📊 statistics

Post-Hoc Inference of Cross-Classified Statistics from Hierarchical Bayes Survey Weights

यह शोध पत्र एक पोस्ट-हॉक इन्फरेंस इंजन (PHIE) प्रस्तुत करता है जो MCMC ड्रॉज़ को कैलिब्रेटेड रेप्लिकेट वेट्स में परिवर्तित करके क्रॉस-क्लासिफाइड सर्वे सांख्यिकी तक पदानुक्रमित बेयस डोमेन अनिश्चितता को प्रसारित करता है, जबकि फ़िल्टर्ड और गैर-कैलिब्रेशन वेरिएबल्स के लिए विशिष्ट कैलिब्रेटेड बेयस इंटरवल समायोजन प्रस्तावित करता है ताकि मुख्य रूप से कंपोजिशनल सैंपलिंग वेरिएबिलिटी द्वारा संचालित नियर-नोमिनल कवरेज सुनिश्चित किया जा सके।

मूल लेखक: Siu-Ming Tam

प्रकाशित 2026-04-29

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Siu-Ming Tam

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 एक राष्ट्रीय सांख्यिकी कार्यालय (जैसे कि ऑस्ट्रेलियाई सांख्यिकी ब्यूरो) कार्यबल को समझने की कोशिश कर रहा है। वे जानना चाहते हैं जैसे कि "न्यू साउथ वेल्स में कितने लोग काम करते हैं?" या "सप्ताह में 40 घंटे कितने लोग काम करते हैं?"

परंपरागत रूप से, उच्च सटीकता के साथ इन उत्तरों को प्राप्त करने के लिए, उन्हें बड़ी संख्या में लोगों का साक्षात्कार लेना होगा। यह महंगा और धीमा है।

"जादुई ट्रिक" (पृष्ठभूमि)
उसी लेखक के एक पिछले शोध पत्र ने पैसे बचाने का एक चतुर तरीका दिखाया: एक छोटे नमूने (sample) का उपयोग करें, लेकिन उसे एक स्मार्ट कंप्यूटर मॉडल (जिसे "हायरार्किकल बेयस" कहा जाता है) के साथ जोड़ें। यह मॉडल खाली स्थानों को भरने के लिए समान समूहों से शक्ति उधार लेता है। यह एक स्कूल के हर ग्रेड के औसत कद का अनुमान लगाने जैसा है, जिसमें केवल कुछ छात्रों को मापकर और ग्रेड तथा कद के बीच के ज्ञात संबंध का उपयोग करके किया जाता है।

यह विधि उन विशिष्ट प्रश्नों के लिए बहुत अच्छा काम करती है जिनके लिए मॉडल बनाया गया है (जैसे कुल रोजगार या कुल कार्य घंटे)। लेकिन यहाँ समस्या है: क्या होगा जब सरकार एक नया टेबल प्रकाशित करना चाहती है जो मूल योजना का हिस्सा नहीं था?

उदाहरण के लिए, मॉडल को "रोजगार वाले लोगों" को गिनने के लिए बनाया गया था। लेकिन बाद में, कोई पूछता है: "रोजगार वाले लोगों में से कितने मैनेजर हैं?" या "कितने रोजगार वाले लोग सप्ताह में $3,000 कमाते हैं?"

मूल मॉडल ने विशेष रूप से इनकी गणना नहीं की थी। यदि आप केवल संख्याओं को लेकर कहते हैं, "यह रहा उत्तर," तो आप इस बात के बारे में झूठ बोल रहे हैं कि आप कितने सुनिश्चित हैं। उत्तर बहुत सटीक दिखता है, लेकिन यह गलत हो सकता है क्योंकि आपने "सैंपलिंग के शोर" (sampling noise) को ध्यान में नहीं रखा है।

समाधान: "पोस्ट-हॉक इन्फरेंस इंजन" (PHIE)
यह पत्र एक नया उपकरण पेश करता है जिसे पोस्ट-हॉक इन्फरेंस इंजन (PHIE) कहा जाता है। PHIE को एक अनिश्चितता के सार्वभौमिक अनुवादक (universal translator for uncertainty) के रूप में समझें।

यह कैसे काम करता है, इसके लिए एक सरल उपमा का उपयोग करते हैं:

1. "शैडो पपेट" का खेल (इंजन)

