📊 statistics

Testing and estimation of the index of stability of univariate and bivariate symmetric $\alpha-$ stable distributions via modified Greenwood statistic

यह शोध पत्र एक संशोधित ग्रीनवुड सांख्यिकी (Greenwood statistic) का उपयोग करके एकचर (univariate) और द्विचर (bivariate) सममित $\alpha$ -स्थिर वितरणों के लिए एक नवीन परीक्षण और अनुमान पद्धति प्रस्तावित करता है, जो सिमुलेशन और वास्तविक डेटा के माध्यम से यह प्रदर्शित करता है कि यह शास्त्रीय दृष्टिकोणों की तुलना में, विशेष रूप से गॉसियन और निकट-गॉसियन स्थिर वितरणों के बीच अंतर करने में, बेहतर प्रदर्शन करता है।

मूल लेखक: Katarzyna Skowronek, Marek Arendarczyk, Anna K. Panorska, Tomasz J. Kozubowski, Agnieszka Wyłomańska

प्रकाशित 2026-04-20

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Katarzyna Skowronek, Marek Arendarczyk, Anna K. Panorska, Tomasz J. Kozubowski, Agnieszka Wyłomańska

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 संख्याओं के एक समूह के "व्यक्तित्व" (personality) को समझने की कोशिश कर रहे हैं। क्या वे सुव्यवस्थित, अनुमानित नागरिक हैं (जैसे कि गाऊसी (Gaussian) या "सामान्य" वितरण), या वे जंगली, अप्रत्याशित विद्रोही हैं जो अत्यधिक आश्चर्यों के प्रति संवेदनशील हैं (जैसे कि भारी पूंछ वाले $\alpha$ -स्टेबल ( $\alpha$ -stable) वितरण)?

यह शोध पत्र इस रहस्य को सुलझाने के लिए एक नया, अधिक सटीक जासूसी उपकरण जिसे संशोधित ग्रीनवुड सांख्यिकी (Modified Greenwood Statistic) कहा जाता है, पेश करता है। यह न केवल संख्याओं की एकल सूचियों के लिए, बल्कि एक साथ चलने वाली संख्याओं के जोड़ों (द्विचर डेटा/bivariate data) के लिए भी काम करता है।

यहाँ सरल उपमाओं का उपयोग करके शोध पत्र का विवरण दिया गया है:

1. समस्या: "लगभग सामान्य" का जाल (The "Almost Normal" Trap)

सांख्यिकी की दुनिया में, गाऊसी वितरण (Gaussian distribution) (प्रसिद्ध बेल कर्व) स्वर्ण मानक है। यह अनुमानित है। यदि आप लोगों की ऊंचाई मापते हैं, तो अधिकांश औसत होते हैं, और चरम आउटलेयर (outliers) दुर्लभ होते हैं।

हालाँकि, वास्तविक दुनिया में (जैसे शेयर बाजार या भूकंप का डेटा), चीजें अक्सर अलग तरह से व्यवहार करती हैं। उनमें "भारी पूंछ" (heavy tails) होती है। इसका मतलब है कि चरम घटनाएं (मार्केट क्रैश, बड़े उछाल) बेल कर्व द्वारा अनुमानित की गई तुलना में बहुत अधिक बार होती हैं। इन्हें $\alpha$ -स्टेबल वितरणों द्वारा मॉडल किया जाता है।

उपमा: बेल कर्व को एक शांत झील के रूप में सोचें। यह चिकनी है। एक $\alpha$ -स्टेबल वितरण एक तूफानी समुद्र की तरह है। इसमें बड़ी लहरें (भारी पूंछ) होती हैं।
चुनौती: जब तूफान अभी शांत होना शुरू ही हुआ हो (जब स्थिरता सूचकांक $\alpha$ , 2 के बहुत करीब हो), तो तूफानी समुद्र लगभग बिल्कुल एक शांत झील जैसा दिखता है। पुराने जासूसी उपकरण (शास्त्रीय परीक्षण) शांत झील और थोड़ी लहरों वाली झील के बीच अंतर करने में विफल रहते हैं। वे धोखा खा जाते हैं।

