📈 economics

Bootstrap Inference in Nonlinear Panel Data Models with Interactive Fixed Effects

यह शोध पत्र यह प्रदर्शित करता है कि पैरामीट्रिक बूटस्ट्रैप, इंटरैक्टिव फिक्स्ड इफेक्ट्स वाले नॉनलीन पैनल डेटा मॉडल्स में मैक्सिमम लाइकलीहुड एस्टिमेटर्स के लिए वैध अनुमान प्रदान करता है, उनके एसिम्प्टोटिक वितरण को पुनरुत्पादित करके, जिससे एसिम्प्टोटिक रूप से अनबायस्ड अनुमान और सही कवरेज वाले कॉन्फिडेंस सेट्स प्राप्त होते हैं, साथ ही बेहतर परिमित-नमूना प्रदर्शन के लिए एक ट्रांसफॉर्मेशन-आधारित अंतराल का प्रस्ताव भी देता है।

मूल लेखक: Haoyuan Xu, Wei Miao, Geert Dhaene, Jad Beyhum

प्रकाशित 2026-04-30

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Haoyuan Xu, Wei Miao, Geert Dhaene, Jad Beyhum

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 कई वर्षों के प्रदर्शन के आधार पर कर्मचारियों (फर्मों) के एक समूह के वास्तविक "कौशल" को मापने की कोशिश कर रहे हैं। हालाँकि, आपके पास दो छिपी हुई समस्याएँ हैं जो आपके माप को बिगाड़ रही हैं:

"भूतिया" कारक (The "Ghost" Factors): कुछ अदृश्य ताकतें काम कर रही हैं—जैसे अचानक आर्थिक उछाल या कोई विशिष्ट उद्योग रुझान—जो हर किसी को अलग-अलग समय पर अलग तरह से प्रभावित करते हैं। शोध पत्र की भाषा में, ये इंटरएक्टिव फिक्स्ड इफेक्ट्स (Interactive Fixed Effects) हैं।
"छोटा नमूना" जाल (The "Small Sample" Trap): आपके पास अनंत डेटा नहीं है। आपके पास कर्मचारियों की एक सीमित संख्या और वर्षों की एक सीमित संख्या है। जब आप एक साथ प्रत्येक विशिष्ट कर्मचारी के "कौशल" और प्रत्येक विशिष्ट वर्ष के "रुझान" की गणना करने की कोशिश करते हैं, तो आपकी गणित भ्रमित हो जाती है। इसे इंसीडेंटल पैरामीटर प्रॉब्लम (Incidental Parameter Problem) कहा जाता है। यह एक पहेली को हल करने जैसा है जहाँ हर बार जब आप पहेली के एक टुकड़े को हिलाते हैं, तो पूरे पहेली की तस्वीर थोड़ी बदल जाती है, जिससे आपका अंतिम उत्तर पक्षपाती (गलत) हो जाता है।

पुराने तरीके बनाम नया तरीका

लंबे समय तक, अर्थशास्त्रियों ने इस "छोटे नमूने के जाल" को ठीक करने के लिए दो मुख्य उपकरणों का उपयोग किया:

विश्लेणात्मक समाधान (The Analytical Fix): यह अनुमान लगाने के लिए एक जटिल गणितीय सूत्र लिखने की कोशिश करना कि उत्तर कितना गलत होगा और उसे घटा देना। लेखक कहते हैं कि यह एक लीक होती छत को ठीक करने के लिए हर एक बारिश की बूंद के सटीक प्रक्षेपवक्र (trajectory) की गणना करने जैसा है। यह अविश्वसनीय रूप से जटिल, अस्थिर है और बहुत कम डेटा होने पर अक्सर विफल हो जाता है।
जैकनीफ (The Jackknife): इसमें अपने डेटा को छोटे टुकड़ों में काटना, प्रत्येक टुकड़े के लिए पहेली को हल करना और परिणामों का औसत निकालना शामिल है। यह सूत्र की तुलना में आसान है, लेकिन यह एक पूरी पिज्जा का आकार अनुमान लगाने के लिए उसके स्लाइस खाने जैसा है; आप बहुत सारा "क्रस्ट" (जानकारी) खो देते हैं, जिससे आपका अंतिम अनुमान कम सटीक हो जाता है।