कल्पना कीजिए कि कंप्यूटर मॉडल ने देश में काम करने वाले लोगों की कुल संख्या के बारे में पहले से ही 15,000 अलग-अलग अनुमान लगाए हैं (इन्हें "MCMC ड्रॉज़" कहा जाता है)। प्रत्येक अनुमान थोड़ा अलग है, जो मॉडल में अनिश्चितता को दर्शाता है।

PHIE इन 15,000 अनुमानों में से प्रत्येक को लेता है और कहता है: "ठीक है, यदि काम करने वाले लोगों की कुल संख्या बिल्कुल इतनी होती, तो गणित को सही रखने के लिए हमें वास्तव में साक्षात्कार किए गए लोगों के भार (weights) को कैसे समायोजित करना पड़ता?"

यह प्रत्येक अनुमान के लिए "शैडो वेट्स" (shadow weights) का एक नया सेट बनाता है। फिर, यह आपके नए प्रश्न (जैसे, "रोजगार वाले मैनेजर") के लिए उत्तर की गणना करने के लिए इन शैडो वेट्स का उपयोग करता है।

इस प्रक्रिया को 15,000 बार करके, PHIE उत्तरों का एक वितरण (distribution) बनाता है। केवल एक संख्या देने के बजाय, यह उत्तरों की एक सीमा देता है। यह सीमा आपका क्रेडिबल इंटरवल (Credible Interval) है (एक फैंसी तरीका यह कहने का कि "वह सीमा जहाँ सत्य संभवतः स्थित है")।

2. विश्वास के तीन स्तर

यह पत्र खोज निकालता है कि सभी प्रश्न समान नहीं होते। यह उन्हें इस आधार पर तीन "स्तरों" (Tiers) में वर्गीकृत करता है कि मूल मॉडल उन्हें कितनी अच्छी तरह सहारा देता है।

स्तर 1: "सटीक मिलान" (Tier 1-E)

प्रश्न: "न्यू साउथ वेल्स में कितने लोग काम करते हैं?"
स्थिति: यह ठीक वही है जिसके लिए मॉडल की गणना की गई थी।
परिणाम: PHIE पूरी तरह से काम करता है। अनिश्चितता की सीमा सटीक है। यह एक बेकर से पूछने जैसा है, "आपने कितने लोफ (loaves) बेक किए?" और बेकर के पास एक सटीक रसीद है। आप उत्तर पर पूरी तरह भरोसा कर सकते हैं।

स्तर 2: "फिल्टर्ड" प्रश्न (Tier 2)

प्रश्न: "न्यू साउथ वेल्स में कितने लोग काम करते हैं और वे मैनेजर हैं?"
स्थिति: मॉडल जानता है कि NSW के लिए कुल संख्या क्या है, लेकिन वह "मैनेजर" और "गैर-मैनेजर" के बीच के विभाजन को नहीं जानता। उसे सैंपल के आधार पर विभाजन का अनुमान लगाना पड़ता है।
समस्या: PHIE यहाँ बहुत अधिक आत्मविश्वासी है। यह केवल कुल NSW संख्या की अनिश्चितता को ध्यान में रखता है, लेकिन यह विभाजन की अनिश्चितता (इस तथ्य कि हमने केवल कुछ ही मैनेजरों का नमूना लिया है) को भूल जाता है। यह ट्रक के कुल वजन को जानने के बाद, बिना माल को तौले, उसके वजन का अनुमान लगाने जैसा है।
सुधार (CBI): यह पत्र एक "कैलिब्रेटेड बेयस इंटरवल" (CBI) पेश करता है। यह एक सुधार कारक (correction factor) है। यह एक "सुरक्षा मार्जिन" जोड़ता है ताकि यह हिसाब लगाया जा सके कि हम विभाजन का अनुमान लगा रहे हैं। यह अपने बजट में बफर जोड़ने जैसा है क्योंकि आप 100% सुनिश्चित नहीं हैं कि किराने का सामान कितने का होगा। इस सुधार के साथ, उत्तर फिर से विश्वसनीय हो जाता है।

स्तर 3: "असंबंधित" प्रश्न (Tier 3-NCV)

