The arithmetic-harmonic inequality index: Theory, inference, and finite-sample analysis

यहाँ रोबर्टो विला और हेलटन साउलो के शोध पत्र "The arithmetic-harmonic inequality index: Theory, inference, and finite-sample analysis" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण और प्रेरणा (Problem Statement and Motivation)

यह शोध पत्र धनात्मक यादृच्छिक चरों (positive random variables) के लिए एक सीमित (bounded) और स्केल-इनवेरिएंट (scale-invariant) फैलाव माप की आवश्यकता को संबोधित करता है। जबकि क्लासिकल माप जैसे कि Coefficient of Variation (CV) व्यापक रूप से उपयोग किए जाते हैं, वे अनबाउंडेड (unbounded) होते हैं और अत्यधिक परिवर्तनशीलता के मामलों में उनकी व्याख्या करना कठिन हो सकता है।

लेखक Arithmetic-Harmonic Inequality (AHI) इंडेक्स पर ध्यान केंद्रित करते हैं, जिसे एक धनात्मक यादृच्छिक चर $X$ के लिए परिभाषित किया गया है जिसका परिमित माध्य $E[X]$ और परिमित रेसिप्रोकल माध्य (reciprocal mean) $E[1/X]$ है:
$$J = 1 - \frac{1}{E[X]E[1/X]}$$
यह इंडेक्स $X$ की स्वतंत्र प्रतियों के औसत अनुपात के एकता (unity) से विचलन को मात्रात्मक रूप से दर्शाता है। यह $[0, 1)$ के भीतर सीमित है, जहाँ $J=0$ एक डिजेनरेट वितरण (कोई फैलाव नहीं) को दर्शाता है, और फैलाव बढ़ने पर $J \to 1$ होता है। इस शोध पत्र का उद्देश्य है:

1. विशिष्ट वितरण परिवारों के तहत $J$ के लिए विश्लेषणात्मक अभिव्यक्तियों (analytical expressions) को व्युत्पन्न करना।
2. प्लग-इन एस्टिमेटर $\hat{J}$ के लिए एक कठोर सांख्यिकीय अनुमान ढांचा (statistical inference framework) विकसित करना।
3. एस्टिमेटर के परिमित-नमूना गुणों (finite-sample properties) (बायस और वेरिएंस) का विश्लेषण करना।

2. कार्यप्रणाली (Methodology)

सैद्धांतिक व्युत्पत्ति (Theoretical Derivation)

लेखक Generalized Inverse Gaussian (GIG) परिवार के तहत $J$ के व्यवहार की जांच करते हैं, जो एक एकीकृत ढांचा (unifying framework) के रूप में कार्य करता है। वे मॉडिफाइड बेसेल फंक्शन ऑफ द सेकंड काइंड ($K_p$) के गुणों का उपयोग करके $J$ के लिए क्लोज्ड-फॉर्म अभिव्यक्तियाँ व्युत्पन्न करते हैं।

• विशेष मामले (Special Cases): विश्लेषण विशेष रूप से GIG परिवार के सीमित या विशेष मामलों के रूप में Inverse Gaussian (IG) और Gamma वितरणों को कवर करता है।
• अनुमान (Approximation): एक सेकंड-ऑर्डर टेलर एक्सपेंशन का उपयोग यह दिखाने के लिए किया जाता है कि कम परिवर्तनशीलता के लिए, $J \approx \frac{CV^2}{1+CV^2}$, जो स्क्वेर्ड कोएफिशिएंट ऑफ वेरिएशन के साथ एक सीधा संबंध स्थापित करता है।

एस्टिमेटर निर्माण (Estimator Construction)

एक i.i.d. नमूने $X_1, \dots, X_n$ को देखते हुए, प्लग-इन एस्टिमेटर को इस प्रकार परिभाषित किया गया है:
$$\hat{J} = 1 - \frac{1}{\bar{X} \cdot \overline{(1/X)}}$$
जहाँ $\bar{X}$ सैंपल अरिथमेटिक मीन है और $\overline{(1/X)}$ सैंपल हार्मोनिक मीन है।

प्रत्याशा और बायस विश्लेषण (Expectation and Bias Analysis)

परिमित-नमूना प्रदर्शन का मूल्यांकन करने के लिए, लेखक Laplace transform techniques और Tonelli's theorem का उपयोग करते हैं।