2. नया उपकरण: "संशोधित ग्रीनवुड सांख्यिकी" (The "Modified Greenwood Statistic")

लेखक इस नए तरीके का प्रस्ताव करते हैं जिससे डेटा में "अराजकता" (chaos) को मापा जा सके।

मूल उपकरण: क्लासिक ग्रीनवुड सांख्यिकी सकारात्मक संख्याओं (जैसे बैक्टीरिया की गिनती) के लिए डिज़ाइन की गई थी। यह मापता है कि डेटा कितना "गुच्छेदार" (clumped) या "फैला हुआ" (spread out) है।
संशोधन: लेखकों ने इस उपकरण में बदलाव किया ताकि यह उन संख्याओं के लिए काम कर सके जो धनात्मक या ऋणात्मक दोनों हो सकती हैं (जैसे शेयर बाजार के लाभ और हानि)।
महाशक्ति (Superpower): इस नए उपकरण में एक विशेष गुण है जिसे स्टोकेस्टिक मोनोटोनिसिटी (Stochastic Monotonicity) कहा जाता है।
- रूपक: एक वॉल्यूम नॉब (volume knob) की कल्पना करें। जैसे-जैसे आप नॉब घुमाते हैं (स्थिरता सूचकांक $\alpha$ को बदलते हैं), सांख्यिकी का "शोर" स्तर एक पूरी तरह से अनुमानित तरीके से बदलता है। यदि डेटा वास्तव में "तूफानी" है (कम $\alpha$ ), तो सांख्यिकी का मान उच्च होता है। यदि डेटा "शांत" है (उच्च $\alpha$ , गाऊसी के करीब), तो सांख्यिकी का मान कम होता है। क्योंकि यह संबंध इतना सुसंगत है, इसलिए यह उपकरण अविश्वसनीय रूप से विश्वसनीय है।

3. बड़ी छलांग: एक आयाम से दो आयामों तक (From One Dimension to Two)

पहले, यह उपकरण केवल संख्याओं की एक एकल सूची (Univariate) के लिए काम करता था। यह शोध पत्र इसे संख्याओं के जोड़ों (Bivariate) के लिए विस्तारित करता है।

परिदृश्य: कल्पना कीजिए कि आप एक साथ दो चीजों को ट्रैक कर रहे हैं: तांबे (Copper) की कीमत और USD/PLN विनिमय दर। वे एक साथ चलते हैं।
नवाचार: लेखकों ने इन जोड़ों के लिए दो संस्करण बनाए हैं:
1. "योग" दृष्टिकोण ( $S_1$ ): वे प्रत्येक डेटा बिंदु के लिए दोनों संख्याओं को जोड़ देते हैं और योग पर परीक्षण चलाते हैं। यह एक युगल गीत (duet) को एक एकल धुन के रूप में सुनने जैसा है। यह बहुत मजबूत है और यह अनदेखा करता है कि दोनों संख्याएँ आपस में कैसे सह-संबंधित (correlated) हैं।
2. "ऊर्जा" दृष्टिकोण ( $S_2$ ): वे संख्याओं का वर्ग करते हैं और उन्हें जोड़ते हैं (कुल ऊर्जा की गणना करने की तरह)। यह युगल गीत के कुल वॉल्यूम को मापने जैसा है। यह संस्करण इस बात के प्रति संवेदनशील है कि दो संख्याएं एक-दूसरे से कैसे संबंधित हैं (सहसंबंध/correlation)।

4. परिणाम: यह क्यों मायने रखता है

लेखकों ने यह देखने के लिए हजारों कंप्यूटर सिमुलेशन (मोंटे कार्लो) चलाए कि उनका नया उपकरण पुराने "जासूसों" (जैसे मार्डिया का परीक्षण या जारके-बेरा परीक्षण) की तुलना में कैसा प्रदर्शन करता है।