शोध पत्र का समाधान: "सिमुलेशन मिरर" (पैरामीट्रिक बूटस्ट्रैप)

लेखक एक स्मार्ट और अधिक सहज दृष्टिकोण प्रस्तावित करते हैं जिसे पैरामीट्रिक बूटस्ट्रैप (Parametric Bootstrap) कहा जाता है।

इसे इस तरह सोचें: आपके पास आपका मूल डेटा (वास्तविक दुनिया) है। आप एक "सिमुलेशन मिरर" बनाते हैं जो इस आधार पर बना है कि दुनिया कैसी दिखती है। फिर आप इस दर्पण में हजारों आभासी प्रयोग चलाते हैं, यह मानकर कि हर बार डेटा थोड़ा अलग है, सिर्फ यह देखने के लिए कि आपका "कौशल" गणना कैसे डगमगाती है।

यह पूर्वाग्रह (bias) को कैसे ठीक करता है: इन हजारों आभासी दर्पणों में अपने व्यवहार को देखकर, आप देख सकते हैं कि आपका अनुमान सत्य से कितना भटकने की प्रवृत्ति रखता है। फिर आप अपने वास्तविक-दुनिया के उत्तर को उस विचलन को रद्द करने के लिए समायोजित करते हैं।
यह बेहतर क्यों है: त्रुटि के लिए एक पूर्ण सूत्र लिखने के बजाय (जो कठिन है), आप बस त्रुटि का सिमुलेशन करते हैं। यह दिमाग में संतुलन के भौतिकी (physics) की गणना करने के बजाय गिरने से सीखने जैसा है।

"तिरछापन" की समस्या और "जादुई लेंस"

लेखकों ने एक दुष्प्रभाव देखा: कभी-कभी, ये सिमुलेशन एक "तिरछी" (lopsided) तस्वीर बनाते हैं। कल्पना कीजिए कि आपके आभासी दर्पण दिखाते हैं कि आपका अनुमान आमतौर पर बहुत अधिक होता है, लेकिन कभी-कभी बहुत कम हो जाता है। यह एक तिरछा (skewed) वितरण बनाता है। यदि आप केवल इन दर्पणों का औसत लेते हैं, तो आपका कॉन्फिडेंस इंटरवल (वह सीमा जहाँ आपको लगता है कि सत्य निहित है) बहुत विस्तृत और अत्यधिक सतर्क हो जाता है। यह एक मौसम के पूर्वानुमान जैसा है जो कहता है "बारिश हो सकती है, या यह एक तूफान हो सकता है," इसलिए आप बस घर के अंदर ही रहते हैं।

इसे ठीक करने के लिए, लेखक एक ट्रांसफॉर्मेशन (रूपांतरण) का उपयोग करते हैं।

इसे एक विशेष चश्मे (एक गणितीय रूपांतरण) को पहनने के रूप में सोचें जिसे सिमुलेशन परिणामों को देखने से पहले पहना जाता है। ये चश्मे डेटा को खींचते या सिकोड़ते हैं ताकि "तिरछी" तस्वीर एक सुंदर, सममित (symmetrical) बेल कर्व बन जाए।

परिणाम: आपको अपने उत्तर के लिए बहुत अधिक सटीक और सटीक सीमा प्राप्त होती है। यह देखने के बाद चश्मा उतारने जैसा है, जिससे आपको बिना किसी अनावश्यक "डर" के, सत्य की एक स्पष्ट और सटीक तस्वीर मिलती है।

वास्तविक दुनिया का परीक्षण: नवाचार और पेटेंट

अपने तरीके को सिद्ध करने के लिए, लेखकों ने एक वास्तविक दुनिया के प्रश्न पर इसे लागू किया: क्या कंपनियां अधिक आविष्कार करती हैं जब उनके पड़ोसी आविष्कार करते हैं?