प्रश्न: "कितने मैनेजर के पास दीर्घकालिक स्वास्थ्य स्थिति (Long-term Health Condition) है?"
स्थिति: मॉडल को "रोजगार वाले लोगों" को गिनने के लिए बनाया गया था। इसके पास "स्वास्थ्य स्थितियों" पर कोई डेटा नहीं है। यह एक पूरी तरह से नया चर (variable) है।
समस्या: PHIE यहाँ बेकार है क्योंकि मॉडल के पास कोई आधार (anchor) नहीं है।
सुधार (अनुपात अनुमानक - Ratio Estimator): यह पत्र एक चतुर तरकीब सुझाता है। एक ऐसा चर खोजें जिसे मॉडल जानता है और जो स्वास्थ्य से संबंधित है। उदाहरण के लिए, "काम के घंटे।" शायद जो लोग कम घंटे काम करते हैं, उनमें स्वास्थ्य संबंधी समस्याएं होने की अधिक संभावना है।
- इंजन अनुपात की गणना करता है: "प्रत्येक 100 लोगों के लिए जो 20 घंटे काम करते हैं, कितने लोगों को स्वास्थ्य समस्या है?"
- फिर यह इस अनुपात को ज्ञात "काम के घंटों" के कुल योग पर लागू करता है।
- भले ही संबंध कमजोर हो, यह विधि यह सुनिश्चित करती है कि मॉडल की अनिश्चितता और सैंपलिंग के शोर दोनों को ध्यान में रखा जाए।

मुख्य निष्कर्ष

यह पत्र सिद्ध करता है कि इन क्रॉस-टेबुलेटेड तालिकाओं में अनिश्चितता मुख्य रूप से सैंपलिंग प्रक्रिया (कि सर्वे में कौन शामिल हुआ) द्वारा संचालित होती है, न कि कंप्यूटर मॉडल द्वारा।

यदि आप केवल मॉडल के आउटपुट का उपयोग करते हैं, तो आप सोचेंगे कि आपके उत्तर अत्यंत सटीक हैं (जबकि वे नहीं हैं)।
यदि आप PHIE + CBI विधि का उपयोग करते हैं, तो आपको अनिश्चितता की एक वास्तविक सीमा प्राप्त होती है।

निष्कर्ष:
यह पत्र राष्ट्रीय सांख्यिकी कार्यालयों के लिए एक "रेसिपी" प्रदान करता है। यदि वे एक स्मार्ट, कम आकार के सर्वेक्षण से विस्तृत तालिकाएं (जैसे "व्यवसाय के अनुसार आय") प्रकाशित करना चाहते हैं, तो वे केवल संख्याएँ छापकर काम नहीं चला सकते। उन्हें सही "त्रुटि मार्जिन" (margin of error) उत्पन्न करने के लिए इस "पोस्ट-हॉक इन्फरेंस इंजन" को चलाना होगा।

परिणामों से पता चलता है कि इन सुधारों के बावजूद, अनिश्चितता की सीमाएं इतनी छोटी हैं कि उन्हें प्रकाशित और विश्वसनीय माना जा सकता है, जिससे डेटा को ईमानदार रखते हुए सरकार के सर्वेक्षण के आकार पर पैसा बचाया जा सकता है।

यहाँ सिउ-मिंग टैम (Siu-Ming Tam) के शोध पत्र "Post-Hoc Inference of Cross-Classified Statistics from Hierarchical Bayes Survey Weights" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या का विवरण (Problem Statement)

यह शोध पत्र आधुनिक सर्वेक्षण पद्धति में एक महत्वपूर्ण परिचालन अंतराल (operational gap) को संबोधित करता है। टैम [2026] द्वारा स्थापित ढांचे के अनुसार, राष्ट्रीय सांख्यिकीय कार्यालय (NSOs) बेथल मल्टीवेरिएट एलोकेशन (Bethel multivariate allocation) को हायरार्किकल बेयस (HB) स्मॉल एरिया मॉडल्स के साथ जोड़कर सर्वेक्षण नमूना आकारों (sample sizes) को काफी कम कर सकते हैं। इस ढांचे में, HB मॉडल विशिष्ट लक्षित चरों (जैसे, रोजगार, कार्य के घंटे) के लिए भौगोलिक डोमेनों के माध्यम से पोस्टीरियर अनुमान (posterior estimates) उत्पन्न करते हैं, जिससे इन लक्ष्यों के लिए सटीकता बनाए रखते हुए नमूने को कम किया जा सकता है।