• वे $(X, 1/X)$ के संयुक्त लैप्लेस ट्रांसफॉर्म को शामिल करते हुए $E[\hat{J}]$ के लिए एक सटीक इंटीग्रल प्रतिनिधित्व व्युत्पन्न करते हैं।
• GIG परिवार के लिए, इसमें बेसेल फंक्शन्स से संबंधित एक जटिल इंटीग्रल शामिल है।
• इनकम्प्लीट गामा फंक्शन्स और एसिम्प्टोटिक लिमिट्स के गुणों का उपयोग करके इनवर्स गौसियन और गामा वितरणों के लिए बायस के विशिष्ट क्लोज्ड-फॉर्म या सेमी-क्लोज्ड-फॉर्म अभिव्यक्तियाँ व्युत्पन्न की गई हैं।

एसिम्प्टोटिक थ्योरी (Asymptotic Theory)

यह शोध पत्र Multivariate Central Limit Theorem और Delta Method का उपयोग करके बड़े-नमूना गुणों को स्थापित करता है:

• संगति (Consistency): $\hat{J}$ को स्ट्रॉन्गली कंसिस्टेंट ($\hat{J} \xrightarrow{a.s.} J$) दिखाया गया है।
• एसिम्प्टोटिक नॉर्मलिटी (Asymptotic Normality): $\sqrt{n}(\hat{J} - J)$ एक नॉर्मल डिस्ट्रीब्यूशन $N(0, \sigma_J^2)$ में अभिसरित (converge) होता है। एसिम्प्टोटिक वेरिएंस $\sigma_J^2$, $X$ और $1/X$ के वेरिएंस, साथ ही उनके कोवेरिएंस पर निर्भर करता है।
• बायस एक्सपेंशन (Bias Expansion): $O(1/n)$ क्रम का एक फर्स्ट-ऑर्डर बायस एक्सपेंशन व्युत्पन्न किया गया है, जो परिमित नमूनों में एस्टिमेटर के लिए एक करेक्शन टर्म प्रदान करता है।

सिमुलेशन अध्ययन (Simulation Study)

सैद्धांतिक निष्कर्षों को मान्य करने के लिए एक मोंटे कार्लो सिमुलेशन अध्ययन किया गया।

• डिज़ाइन: 4,000 पुनरावृत्तियाँ ($R=4000$) नमूना आकार $n \in \{20, 50, 75, 100, 200\}$ के लिए।
• मॉडल: विभिन्न स्तरों पर फैलाव का परीक्षण करने के लिए अलग-अलग पैरामीटर्स के साथ Inverse Gaussian ($IG(\mu, \lambda)$) और Gamma ($Gamma(\alpha, \beta)$) वितरण।
• मेट्रिक्स: एम्पिरिकल बायस (Empirical bias) और मीन स्क्वेर्ड एरर (MSE) की गणना की गई।

3. प्रमुख योगदान (Key Contributions)

1. GIG परिवार के लिए विश्लेषणात्मक अभिव्यक्तियाँ: यह शोध पत्र Generalized Inverse Gaussian परिवार के भीतर AHI इंडेक्स के लिए पहली स्पष्ट विश्लेषणात्मक सूत्र प्रदान करता है, जिसमें इनवर्स गौसियन और गामा वितरण शामिल हैं।
2. प्रत्याशा के लिए सटीक इंटीग्रल प्रतिनिधित्व: माध्य के अनुपात के प्रत्याशा (expectation) का उपयोग करते हुए संयुक्त लैप्लेस ट्रांसफॉर्म का उपयोग करके $\hat{J}$ के सटीक प्रत्याशा का एक अभिनव व्युत्पत्ति, जो केवल एसिम्प्टोटिक सन्निकटन पर निर्भर रहने के बजाय सटीक बायस गणना की अनुमति देता है।
3. बायस सन्निकटन (Bias Approximations): इनवर्स गौसियन और गामा मामलों के लिए स्पष्ट फर्स्ट-ऑर्डर बायस अभिव्यक्तियाँ व्युत्पन्न की गई हैं। विशेष रूप से, गामा वितरण के लिए शेप पैरामीटर $\alpha$ के साथ, यह दिखाया गया है कि बायस लगभग $-\frac{\alpha-1}{n\alpha(\alpha-2)}$ है।
4. एसिम्प्टोटिक वेरिएंस संरचना: एसिम्प्टोटिक वेरिएंस का व्युत्पत्ति फैलाव माप में $X$ और $1/X$ के बीच कोवेरिएंस की महत्वपूर्ण भूमिका को उजागर करता है।
5. परिमित-नमूना सत्यापन: सिमुलेशन अध्ययन पुष्टि करता है कि एस्टिमेटर नेगेटिव बायस (वास्तविक इंडेक्स को कम आंकना) प्रदर्शित करता है, लेकिन जैसे-जैसे नमूना आकार बढ़ता है, बायस और MSE दोनों तेजी से घटते हैं, जो उनके सैद्धांतिक एसिम्प्टोटिक परिणामों को मान्य करते हैं।