उन्होंने 20 वर्षों के डेटा से 328 अमेरिकी फर्मों का अध्ययन किया। वे देखना चाहते थे कि क्या "तकनीकी स्पिलओवर" (समान तकनीक वाली कंपनियों के साथ विचार साझा करना) मदद करता है, और क्या "उत्पाद बाजार स्पिलओवर" (एक ही ग्राहकों के लिए लड़ना) नुकसान पहुँचाता है।

उन्होंने क्या पाया:
- टेक स्पिलओवर: हाँ! जब समान कंपनियां नवाचार करती हैं, तो यह सभी की मदद करता है। नए तरीके ने इसे स्पष्ट रूप से पुष्ट किया।
- मार्केट स्पिलओवर: नहीं। एक ही ग्राहकों के लिए लड़ने से कंपनियों के नए चीजें बनाने में बाधा नहीं आई।
तुलना: जब उन्होंने पुराने, जटिल सूत्रों का उपयोग किया, तो "टेक स्पिलओवर" प्रभाव बहुत बड़ा दिखाई दिया। जब उन्होंने अपने नए "सिमुलेशन मिरर" तरीके का उपयोग किया, तो प्रभाव अभी भी सकारात्मक और महत्वपूर्ण था, लेकिन अधिक मध्यम और यथार्थवादी था। नए तरीके ने उन्हें अधिक विश्वास दिया कि परिणाम केवल खराब गणित का नतीजा नहीं था।

निचोड़ (The Bottom Line)

यह शोध पत्र जटिल सूत्रों के बजाय कंप्यूटर सिमुलेशन का उपयोग करके अर्थशास्त्र में बिखरे हुए, पक्षपाती गणित को ठीक करने का एक तरीका पेश करता है। यह एक नाजुक, हाथ से गणना किए गए मानचित्र के बजाय एक जीपीएस (GPS) का उपयोग करने जैसा है जो सबसे सटीक पथ खोजने के लिए हजारों मार्गों का सिमुलेशन करता है। यह तब बेहतर काम करता है जब डेटा कम होता है, और थोड़े से "लेंस समायोजन" के साथ, यह हमें सबसे सटीक उत्तर देता है।

यहाँ Xu, Miao, Dhaene, और Beyhum के शोध पत्र "Bootstrap Inference in Nonlinear Panel Data Models with Interactive Fixed Effects" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र इंटरैक्टिव फिक्स्ड इफेक्ट्स (interactive fixed effects) वाले नॉनलीन पैनल डेटा मॉडल में इन्सिडेंटल पैरामीटर समस्या (incidental parameter problem) को संबोधित करता है।

संदर्भ: उन मॉडलों में जहाँ अनऑब्जर्व्ड हेटेरोजेनिटी (unobserved heterogeneity) को एक फैक्टर स्ट्रक्चर (व्यक्तिगत प्रभाव $\alpha_i$ और समय प्रभाव $\gamma_t$ जो $\alpha_i'\gamma_t$ के रूप में इंटरैक्ट करते हैं) द्वारा कैप्चर किया जाता है, वहां कॉमन पैरामीटर्स ( $\beta_0$ ) के लिए मैक्सिमम लाइकलीहुड एस्टिमेटर (MLE) सीमित नमूनों (finite samples) में पक्षपाती (biased) होता है। यह पक्षपात $N, T \to \infty$ (विशेष रूप से जब $T/N \to \kappa$ ) होने पर भी बना रहता है, जिससे मानक अनुमान (standard inference) अमान्य हो जाता है।
मौजूदा विधियों की सीमाएँ:
- एनालिटिकल करेक्शन (Analytical Corrections): इनके लिए लाइकलीहुड फंक्शन के जटिल, उच्च-क्रम डेरिवेटिव्स (तीसरे क्रम तक) को प्राप्त करने की आवश्यकता होती है, जो संख्यात्मक रूप से अस्थिर (numerically unstable) हो सकते हैं और जिन्हें लागू करना कठिन हो सकता है।
- जैकनीफ मेथड्स (Jackknife Methods): हालांकि इन्हें लागू करना आसान है, लेकिन ये अक्सर सीमित नमूनों में दक्षता की हानि (efficiency losses) का शिकार होते हैं और अभी भी कॉन्फिडेंस इंटरवल के लिए नॉर्मल एप्रोक्सिमेशन पर निर्भर करते हैं।
- ऑप्टिमाइजेशन संबंधी मुद्दे: नॉनलीन फैक्टर मॉडल्स में लॉग-लाइकलीहुड फंक्शन आमतौर पर नॉन-कॉन्केव (non-concave) होता है, जिससे मानक एल्गोरिदम का उपयोग करके ग्लोबल मैक्सिमाइज़र तक अभिसरण (convergence) सुनिश्चित करना कठिन हो जाता है।

