Practical Boundary Degeneracy and Reverse-Martingale Limits in Sequential Binary Models

तकनीकी सारांश: अनुक्रमिक द्विआधारी मॉडलों में व्यावहारिक सीमा क्षरण (Boundary Degeneracy) और रिवर्स-मार्टिंगेल सीमाएँ

समस्या विवरण
यह शोध पत्र क्रमिक द्विआधारी डेटा (sequential binary data) में होने वाली एक आवर्ती सांख्यिकीय घटना को संबोधित करता है जहाँ परिमित नमूने (finite samples) "सीमा क्षरण" (boundary degeneracy) का आभास उत्पन्न करते हैं। यह तीन विशिष्ट सेटिंग्स में होता है:

1. बर्नौली परीक्षण (Bernoulli Trials): विफलताओं की एक लंबी श्रृंखला (या सफलताओं की एक लंबी श्रृंखला) एक विश्लेषक को ठीक शून्य (या एक) की प्रायिकता का अनुमान लगाने के लिए प्रेरित करती है।
2. लॉजिस्टिक्स रिग्रेशन (Logistic Regression): पूर्ण या अर्ध-पूर्ण पृथक्करण (complete or quasi-complete separation) फिट किए गए गुणांकों को अपसारी (diverge) बना देता है, जिससे अनुमानित प्रायिकताएँ सीमाओं (0 या 1) की ओर चली जाती हैं।
3. अनुक्रमिक जोखिम प्रक्षेपवक्र (Sequential Risk Trajectories): एक जोखिम स्कोर अंतर्निहित अवस्था के स्थिर होने से पहले ही एक सीमा के करीब पहुँच जाता है।

इन तीनों मामलों में, सटीक सीमा प्रायिकताओं ($p=0$ या $p=1$) की घोषणा करने का प्रलोभन होता है। शोध पत्र का तर्क है कि जबकि परिमित अनुक्रमिक डेटा व्यावहारिक सीमा कथनों (जैसे, $p \le \varepsilon$) को न्यायसंगत ठहरा सकता है, वे सटीक सीमा प्रायिकताओं के लिए प्रमाण प्रदान नहीं करते हैं। मुख्य भ्रम एक परिमित सीमा-निकट अनुमान और उस सीमित सशर्त नियम (limiting conditional law) के बीच के अंतर को मिलाने में है जिस पर प्रक्रिया अभिसरित (converge) होती है।

कार्यप्रणाली और ढांचा
यह शोध पत्र एक रिवर्स-मार्टिंगेल ढांचे (reverse-martingale framework) का उपयोग करते हुए इन तीनों सेटिंग्स को एकीकृत करता है, जो शास्त्रीय रिवर्स-मार्टिंगेल अभिसरण प्रमेय (Doob, 1953; Durrett, 2019) का उपयोग करता है।

• रिवर्स-मार्टिंगेल सूत्रीकरण: मानक फॉरवर्ड फिल्ट्रेशन ($\mathcal{F}_1 \subseteq \mathcal{F}_2 \subseteq \dots$) के बजाय, यह शोध पत्र एक घटते फिल्ट्रेशन ($\mathcal{G}_1 \supseteq \mathcal{G}_2 \supseteq \dots$) पर विचार करता है। एक द्विआधारी परिणाम $Y \in \{0, 1\}$ के लिए, प्रक्रिया $M_n = E(Y | \mathcal{G}_n)$ एक रिवर्स मार्टिंगेल है जो एक सीमा $M_\infty = E(Y | \mathcal{G}_\infty)$ की ओर लगभग सुनिश्चित रूप से (almost surely) अभिसरित होती है।
• क्षरण की परिभाषा (Definition of Degeneracy): सीमा क्षरण को $M_\infty$ के गुण के रूप में पुनर्व्याख्यायित किया गया है, न कि एक परिमित-नमूना घटना के रूप में। एक प्रक्रिया व्यावहारिक रूप से सीमा-क्षरण वाली है यदि $M_\infty \le \varepsilon$ या $M_\infty \ge 1-\varepsilon$ हो।
• तीन-शर्त वाला स्टॉपिंग नियम ($\tau_{RM}$): क्षणिक आभासी निश्चितता और वास्तविक सीमित क्षरण के बीच अंतर करने के लिए, शोध पत्र एक स्टॉपिंग नियम प्रस्तावित करता है जिसमें तीन समानांतर शर्तों की आवश्यकता होती है:
  1. सीमा निकटता ($B_n \le \varepsilon$): वर्तमान अनुमान सीमा के निकट है।
  2. अनिश्चितता चौड़ाई ($W_n \le w$): विश्वास अंतराल (confidence interval) या अनिश्चितता माप पर्याप्त रूप से संकीर्ण है।
  3. प्रक्षेपवक्र स्थिरता ($r_n \le \eta$): प्रक्षेपवक्र स्थिर है, जिसे एक स्थिरता दोष (stability defect) द्वारा मापा जाता है (जैसे, वर्तमान अनुमान और एक पश्चवर्ती औसत या एक गुप्त अवस्था प्रक्षेपण के बीच का अंतर)।

यह दृष्टिकोण शास्त्रीय उपकरणों जैसे कि एक-तरफा बिनोमियल टेस्ट, क्लॉपर-पियर्सन बाउंड्स, कॉन्फिडेंस सीक्वेंस और वाल्ड के अनुक्रमिक संभाव्यता अनुपात परीक्षण (SPRT) का पूरक है, न कि उनका विकल्प। जबकि SPRT सरल-बनाम-सरल परिकल्पना परीक्षण के लिए इष्टतम है, यह मिश्रित एक-तरफा कथनों, लॉजिस्टिक पृथक्करण या प्रक्षेपवक्र स्थिरता को संबोधित नहीं करता है।