निष्कर्ष: जब डेटा लगभग गाऊसी होता (तूफान लगभग शांत हो, $\alpha$ 2 के करीब हो) और नमूना आकार (sample size) छोटा होता, तो नया उपकरण स्पष्ट रूप से जीत जाता है।
रूपक: पुराने परीक्षण हल्की बूंदाबांदी में बारिश की एक अकेली बूंद को पहचानने की कोशिश करने जैसे हैं; वे इसे चूक जाते हैं। नया संशोधित ग्रीनवुड सांख्यिकी एक उच्च-संवेदनशीलता वाले नमी सेंसर की तरह है जो तूफान के सूक्ष्म संकेत को भी पकड़ लेता है।
वास्तविक-विश्व परीक्षण: उन्होंने तांबे खनन कंपनी के वास्तविक वित्तीय डेटा पर इसे लागू किया। उन्होंने मुख्य रुझानों को हटाने के बाद बचे हुए "अवशेषों" (residuals) का विश्लेषण किया।
- फैसला: पुराने परीक्षण अनिश्चित थे, लेकिन नए उपकरण ने आत्मविश्वास से चिल्लाकर कहा, "यह एक शांत झील नहीं है! यह एक तूफानी समुद्र है!" (इसने सिद्ध किया कि डेटा में भारी पूंछ है, जिसका अर्थ है कि मानक मॉडल की तुलना में चरम जोखिम अधिक होने की संभावना है)।

5. सामान्य दर्शकों के लिए सारांश

यह शोध पत्र डेटा के लिए एक बेहतर झूठ पकड़ने वाले यंत्र (lie detector) के बारे में है।

पुराने झूठ पकड़ने वाले यंत्र: स्पष्ट रूप से झूठ बोलने वालों (अत्यधिक अराजक डेटा) को पकड़ने में अच्छे हैं लेकिन "लगभग सामान्य" डेटा से धोखा खा जाते हैं।
नया झूठ पकड़ने वाला यंत्र (संशोधित ग्रीनवुड): अत्यंत संवेदनशील है। यह वास्तव में शांत स्थिति और उस स्थिति के बीच अंतर कर सकता है जो लगभग शांत है लेकिन फिर भी खतरनाक है।
यह कैसे मदद करता है: वित्त और इंजीनियरिंग में, एक "शांत" दिन को "थोड़े तूफानी" दिन के रूप में समझना विनाशकारी जोखिमों को कम आंकने का कारण बन सकता है। यह नई विधि इंजीनियरों और निवेशकों को तूफान आने से पहले छिपे हुए तूफानों को देखने में मदद करती है।

संक्षेप में: लेखकों ने एक क्लासिक सांख्यिकीय उपकरण लिया, उसे ऋणात्मक संख्याओं को संभालने के लिए नया रूप दिया, उसे संख्याओं के जोड़े देखना सिखाया, और यह साबित किया कि यह छोटे डेटासेट में "लगभग-गाऊसी" अराजकता को पहचानने के लिए वर्तमान में उपलब्ध सबसे अच्छा उपकरण है।

यहाँ शोध पत्र "Testing and estimation of the index of stability of univariate and bivariate symmetric $\alpha$ -stable distributions via modified Greenwood statistic" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

इस शोध पत्र में संबोधित मुख्य चुनौती सिमेट्रिक $\alpha$ -स्टेबल वितरणों के लिए स्थिरता सूचकांक (stability index, $\alpha$ ) का सांख्यिकीय परीक्षण और अनुमान लगाना है, विशेष रूप से गौसियन वितरण ( $\alpha = 2$ ) और हेवी-टेल्ड $\alpha$ -स्टेबल वितरणों ( $\alpha < 2$ ) के बीच अंतर करना।

कठिनाई: जैसे-जैसे स्थिरता सूचकांक $\alpha$ , 2 के करीब पहुँचता है, $\alpha$ -स्टेबल वितरण गौसियन वितरणों के अधिक समान होते जाते हैं। क्लासिकल मल्टीवेरिएट नॉर्मलिटी टेस्ट (जैसे कि मार्दिया, जारके-बेरा, हेन्ज़े-ज़िरकलर) अक्सर $\alpha$ के 2 के करीब होने पर नॉर्मलिटी से विचलन का पता लगाने में पर्याप्त शक्ति (power) की कमी प्रदर्शित करते हैं, विशेष रूप से छोटे सैंपल साइज के साथ।
अंतराल (Gap): हालांकि ग्रीनवुड स्टैटिस्टिक और इसके संशोधित संस्करण का उपयोग यूनिवेरिएट पॉजिटिव या सिमेट्रिक डेटा के लिए किया गया था, लेकिन हाइपोथेसिस टेस्टिंग और पैरामीटर एस्टीमेशन के लिए इन स्टैटिस्टिक्स को बाइवेरिएट (और मल्टीवेरिएट) सब-गौसियन वितरणों तक विस्तारित करने वाली कार्यप्रणाली का अभाव था।