2. कार्यप्रणाली (Methodology)

लेखक वैध अनुमान प्राप्त करने के लिए एक पैरामीट्रिक बूटस्ट्रैप फ्रेमवर्क (parametric bootstrap framework) को ट्रांसफॉर्मेशन-आधारित दृष्टिकोण (transformation-based approach) के साथ प्रस्तावित करते हैं।

A. एस्टीमेशन रणनीति (दो-चरणीय MLE)

लाइकलीहुड फंक्शन की नॉन-कॉन्केविटी को संबोधित करने के लिए, लेखक ज़ेलीनिव और झांग (2026) द्वारा प्रस्तावित न्यूक्लियर-नॉर्म पेनलाइज्ड एस्टिमेटर (nuclear-norm penalized estimator) को एक शुरुआती बिंदु के रूप में अपनाते हैं:

चरण 1: एक कंसिस्टेंट इनिशियल एस्टिमेटर प्राप्त करने के लिए न्यूक्लियर-नॉर्म पेनल्टी का उपयोग करके एक कॉनवेक्स ऑप्टिमाइज़ेशन समस्या को हल करें, जो प्रायिकता एक (probability one) के साथ ग्लोबल मैक्सिमाइज़र की ओर अभिसरित होता है।
चरण 2: इस इनिशियल एस्टिमेटर का उपयोग ग्रेडिएंट डिसेंट एल्गोरिदम शुरू करने के लिए करें, जिससे कम कंप्यूटेशनल लागत पर ग्लोबल MLE ( $\hat{\theta}$ ) तक अभिसरण सुनिश्चित हो सके।

B. पैरामीट्रिक बूटस्ट्रैप प्रक्रिया (Parametric Bootstrap Procedure)

मुख्य कार्यप्रणाली में अनुमानित पैरामीटर्स के आधार पर $B$ बूटस्ट्रैप सैंपल जेनरेट करना शामिल है:

डेटा जेनरेटिंग प्रोसेस (DGP): मूल कोवेरियेट्स $X_{it}$ और अनुमानित पैरामीटर्स $\hat{\theta}$ पर आधारित बूटस्ट्रैप आउटकम्स $Y^*_{it}$ जेनरेट करें:
$Y^*_{it} | X_{it}, \hat{\beta}, \hat{\alpha}, \hat{\gamma} \sim f(\cdot | X'_{it}\hat{\beta} + \hat{\alpha}'_i \hat{\gamma}_t)$
बूटस्ट्रैप एस्टीमेशन: प्रत्येक बूटस्ट्रैप सैंपल के लिए MLE ( $\hat{\theta}^*$ ) की गणना करें।
बायस करेक्शन (Bias Correction): पक्षपात (bias) का अनुमान बूटस्ट्रैप अनुमानों के औसत और मूल अनुमान के बीच के अंतर द्वारा लगाया जाता है:
$\hat{\beta}_{boot} = 2\hat{\beta} - \frac{1}{B}\sum_{b=1}^B \hat{\beta}^*_b$
कॉन्फिडेंस इंटरवल्स: एसेम्प्टोटिक नॉर्मलिटी पर भरोसा करने के बजाय बूटस्ट्रैप डिस्ट्रीब्यूशन के क्वांटाइल्स (quantiles) से सीधे अंतराल (intervals) का निर्माण करें ( $\hat{\beta}^* - \hat{\beta}$ )।