हालाँकि, एक बार जब कम किए गए सर्वेक्षण का संचालन हो जाता है, तो NSOs को क्रॉस-क्लासिफाइड सांख्यिकी (जैसे, व्यवसाय के आधार पर रोजगार, स्वास्थ्य स्थिति के आधार पर आय) प्रकाशित करनी होती है जो मूल HB कैलिब्रेशन के स्पष्ट लक्ष्य नहीं थे। इन तालिकाओं में अक्सर शामिल होते हैं:

कैलिब्रेशन चरों पर फिल्टर (जैसे, आयु समूह के आधार पर रोजगार)।
गैर-कैलिब्रेशन चर (जैसे, स्वास्थ्य स्थिति या आय बैंड)।

मुख्य समस्या: मानक बिंदु अनुमान (point estimation) सरल है (कैलिब्रेटेड भार का उपयोग करके), लेकिन अनिश्चितता का परिमाणन (uncertainty quantification) समस्याग्रस्त है।

यदि अनिश्चितता को अनदेखा किया जाता है, तो तालिकाएँ कृत्रिम रूप से सटीक दिखाई देती हैं।
यदि HB पोस्टीरियर ड्रॉज़ (posterior draws) से अनिश्चितता को क्रॉस-टेबुलेशन की विशिष्ट संरचना को ध्यान में रखे बिना यांत्रिक रूप से प्रसारित किया जाता है, तो परिणामी क्रेडिबल इंटरवल्स (CrIs) अक्सर गंभीर अंडर-कवरेज (under-coverage) से ग्रस्त होते हैं (अर्थात, वास्तविक जनसंख्या मान नामित 5% दर की तुलना में बहुत अधिक बार अंतराल के बाहर होता है)।

2. कार्यप्रणाली: पोस्ट-हॉक इन्फरेंस इंजन (PHIE)

यह शोध पत्र HB डोमेन पोस्टीरियर ड्रॉज़ से मनमाने क्रॉस-टेबुलेशन तक अनिश्चितता प्रसारित करने के लिए पोस्ट-हॉक इन्फरेंस इंजन (PHIE) पेश करता है।

अ. पोस्टीरियर-कैलिब्रेटेड रेप्लिकेट वेट्स (Posterior-Calibrated Replicate Weights)

प्रत्येक MCMC ड्रॉ $b$ के लिए HB पोस्टीरियर डोमेन टोटल्स $\hat{T}^{(b)}$ , PHIE एक नया सर्वेक्षण भार (survey weight) $w'_i(\hat{T}^{(b)})$ उत्पन्न करता है।

तंत्र: यह एक प्रतिबंधित अनुकूलन समस्या (constrained optimization problem) को हल करता है (मूल हॉरविट्ज़-थॉम्पसन भारों से ची-स्क्वायर दूरी को न्यूनतम करना) इस प्रतिबंध के अधीन कि कैलिब्रेशन चरों का भारित योग विशिष्ट MCMC ड्रॉ $\hat{T}^{(b)}$ के बराबर हो।
सूत्र: भार रैखिक रूप से अपडेट किए जाते हैं:
$w'_i(t) = w_i \left( 1 + (t - \hat{T}^{HT})^\top G^{-1} y_i \right)$
जहाँ $G$ कैलिब्रेशन क्रॉस-प्रोडक्ट मैट्रिक्स है, $y_i$ डिज़ाइन वेक्टर है, और $t$ टार्गेट वेक्टर (MCMC ड्रॉ) है।
परिणाम: किसी भी क्रॉस-टेबुलेशन सांख्यिकी पर इन रेप्लिकेट भारों को लागू करने से एक अनुभवजन्य पोस्टीरियर वितरण (empirical posterior distribution) उत्पन्न होता है, जिससे CrIs प्राप्त किए जाते हैं।

ब. सांख्यिकी का तीन-स्तरीय वर्गीकरण (Three-Tier Taxonomy of Statistics)

यह शोध पत्र तर्क देता है कि सभी क्रॉस-टेबुलेशन का एक ही इन्फेरेंशियल स्टेटस नहीं होता है। वे उन्हें तीन स्तरों में वर्गीकृत करते हैं, जिनमें से प्रत्येक के लिए अलग-अलग विचरण सुधार रणनीतियों (variance correction strategies) की आवश्यकता होती है:

टियर 1-E (एक्ज़ैक्ट कैलिब्रेशन सेल्स):
- परिभाषा: वे सेल्स जो $p$ HB कैलिब्रेशन बाधाओं में से एक को सटीक रूप से पुनरुत्पादित करते हैं (जैसे, NSW में कुल रोजगार)।
- अनुमान (Inference): PHIE CrI सटीक (exact) है। कैलिब्रेशन गुण यह गारंटी देता है कि अंतराल HB पोस्टीरियर अंतराल से मेल खाता है।
- कवरेज: नाममात्र (एकल रन में 100%, बार-बार नमूनाकरण में ~95%)।
टियर 2 (फिल्टर्ड कैलिब्रेशन वेरिएबल्स):
- परिभाषा: एक विशेषता द्वारा फ़िल्टर किए गए कैलिब्रेशन चर के योग (जैसे, आयु समूह द्वारा रोजगार)।
- समस्या: PHIE अंतराल केवल डोमेन टोटल्स (घटक 2) में अनिश्चितता प्रसारित करते हैं लेकिन डोमेन के भीतर के हिस्सों (घटक 1) की सैंपलिंग परिवर्तनशीलता को अनदेखा करते हैं। इससे अंडर-कवरेज होता है।
- समाधान: एक कैलिब्रेटेड बेयस इंटरवल (CBI) प्रस्तावित किया गया है। यह डोमेन टोटल के मॉडल-आधारित विचरण (घटक 2) में सेल शेयर के डिज़ाइन-आधारित विचरण (घटक 1) को जोड़ता है।
- सूत्र:
  $\text{Var}(T_c) \approx \sum_d \hat{T}_{v,d}^2 \widehat{\text{Var}}(\hat{\lambda}_{d,c}) + \sum_d \hat{\lambda}_{d,c}^2 \widehat{\text{Var}}(\hat{T}_{v,d})$
  जहाँ $\hat{\lambda}$ अनुमानित शेयर है और $\hat{T}$ डोमेन टोटल है।
टियर 3-NCV (गैर-कैलिब्रेशन वेरिएबल्स):
- परिभाषा: वे सांख्यिकी जिनमें वे आउटकम वेरिएबल्स शामिल हैं जो HB कैलिब्रेशन सिस्टम में नहीं हैं (जैसे, स्वास्थ्य स्थिति द्वारा व्यवसाय)।
- समस्या: इनके लिए कोई प्रत्यक्ष HB पोस्टीरियर मौजूद नहीं है।
- समाधान: एक रेश्यो-एस्टीमेटर CBI (Ratio-Estimator CBI)। गैर-कैलिब्रेशन वेरिएबल को एक अनुपात के अंश (numerator) के रूप में माना जाता है, जिसका हर (denominator) सबसे अत्यधिक सह-संबंधित कैलिब्रेशन वेरिएबल (लिंकिंग वेरिएबल) का HB पोस्टीरियर टोटल होता है।
- अनुमान: CBI अनुपात के डिज़ाइन-आधारित विचरण को लिंकिंग वेरिएबल के HB पोस्टीरियर विचरण के साथ जोड़ता है।

3. मुख्य योगदान (Key Contributions)

PHIE फ्रेमवर्क: किसी भी व्युत्पन्न सांख्यिकी (derived statistic) के लिए अनिश्चितता प्रसारित करने हेतु HB पोस्टीरियर ड्रॉज़ को रेप्लिकेट सर्वेक्षण भारों में बदलने के लिए एक एकीकृत इंजन।
इन्फरेंस का वर्गीकरण: यह पहचानना कि क्रॉस-टेबुलेशन अलग-अलग विचरण संरचनाओं वाले विशिष्ट स्तरों में आते हैं, जिसके लिए अलग-अलग प्रकार के अंतराल (Exact CrI बनाम CBI) की आवश्यकता होती है।
CBI सुधार: एक कैलिब्रेटेड बेयस इंटरवल (CBI) का विकास जो बेयसियन मॉडल अनिश्चितता और डिज़ाइन-आधारित सैंपलिंग परिवर्तनशीलता के बीच के अंतर को पाटता है। यह सुनिश्चित करता है कि भले ही सांख्यिकी सीधे कैलिब्रेशन लक्ष्य न हो, तो भी नाममात्र कवरेज बना रहे।
डायग्नोस्टिक्स: यह पता लगाने के लिए नैदानिक मीट्रिक ( $\|a_c\|$ और $\cos \theta_c$ ) पेश करना कि क्या किसी सेल में एक विशिष्ट कैलिब्रेशन प्रोफाइल की कमी है, जिसके कारण मॉडल-आधारित विचरण घटक ढह (collapse) सकता है।