2. कार्यप्रणाली (Methodology)

लेखक एक संशोधित ग्रीनवुड स्टैटिस्टिक (Modified Greenwood Statistic) पर आधारित परीक्षण और अनुमान ढांचा प्रस्तावित करते हैं, जिसे मूल रूप से सिमेट्रिक वितरणों के लिए डिज़ाइन किया गया था। यह कार्यप्रणाली यूनिवेरिएट और बाइवेरिएट सेटिंग्स में विभाजित है।

A. संशोधित ग्रीनवुड स्टैटिस्टिक (The Modified Greenwood Statistic)

एक यूनिवेरिएट सैंपल $X = (X_1, \dots, X_n)$ के लिए, स्टैटिस्टिक को इस प्रकार परिभाषित किया जाता है:
$S_X = \frac{\sum_{i=1}^n |X_i|^2}{(\sum_{i=1}^n |X_i|)^2}$
मुख्य गुण: सिमेट्रिक $\alpha$ -स्टेबल वितरणों के वर्ग के भीतर, $S_X$ $\alpha$ के संबंध में स्टोकेस्टिक रूप से घटता (stochastically decreasing) है। जैसे-जैसे $\alpha$ बढ़ता है (2 की ओर बढ़ता है), स्टैटिस्टिक का मान कम होने की प्रवृत्ति रखता है। यह मोनोटोनिसिटी इसे एक विश्वसनीय टेस्ट स्टैटिस्टिक के रूप में कार्य करने की अनुमति देती है।

B. बाइवेरिएट विस्तार (Bivariate Extensions - Sub-Gaussian Case)

यह शोध पत्र इस अवधारणा को बाइवेरिएट रैंडम वेक्टर्स $\vec{X} = (X_1, X_2)$ तक विस्तारित करता है जो एक सब-गौसियन वितरण (मल्टीवेरिएट $\alpha$ -स्टेबल वितरणों का एक विशेष मामला) से लिए गए हैं। दो विशिष्ट टेस्ट स्टैटिस्टिक्स प्रस्तावित किए गए हैं:

परिदृश्य 1 ( $S^1_{\vec{X}}$ ): योग दृष्टिकोण (Summation Approach)
- परिभाषा: $W_i = X^{(i)}_1 + X^{(i)}_2$ । स्टैटिस्टिक को योग पर गणना किया जाता है: $S^1_{\vec{X}} = S_W$ ।
- गुण: एक बाइवेरिएट सब-गौसियन वेक्टर के दो घटकों का योग स्वयं एक यूनिवेरिएट सिमेट्रिक $\alpha$ -स्टेबल वेरिएबल होता है। महत्वपूर्ण बात यह है कि $S^1_{\vec{X}}$ , व्यक्तिगत घटकों के सहसंबंध ( $\rho$ ) और स्केल पैरामीटर्स से स्वतंत्र है। यह $\alpha$ के संबंध में स्टोकेस्टिक मोनोटोनिसिटी को बनाए रखता है।
परिदृश्य 2 ( $S^2_{\vec{X}}$ ): स्क्वेयर्ड नॉर्म दृष्टिकोण (Squared Norm Approach)
- परिभाषा: $Y_i = (X^{(i)}_1)^2 + (X^{(i)}_2)^2$ । स्टैटिस्टिक की गणना स्क्वेयर्ड यूक्लिडियन नॉर्म पर की जाती है: $S^2_{\vec{X}} = S_Y$ ।
- गुण: इस स्टैटिस्टिक का व्यवहार एक पैरामीटर $\beta$ पर निर्भर करता है, जो सहसंबंध $\rho$ और वेरिएंस के अनुपात का एक फलन (function) है।
- स्टोकेस्टिक ऑर्डरिंग: एक निश्चित $\beta$ के लिए, $S^2_{\vec{X}}$ , $\alpha$ के संबंध में स्टोकेस्टिक रूप से घटता है। हालांकि, इसका वितरण डिपेंडेंस स्ट्रक्चर ( $\beta$ ) के प्रति संवेदनशील है, जिसके लिए विशिष्ट कैलिब्रेशन (जैसे कि सबसे रूढ़वादी क्रिटिकल रीजन के लिए $\beta=0$ का उपयोग करना) की आवश्यकता होती है।