C. ट्रांसफॉर्मेशन-आधारित स्क्यूनेस करेक्शन (Transformation-Based Skewness Correction)

लेखक देखते हैं कि एस्टिमेटर के वितरण में स्क्यूनेस (skewness) के कारण मानक बूटस्ट्रैप इंटरवल सीमित नमूनों में अत्यधिक रूढ़वादी (overly conservative/over-covering) हो सकते हैं। इसे कम करने के लिए:

वे अंतराल बनाने से पहले एस्टिमेटर पर एक मोनोटोनिक ट्रांसफॉर्मेशन $\phi(\cdot)$ (जैसे, Log, Box-Cox, या Yeo-Johnson) लागू करते हैं।
अंतराल को ट्रांसफॉर्म्ड स्केल पर बनाया जाता है और फिर वापस मैप किया जाता है:
$[\phi^{-1}(2\phi(\hat{\beta}) - Q^*_{\phi(\hat{\beta}^*)}(1-\alpha/2)), \dots]$
यह स्क्यूनेस को कम करता है, जिससे अधिक सटीक कवरेज प्रोबेबिलिटी के साथ टाइट इंटरवल्स प्राप्त होते हैं।

3. प्रमुख सैद्धांतिक योगदान (Key Theoretical Contributions)

लेखक $N, T \to \infty$ के शासन (regime) के तहत, जहाँ $T/N \to \kappa \in (0, \infty)$ है, एक कठोर एसेम्प्टोटिक थ्योरी स्थापित करते हैं:

यूनिफॉर्म एसेम्प्टोटिक नॉर्मलिटी: लेखक सिद्ध करते हैं कि MLE वास्तविक पैरामीटर के पड़ोस में एक यूनिफॉर्म एसेम्प्टोटिक एक्सपेंशन स्वीकार करता है, जो चेन एट अल (2021) और हिगिंस और जोचमैन्स (2024) के पिछले परिणामों का विस्तार करता है।
बूटस्ट्रैप कंसिस्टेंसी: वे प्रदर्शित करते हैं कि $\sqrt{NT}(\hat{\beta}^* - \hat{\beta})$ का पैरामीट्रिक बूटस्ट्रैप डिस्ट्रीब्यूशन $\sqrt{NT}(\hat{\beta} - \beta_0)$ के वास्तविक सैंपलिंग डिस्ट्रीब्यूशन की ओर वीकली कन्वर्ट (converge) होता है।
स्पष्ट बायस करेक्शन के बिना वैधता: महत्वपूर्ण रूप से, बूटस्ट्रैप स्पष्ट बायस करेक्शन के बिना भी एसेम्प्टोटिक रूप से वैध कॉन्फिडेंस इंटरवल प्रदान करता है, क्योंकि बूटस्ट्रैप डिस्ट्रीब्यूशन स्वाभाविक रूप से मूल एस्टिमेटर के बायस स्ट्रक्चर को दोहराता है।
औसत पार्शियल इफेक्ट्स (APEs) तक विस्तार: सिद्धांत को APEs को कवर करने के लिए विस्तारित किया गया है, यह दिखाते हुए कि बूटस्ट्रैप उनके वितरण का लगातार अनुमान लगाता है।

4. सिमुलेशन परिणाम (Simulation Results)

लेखक विभिन्न परिदृश्यों (कोवेरियेट्स स्वतंत्र/फैक्टर्स के साथ सह-संबंधित, आउटलेयर्स, स्पार्स स्पाइक्स) में विभिन्न लॉजिट (Logit) और प्रोबिट (Probit) मॉडल्स के माध्यम से व्यापक मोंटे कार्लो सिमुलेशन आयोजित करते हैं।