प्रमुख योगदान

1. एकीकरण: शोध पत्र बर्नौली ऑल-फेलियर रन, लॉजिस्टिक सेपरेशन और अस्थिर जोखिम प्रक्षेपवक्रों की व्याख्या करने के लिए एक एकल सैद्धांतिक संरचना (रिवर्स मार्टिंगल्स) प्रदान करता है, जो परिमित अनुमानों और सीमित नियमों के बीच के भ्रम को दर्शाता है।
2. परिचालन उपचार (Operational Remedy): यह $\tau_{RM}$ स्टॉपिंग नियम को व्युत्पन्न करता है, जो सीमा निकटता के साथ स्थिरता और अनिश्चितता नियंत्रण की आवश्यकता को अनिवार्य करके समयपूर्व सीमा घोषणाओं को रोकता है।
3. नियमितीकरण अंतर्दृष्टि (Regularization Insight): लॉजिस्टिक रिग्रेशन के संदर्भ में, शोध पत्र नियमित (regularized) अनुमानकों (जैसे, रिज, फर्थ, या बेयसियन प्रायर्स) की वकालत करता है ताकि परिमित फिट की गई प्रायिकताओं को सुनिश्चित किया जा सके, और अपसारी गुणांकों को पृथक्करण के संख्यात्मक आर्टिफैक्ट के रूप में व्याख्यायित करता है न कि सटीक सीमा प्रायिकताओं के प्रमाण के रूप में।

संख्यात्मक परिणाम
शोध पत्र ढांचे को मान्य करने के लिए पांच संख्यात्मक अध्ययन प्रस्तुत करता है:

• बर्नौली दुर्लभ-घटना प्रयोग: यह प्रदर्शित करता है कि जबकि एक साधारण MLE ($\hat{p}_n = 0$) दुर्लभ-घटना नमूनों में अक्सर होता है, एक पूर्व-निर्धारित $\varepsilon$ पर आधारित 'प्रैक्टिकल-जीरो' स्टॉपिंग नियम टाइप-I त्रुटि को नियंत्रित करता है। शून्य के बराबर होने वाले MLE को एक परिमित-नमूना आर्टिफैक्ट के रूप में दिखाया गया है, न कि $p=0$ के प्रमाण के रूप में।
• निम्न- और उच्च-आयामी लॉजिस्टिक रिग्रेशन: यह दिखाता है कि भले ही वास्तविक गुणांक परिमित हों, सहचरों (covariates) के साथ दुर्लभ घटनाएं (विशेष रूप से उच्च आयामों में) "सेपरेशन-जैसे" व्यवहार, जिसमें एक-वर्ग नमूने, गैर-अभिसरण और अत्यधिक फिटेड लॉजिट शामिल हैं, उत्पन्न करती हैं। नियमितीकरण (रिज) इन अनुमानों को स्थिर करता है, अपसारी गुणांकों को परिमित भविष्य कहने वाली प्रायिकताओं में बदल देता है।
• स्थिरता बनाम निकटता: एक नियंत्रित सिमुलेशन में, एक "केवल-सीमा" (boundary-only) नियम एक क्षणिक प्रक्षेपवक्र पर 0.999 की प्रायिकता के साथ रुका, जो बाद में आंतरिक भाग में वापस आ गया। इसके विपरीत, तीन-शर्त वाले नियम ($\tau_{RM}$) ने वास्तव में स्थिर सीमा-अभिसरण प्रक्षेपवस्यों पर 100% स्टॉपिंग पावर बनाए रखते हुए, इस गलत सकारात्मक दर को 0.107 तक कम कर दिया।
• वास्तविक-डेटा चित्रण (RAND हेल्थ इंश्योरेंस एक्सपेरिमेंट): एक दुर्लभ परिणाम (1.5% व्यापकता) वाले वास्तविक डेटासेट का उपयोग करते हुए, अध्ययन पुष्टि करता है कि छोटे उप-नमूने अक्सर अस्थिर, चरम भविष्य कहने वाली प्रायिकताएं उत्पन्न करते हैं। लचीले मॉडल पदों (क्वाड्रेटिक डिज़ाइन) को जोड़ने से यह स्थिति और भी खराब हो जाती है, जो स्थिरता निदान की आवश्यकता को पुख्ता करती है।

महत्व और दावे
शोध पत्र का दावा है कि प्रस्तावित ढांचा सीमा घटनाओं की व्याख्या करने के लिए अधिक विश्वसनीय तरीका प्रदान करता है। इसका प्राथमिक महत्व परिमित सीमा-निकट अनुमानों और सीमित सीमा नियमों के बीच का अंतर है।

लेखक कहते हैं कि स्थिरता के प्रमाण के बिना सीमा निकटता पर कार्य करना समयपूर्व है। रिवर्स-मार्टिंगेल दृष्टिकोण सीमा क्षरण को सीमित सशर्त नियम ($M_\infty$) के गुण के रूप में पुनर्गठित करता है। फलस्वरूप, शोध पत्र का तर्क है कि परिमित नमूने नियंत्रित व्यावहारिक सीमा कथनों (जैसे, "हम आश्वस्त हैं कि $p \le \varepsilon$") को न्यायसंगत ठहराते हैं, लेकिन कभी भी सटीक सीमा प्रायिकताओं को नहीं। इसका परिचालन लाभ क्षणिक आभासी निश्चितता को वास्तविक सीमित क्षरण से अलग करने की क्षमता है, जो अनुक्रमिक निगरानी, अनुकूल उपचार (adaptive treatment) और दुर्लभ-घटना मॉडलिंग में त्रुटिपूर्ण निष्कर्षों को रोकता है।