C. परीक्षण और अनुमान प्रक्रियाएं (Testing and Estimation Procedures)

हाइपोथेसिस टेस्टिंग: लेखक $H_0: \alpha = 2$ (गौसियन) बनाम $H_1: \alpha < 2$ के लिए परीक्षण तैयार करते हैं। रिजेक्शन रीजन (rejection regions) को न्यूल हाइपोथेसिस के तहत टेस्ट स्टैटिस्टिक्स के क्वांटाइल्स (quantiles) का अनुमान लगाने के लिए मोंटे कार्लो सिमुलेशन का उपयोग करके बनाया गया है।
कॉन्फिडेंस इंटरवल्स: हाइपोथेसिस टेस्ट को उलटने (inverting) द्वारा, लेखक स्थिरता सूचकांक $\alpha$ के लिए कॉन्फिडेंस इंटरवल का निर्माण करते हैं।
सिमुलेशन: सैद्धांतिक गुणों को मान्य करने और प्रदर्शन की तुलना करने के लिए व्यापक मोंटे कार्लो सिमुलेशन (क्रिटिकल वैल्यूज के लिए 10,000 सैंपल्स, पावर एनालिसिस के लिए 1,000) का उपयोग किया गया है।

3. मुख्य योगदान (Key Contributions)

बाइवेरिएट/सब-गौसियन तक विस्तार: शोध पत्र सफलतापूर्वक यूनिवेरिएट से बाइवेरिएट सब-गौसियन वितरणों तक संशोधित ग्रीनवुड स्टैटिस्टिक का सामान्यीकरण करता है, जिसमें दो अलग-अलग विस्तार ( $S^1$ और $S^2$ ) पेश किए गए हैं।
नवीन परीक्षण ढांचा: यह एक मजबूत परीक्षण पद्धति पेश करता है जो भारी पूंछ (heavy tails) वाले वितरणों से गौसियन वितरणों को अलग करने के लिए ग्रीनवुड स्टैटिस्टिक की स्टोकेस्टिक मोनोटोनिसिटी का लाभ उठाती है।
"कठिन" मामलों में श्रेष्ठ प्रदर्शन: प्रस्तावित तरीके विशेष रूप से उन कठिन मामलों के लिए अनुकूलित हैं जहाँ $\alpha$ , 2 के करीब है (निकट-गौसियन) और सैंपल साइज छोटा ( $n < 30$ ) है।
पैरामीटर एस्टीमेशन: यह कार्यप्रणाली यूनिवेरिएट और बाइवेरिएट दोनों सेटिंग्स में स्थिरता सूचकांक $\alpha$ के लिए कॉन्फिडेंस इंटरवल बनाने का एक तंत्र प्रदान करती है।

4. परिणाम (Results)

