्स के लिए विफल हो जाता है क्योंकि यह समस्या का रेखीयकरण (linearization) करता है, जिससे यह लक्ष्य के लेवल सेट को सही टेंगेंट कोन (tangent cone) के बजाय एक हाइपरप्लेन के रूप में अनुमानित करता है, जिससे गलत एसिम्प्टोटिक वितरण प्राप्त होता है।

2. कार्यप्रणाली (Methodology)

लेखक एक स्कोर-प्रोफाइल एम्पिरिकल लाइकलीहुड (Score-Profile Empirical Likelihood) ढांचे का प्रस्ताव करते हैं जो सीधे स्कोर वेक्टर्स से प्राप्त स्कोर प्रोफाइल पर कार्य करता है (विशेष रूप से ऑगमेंटेड इनवर्स प्रोबेबिलिटी वेटिंग या AIPW स्कोर से), जिससे बूटस्ट्रैपिंग के दौरान परेशान करने वाले मॉडलों (nuisance models) को पुन: फिट करने की आवश्यकता समाप्त हो जाती है।

A. ज्यामितीय न्यूनीकरण (Geometric Reduction - Primal Approach)

पारंपरिक डुअल दृष्टिकोण (लैग्रेंज मल्टीप्लायर विस्तार) के बजाय, यह शोध पत्र एक प्राइमल ज्यामितीय प्रमाण रणनीति पेश करता है:

न्यूनीकरण (The Reduction): यह दिखाया गया है कि प्रोफाइल एम्पिरिकल लाइकलीहुड सांख्यिकी, स्कोर वेक्टर्स के सैंपल मीन ( $\bar{X}_n$ ) और लक्षित फंक्शनल के स्थानीय स्तर सेट (local level set) के बीच वर्गित महालानोबिस दूरी (squared Mahalanobis distance) के बराबर है।
लेवल सेट की ज्यामिति (The Level Set Geometry):
- स्मूथ केस (अद्वितीय इष्टतम): यदि एक नीति स्पष्ट रूप से इष्टतम है, तो लेवल सेट एक हाइपरप्लेन में परिवर्तित हो जाता है। इसकी दूरी एक मानक $\chi^2_1$ वितरण का पालन करती है।
- नॉनस्मूथ केस (टाई/समानता): यदि कई नीतियां समान (tied) हैं, तो लेवल सेट एक टेंगेंट कोन (tangent cone) में परिवर्तित हो जाता है। इसकी दूरी एक गैर-पिवोटल वितरण (weighted mixture of $\chi^2$ वितरणों, जिसे $\bar{\chi}^2$ कहा जाता है) का पालन करती है, जो कोन की ज्यामिति और कोवेरिएंस संरचना पर निर्भर करती है।

B. बूटस्ट्रैप अंशांकन (Bootstrap Calibration)

चूंकि नॉनस्मूथ केस में एसिम्प्टोटिक वितरण अज्ञात ज्यामिति (समान नीतियों का सेट) पर निर्भर करता है, इसलिए यह शोध पत्र एक सुधारित मल्टीप्लायर बूटस्ट्रैप (Corrected Multiplier Bootstrap) विकसित करता है:

एक्टिव सेट अनुमान (Active Set Estimation): यह विधि सैंपल गैप्स और कोवेरिएंस के आधार पर एक थ्रेशोल्डिंग नियम का उपयोग करके निकट-इष्टतम नीतियों के सेट ( $\hat{J}_n$ ) का अनुमान लगाती है।
कोन अनुमान (Cone Estimation): $\hat{J}_n$ के आधार पर एक अनुमानित टेंगेंट कोन ( $\hat{C}_n$ ) बनाया जाता है।
मल्टीप्लायर बूटस्ट्रैप (Multiplier Bootstrap): प्रक्रिया मल्टीप्लायर्स का उपयोग करके स्कोर वेक्टर्स के बूटस्ट्रैप नमूने उत्पन्न करती है, अनुमानित कोन $\hat{C}_n$ तक महालानोबिस दूरी की गणना करती है, और इन दूरियों के एम्पिरिकल क्वांटाइल का उपयोग क्रिटिकल वैल्यू के रूप में करती है।
कंप्यूटेशनल दक्षता (Computational Efficiency): चूंकि यह विधि पूर्व-निर्धारित AIPW स्कोर पर कार्य करती है, इसलिए बूटस्ट्रैप लूप में केवल $O(nJ)$ ऑपरेशन (मैट्रिक्स गुणन) की आवश्यकता होती है और इसमें बूटस्ट्रैप लूप के भीतर परेशान करने वाले मॉडलों (propensity scores या outcome regressions) को पुन: फिट करने की आवश्यकता नहीं होती है।

C. क्लोज्ड-फॉर्म बाउंड्स (Closed-Form Bounds)

मैक्स फंक्शनल के लिए, निचला विश्वास बाउंड (lower confidence bound) एक सिम्प्लेक्स ऑप्टिमाइज़ेशन समस्या के रूप में व्यक्त किया जा सकता है:
$L_n(c) = \max_{w \in \Delta_J} \left\{ w^\top \bar{X}_n - \sqrt{\frac{c}{n}} \sqrt{w^\top \hat{\Sigma}_n w} \right\}$
यह सूत्रीकरण कुशल गणना की अनुमति देता है और एक "विविधीकरण" (diversification) प्रभाव प्रकट करता है: ऑप्टिमाइज़र वेरिएंस को कम करने के लिए निकट-टाइड (near-tied) नीतियों के बीच वेट्स को मिला सकता है, जिससे पॉइंटवाइज मैक्स विधियों की तुलना में अधिक सटीक (tight) बाउंड प्राप्त होते हैं।