4. अनुभवजन्य परिणाम (Empirical Results)

इन विधियों को 200 मोंटे कार्लो पुनरावृत्तियों (Monte Carlo replications) के साथ ऑस्ट्रेलियाई 2021 जनगणना माइक्रोडेटा (5% नमूना, $N \approx 840k$ , $n \approx 42k$ ) का उपयोग करके मान्य किया गया।

टियर 1-E (डोमेन द्वारा घंटे): 99.2% मोंटे कार्लो कवरेज प्राप्त किया (एकल रन में लगभग 100%), जो कैलिब्रेशन गुण की सटीकता की पुष्टि करता है।
टियर 2 (घंटों/व्यवसाय द्वारा रोजगार):
- Raw PHIE: गंभीर अंडर-कवरेज (28% से 79.5% के बीच)।
- CBI सुधारा गया: कवरेज बहाल होकर 92–97.5% हो गया, जो नाममात्र 95% के करीब है।
- निष्कर्ष: टियर 2 के लिए, अनिश्चितता मुख्य रूप से संरचनात्मक सैंपलिंग परिवर्तनशीलता (घटक 1) द्वारा संचालित होती है, न कि HB मॉडल अनिश्चितता द्वारा।
टियर 3-NCV (व्यवसाय द्वारा आय/स्वास्थ्य):
- Raw PHIE: अत्यधिक अंडर-कवरेज (स्वास्थ्य स्थितियों के लिए 13.5% जितना कम)।
- CBI सुधारा गया: कवरेज बहाल होकर 92–98.5% हो गया।
- निष्कर्ष: लिंकिंग वेरिएबल के साथ कमजोर सहसंबंध के बावजूद, CBI (जो घटक 1 द्वारा प्रधान है) विश्वसनीय कवरेज प्रदान करता है।
सटीकता: सभी CBI-आधारित अंतरालों के लिए गुणांक भिन्नता (Coefficient of Variation - CV) मानक प्रकाशन सीमाओं (आमतौर पर <5%) के भीतर रहा, जिसमें उच्चतम 4.9% था।

5. महत्व और निहितार्थ (Significance and Implications)

परिचालन व्यवहार्यता (Operational Viability): यह शोध पत्र प्रदर्शित करता है कि NSOs जटिल, बहु-आयामी सांख्यिकीय तालिकाओं के उत्पादन के लिए वैध आत्मविश्वास अंतराल (confidence intervals) उत्पन्न करने के लिए PHIE और CBI फ्रेमवर्क लागू करके, HB मॉडल्स का उपयोग करके सर्वेक्षण नमूना आकार को सुरक्षित रूप से कम कर सकते हैं।
सांख्यिकीय कठोरता: यह "मॉडल-आधारित" (HB) और "डिज़ाइन-आधारित" अनुमान के बीच के तनाव को हल करता है। CBI दृष्टिकोण यह स्वीकार करता है कि जबकि टोटल्स मॉडल-संचालित होते हैं, क्रॉस-टेब्स में उनके संरचनात्मक हिस्से में डिज़ाइन-आधारित सैंपलिंग त्रुटि बनी रहती है।
प्रकाशन मानक: परिणाम दर्शाते हैं कि CBI सुधार के बिना, प्रकाशित तालिकाएँ भ्रामक रूप से सटीक होंगी। सुधार के साथ, अनिश्चितता सटीक रूप से प्रतिबिंबित होती है, और अंतराल प्रकाशन के लिए पर्याप्त संकीर्ण बने रहते हैं।
सिफारिश: NSOs को HB सर्वेक्षणों से प्राप्त भारित यूनिट रिकॉर्ड फाइलों को मानक डेटा के रूप में नहीं मानना चाहिए। उन्हें किसी भी व्युत्पन्न क्रॉस-क्लासिफाइड आउटपुट के लिए वैध आत्मविश्वास अंतराल उत्पन्न करने के लिए PHIE/CBI इंजन लागू करना चाहिए, विशेष रूप से वे जो गैर-कैलिब्रेशन चरों से संबंधित हैं।

संक्षेप में, यह शोध पत्र आवश्यक "इन्फरेंस मशीनरी" प्रदान करता है ताकि सैंपल-रिडक्शन के लाभों को जटिल, बहु-आयामी सांख्यिकीय तालिकाओं के उत्पादन के लिए परिचालन रूप से सुरक्षित बनाया जा सके।