सिमुलेशन अध्ययन:
- छोटे सैंपल ( $n=10, 30$ ): जब $\alpha$ , 2 के करीब होता है, तो $S^1$ टेस्ट (योग दृष्टिकोण) क्लासिकल टेस्ट्स (मार्डिया का कर्टोसिस/स्क्यूनेस, हेन्ज़े-ज़िरकलर, जारके-बेरा, रॉयस्टन) की तुलना में काफी बेहतर प्रदर्शन करता है।
- बड़े सैंपल ( $n=100$ ): मार्डिया का कर्टोसिस और रॉयस्टन के टेस्ट जैसे क्लासिकल टेस्ट आमतौर पर उच्च पावर दिखाते हैं, हालांकि प्रस्तावित तरीके प्रतिस्पर्धी बने रहते हैं।
- सहसंबंध का प्रभाव: $S^2$ टेस्ट की पावर पैरामीटर $\beta$ पर अत्यधिक निर्भर है। यह तब असाधारण रूप से अच्छा प्रदर्शन करता है जब $\beta$ छोटा (उच्च सहसंबंध) होता है, लेकिन जब सहसंबंध संरचना अज्ञात हो या सैंपल साइज छोटा हो, तो $S^1$ टेस्ट की सिफारिश की जाती है क्योंकि यह सहसंबंध के प्रति अपरिवर्तनीय (invariant) है।
वास्तविक दुनिया के डेटा का अनुप्रयोग:
- डेटासेट: कॉपर माइनिंग कंपनी (KGHM) का वित्तीय डेटा, जिसमें USD/PLN एक्सचेंज रेट और कॉपर कीमतों का विश्लेषण किया गया है।
- विश्लेषण: डेटा को दो शासन (regimes) में विभाजित किया गया (2008 संकट और स्थिर बाजार) और $\alpha$ -स्टेबल इनोवेशन के साथ एक VAR(1) मॉडल का उपयोग करके मॉडल किया गया।
- निष्कर्ष:
  - प्रस्तावित टेस्ट्स ( $S^1$ और $S^2$ ) ने दोनों शासनों के लिए बाइवेरिएट नॉर्मलिटी के न्यूल हाइपोथेसिस को खारिज कर दिया, जो हेवी टेल्स ( $\alpha < 2$ ) की उपस्थिति की पुष्टि करता है।
  - अनुमानित स्थिरता सूचकांक $\hat{\alpha} \approx 1.72$ (संकट) और $\hat{\alpha} \approx 1.84$ (स्थिर) USD/PLN के लिए, और कॉपर कीमतों के लिए समान मान थे।
  - $\alpha$ के लिए 95% कॉन्फिडेंस इंटरवल लगातार 2 को बाहर रखते हैं, जो हेवी-टेल्ड प्रकृति को प्रमाणित करते हैं।

5. महत्व (Significance)

वित्तीय जोखिम प्रबंधन: गौसियन और हेवी-टेल्ड मॉडलों के बीच सटीक अंतर करने की क्षमता वित्त में महत्वपूर्ण है, जहाँ चरम घटनाओं (क्रैश) को अक्सर गौसियन मॉडल द्वारा कम करके आंका जाता है। यह शोध पत्र इन हेवी टेल्स का पता लगाने के लिए एक उपकरण प्रदान करता है, भले ही डेटा "लगभग" गौसियन दिखाई दे।
मजबूती (Robustness): $S^1$ स्टैटिस्टिक एक सहसंबंध-अपरिवर्तनीय (correlation-invariant) टेस्ट प्रदान करता है, जो इसे वास्तविक दुनिया के डेटा के लिए अत्यधिक व्यावहारिक बनाता है जहाँ चरों के बीच निर्भरता संरचना जटिल या अज्ञात होती है।
मेथोडोलॉजिकल प्रगति: मल्टीवेरिएट सेटिंग्स में ग्रीनवुड स्टैटिस्टिक का विस्तार करके, लेखक हेवी टेल्स की उपस्थिति में मल्टीवेरिएट नॉर्मलिटी के परीक्षण के लिए एक नया, गणनात्मक रूप से कुशल और सैद्धांतिक रूप से सुदृढ़ दृष्टिकोण प्रदान करते हैं, जो उस अंतराल को भरता है जहाँ मौजूदा साहित्य $\alpha \to 2$ की सीमा में संघर्ष करता है।

निष्कर्षतः, यह शोध पत्र संशोधित ग्रीनवुड स्टैटिस्टिक को यूनिवेरिएट और बाइवेरिएट $\alpha$ -स्टेबल संदर्भों में स्थिरता सूचकांक अनुमान और हाइपोथेसिस टेस्टिंग के लिए एक शक्तिशाली और बहुमुखी उपकरण के रूप में स्थापित करता है, जो विशेष रूप से छोटे-सैंपल, निकट-गौसियन परिदृश्यों में अपनी श्रेष्ठता प्रदर्शित करता है।