4. मुख्य परिणाम (Key Results)

• Inverse Gaussian Distribution: यदि $X \sim IG(\mu, \lambda)$, तो जनसंख्या इंडेक्स $J = \frac{\mu}{\mu + \lambda}$ है। एस्टिमेटर का बायस $\lambda/\mu$ के अनुपात पर निर्भर करता है।
• Gamma Distribution: यदि $X \sim Gamma(\alpha, \beta)$, तो जनसंख्या इंडेक्स $J = 1/\alpha$ (जब $\alpha > 1$)। इंडेक्स रेट पैरामीटर $\beta$ से स्वतंत्र है। छोटे $\alpha$ (उच्च फैलाव) और छोटे $n$ के लिए बायस महत्वपूर्ण है।
• Levy Distribution: इनवर्स गौसियन ($\mu \to \infty$) के एक लिमिटिंग केस के रूप में, $\hat{J}$ को अनबायस्ड पाया गया है।
• सिमुलेशन निष्कर्ष:
  • एस्टिमेटर सभी परीक्षण किए गए परिदृश्यों में नेगेटिव बायस प्रदर्शित करता है।
  • $n$ बढ़ने के साथ बायस का परिमाण घटता है।
  • मीन स्क्वेर्ड एरर (MSE) अपेक्षित $O(1/n)$ क्षय पैटर्न का पालन करता है।
  • सेक्शन 4 में व्युत्पन्न सैद्धांतिक बायस सन्निकटन सिमुलेशन में देखे गए एम्पिरिकल बायस के साथ निकटता से मेल खाते हैं।

5. महत्व और निष्कर्ष (Significance and Conclusion)

यह शोध पत्र Arithmetic-Harmonic Inequality इंडेक्स के लिए एक व्यापक सांख्यिकीय आधार प्रदान करता है, जिससे यह एक सैद्धांतिक अवधारणा से एक व्यावहारिक सांख्यिकीय अनुमान उपकरण में बदल जाता है।

• व्याख्यात्मकता (Interpretability): $J$ को Atkinson index (जहाँ $\epsilon=2$) और Coefficient of Variation से जोड़कर, लेखक इस इंडेक्स को असमानता के एक सीमित माप के रूप में स्पष्ट आर्थिक और सांख्यिकीय व्याख्या प्रदान करते हैं।
• व्यावहारिक उपयोगिता (Practical Utility): बायस करेक्शन का व्युत्पत्ति चिकित्सकों को छोटे-नमूना परिदृश्यों में अनुमानों को समायोजित करने की अनुमति देता है, जो उन क्षेत्रों में महत्वपूर्ण है जहाँ डेटा सीमित हो सकता है, जैसे अर्थशास्त्र, वित्त और विश्वसनीयता इंजीनियरिंग।
• सैद्धांतिक कठोरता (Theoretical Rigor): माध्य के अनुपात के प्रत्याशा को संभालने के लिए लैप्लेस ट्रांसफॉर्म का उपयोग एक मजबूत पद्धतिगत दृष्टिकोण प्रदान करता है जिसे अन्य बाउंडेड डिस्पर्शन इंडेक्स तक विस्तारित किया जा सकता है।

निष्कर्षतः, Vila और Saulo सफलतापूर्वक AHI इंडेक्स को एक सुदृढ़, स्केल-इनवेरिएंट फैलाव माप के रूप में स्थापित करते हैं जिसके अच्छी तरह से समझे गए एसिम्प्टोटिक और परिमित-नमूना गुण हैं, जिससे यह पारंपरिक अनबाउंडेड डिस्पर्शन मेट्रिक्स के लिए एक व्यवहार्य विकल्प बनता है।