बायस रिडक्शन: बूटस्ट्रैप विधि (मीन या मीडियन करेक्शन का उपयोग करके) विशेष रूप से जब $T$ छोटा हो (जैसे, $T=20$ ), तो एनालिटिकल और स्प्लिट-पैनल जैकनीफ करेक्शन की तुलना में बायस को कम करने में लगातार बेहतर प्रदर्शन करती है।
कवरेज सटीकता:
- मानक बूटस्ट्रैप इंटरवल रूढ़वादी (कवरेज > 95%) होने की प्रवृत्ति रखते हैं।
- ट्रांसफॉर्मेशन-आधारित इंटरवल्स (विशेष रूप से Yeo-Johnson और Box-Cox) अंतराल की लंबाई को कम करके और ओवर-कवरेज को ठीक करके प्रदर्शन में काफी सुधार करते हैं, जिससे कवरेज दरें नामांकित (nominal) 95% स्तर के बहुत करीब पहुँच जाती हैं।
मजबूती (Robustness): यह विधि तब भी अच्छा प्रदर्शन करती है जब कोवेरियेट्स अनऑब्जर्व्ड फैक्टर्स के साथ सह-संबंधित होते हैं, एक ऐसा परिदृश्य जहाँ एनालिटिकल करेक्शन अक्सर विफल हो जाते हैं।

5. एम्पेरिकल एप्लीकेशन (Empirical Application)

इस पद्धति को नवाचार व्यवहार (पेटेंटिंग) का अध्ययन करने के लिए 328 अमेरिकी फर्मों (1981-2001) के डेटासेट पर लागू किया गया है, जिसमें लेटेंट हेटेरोजेनिटी (latent heterogeneity) मौजूद है।

उद्देश्य: लेटेंट हेटेरोजेनिटी की उपस्थिति में टेक्नोलॉजिकल स्पिलओवर्स (ज्ञान प्रसार) और प्रोडक्ट मार्केट स्पिलओवर्स (बिजनेस स्टीलिंग) के प्रभावों का अनुमान लगाना।
निष्कर्ष:
- टेक्नोलॉजिकल स्पिलओवर्स: सभी विधियों में सकारात्मक और सांख्यिकीय रूप से महत्वपूर्ण हैं। हालांकि, एनालिटिकल करेक्शन बूटस्ट्रैप की तुलना में परिमाण (magnitude) को बढ़ाकर दिखाता है।
- प्रोडक्ट मार्केट स्पिलओवर्स: सांख्यिकीय रूप से महत्वहीन (insignificant) हैं, जो सुझाव देते हैं कि प्रतिस्पर्धी दबाव इस संदर्भ में पेटेंटिंग को सीधे तौर पर प्रेरित नहीं करते हैं।
- मजबूती: बूटस्ट्रैप परिणाम पिछले अध्ययनों (जैसे, बुर्डा और हार्डिंग, 2013) के गुणात्मक निष्कर्षों की पुष्टि करते हैं, जबकि अधिक विश्वसनीय स्टैंडर्ड एरर्स और बायस-करेक्टेड एस्टिमेट्स प्रदान करते हैं।

6. महत्व (Significance)

व्यावहारिक उपयोगिता: इंटरैक्टिव फिक्स्ड इफेक्ट्स वाले नॉनलीन पैनल मॉडल्स के लिए जटिल एनालिटिकल बायस करेक्शन के एक कम्प्यूटेशनल रूप से व्यवहार्य और मजबूत विकल्प के रूप में कार्य करता है।
सीमित-नमूना प्रदर्शन (Finite-Sample Performance): यह "स्मॉल $T$ " सेटिंग्स में बेहतर प्रदर्शन प्रदर्शित करता है जो माइक्रोइकोनॉमिक डेटा में आम हैं, जहाँ पारंपरिक एसेम्प्टोटिक एप्रोक्सिमेशन विफल हो जाते हैं।
अनुमान में नवाचार: बूटस्ट्रैप स्क्यूनेस को ठीक करने के लिए मोनोटोनिक ट्रांसफॉर्मेशन का परिचय करना सीमित नमूनों में रूढ़वादी अनुमान की समस्या का एक व्यावहारिक समाधान प्रदान करता है।
कंप्यूटेशनल दक्षता: न्यूक्लियर-नॉर्म पेनलाइज्ड एस्टिमेटर को एकीकृत करके, यह पेपर नॉन-कॉन्केव लाइकलीहुड्स में ग्लोबल मैक्सिमाइजेशन समस्या को हल करता है, जिससे बड़े पैमाने के एम्पेरिकल अनुप्रयोगों के लिए बूटस्ट्रैप प्रक्रिया व्यवहार्य हो जाती है।