3. प्रमुख योगदान (Key Contributions)

प्राइमल ज्यामितीय ढांचा (Primal Geometric Framework): यह डुअल लैग्रेंज-मल्टीप्लायर विस्तार को प्रोफाइल सांख्यिकी के एक 'डिस्टेंस-टू-सेट' (दूरी-से-सेट) ज्यामितीय न्यूनीकरण से बदल देता है। यह डुअल विस्तारों में नॉनस्मूथनेस की तकनीकी बाधाओं से बचता है।
अनुकूली अनुमान (Adaptive Inference): यह विधि बिना किसी पूर्व सत्यापन के समस्या की ज्यामिति (हाइपरप्लेन बनाम कोन) के अनुकूल खुद को ढाल लेती है।
सुधारित मल्टीप्लायर बूटस्ट्रैप (Corrected Multiplier Bootstrap): यह एक सुसंगत बूटस्ट्रैप प्रक्रिया विकसित करता है जो डेटा से टेंगेंट कोन का अनुमान लगाता है, जिससे साधारण बूटस्ट्रैप की विफलता ठीक हो जाती है।
कंप्यूटेशनल स्केलेबिलिटी (Computational Scalability): परेशान करने वाले मॉडल के पुन: फिटिंग को बूटस्ट्रैप से अलग करके, यह विधि मानक सेमिपैरामेट्रिक EL बूटस्ट्रैप्स (जैसे हॉर्ट एट अल) की तुलना में क्रम-परिमाण की गति वृद्धि (orders-of-magnitude speedups) प्रदान करती है, जिससे यह बड़े पैमाने पर नीति मूल्यांकन के लिए व्यवहार्य हो जाता है।
अनुमान में पोर्टफोलियो विविधीकरण (Portfolio Diversification in Inference): सिम्प्लेक्स सूत्रीकरण निकट-इष्टतम नीतियों के बीच निम्न सहसंबंध (low correlation) का लाभ उठाता है ताकि पॉइंटवाइज-मैक्स विधियों (जैसे फेंग और सैंटोस [7]) की तुलना में अधिक सटीक विश्वास बाउंड प्राप्त किए जा सकें।

4. परिणाम (Results)

शोध पत्र व्यापक सिमुलेशन और सैद्धांतिक प्रमाणों के माध्यम से पद्धति को मान्य करता है:

कवरेज सटीकता (Coverage Accuracy):
- अद्वितीय इष्टतम (Unique Optimum): विधि $\sqrt{J}$ दंड से बचते हुए टाइट बाउंड्स के साथ नाममात्र कवरेज (95%) प्राप्त करती है।
- निकट-टाई (Near-Ties): यह विधि वहां वैध कवरेज बनाए रखती है जहां मानक "चयनित-नीति" वाल्ड अंतराल (Wald intervals) विफल हो जाते हैं (कवरेज <90% तक गिर जाता है) और प्रोजेक्टेड जॉइंट EL अत्यधिक रूढ़िवादी हो जाता है।
टाइटनेस (Tightness): प्रस्तावित बाउंड्स, वैध कवरेज बनाए रखते हुए, प्रोजेक्टेड जॉइंट EL बाउंड्स की तुलना में काफी अधिक सटीक (कुछ सेमिपैरमेट्रिक सेटिंग्स में लगभग 3 गुना) हैं।
विविधीकरण प्रभाव (Diversification Effect): ऐसे परिदृश्यों में जहां कई निकट-इष्टतम नीतियां कमजोर रूप से सहसंबंधित (weakly correlated) हैं, सिम्प्लेक्स-आधारित बाउंड, फेंग और सैंटोस [7] के पॉइंटवाइज-मैक्स बाउंड की तुलना में 5-10% अधिक सटीक है।
कंप्यूटेशन (Computation): स्कोर-लेवल बूटस्ट्रैप, सेमिपैरमेट्रिक सेटिंग्स में पूर्ण रिफिट बूटस्ट्रैप की तुलना में लगभग 460 गुना तेज़ है।

5. महत्व (Significance)

यह कार्य एम्पिरिकल लाइकलीहुड की प्रयोज्यता को आधुनिक डेटा-संचालित निर्णय लेने (जैसे व्यक्तिगत चिकित्सा, डायनेमिक प्राइसिंग) के लिए केंद्रीय समस्याओं तक विस्तारित करता है, जहाँ "सर्वश्रेष्ठ" विकल्प अक्सर अस्पष्ट या समान (tied) होता है।

सैद्धांतिक (Theoretical): यह हेडेमार्ड दिशात्मक रूप से अवकलनीय फंक्शनल्स पर EL लागू करने के दीर्घकालिक मुद्दे को हल करता है, जो स्मूथ और नॉनस्मूथ दोनों व्यवस्थाओं के लिए एक एकीकृत ढांचा प्रदान करता है।
व्यावहारिक (Practical): यह नीति निर्माताओं को चयन पूर्वाग्रह (selection bias) या अत्यधिक रूढ़िवादिता के जाल में फंसे बिना, उपलब्ध सर्वोत्तम रणनीति के मूल्य को मापने के लिए एक कंप्यूटेशनल रूप से व्यवहार्य और सांख्यिकीय रूप से कठोर उपकरण प्रदान करता है।
पद्धतिगत (Methodological): डुअल विस्तारों से प्राइमल ज्यामितीय प्रोजेक्शन की ओर बदलाव जटिल, नॉनस्मूथ सांख्यिकीय फंक्शनल्स का विश्लेषण करने के लिए एक नया प्रतिमान (paradigm) पेश करता है।