📈 economics

Quasi-Bayesian Local Projection Instrumental-Variables Method: Application to Renewable Energy and Electricity Prices

यह शोध पत्र एक अर्ध-बेयसियन (quasi-Bayesian) स्थानीय प्रक्षेप इंस्ट्रूमेंटल-वेरिएबल्स विधि प्रस्तावित करता है जो सीमित नमूनों में अनुमान स्थिरता और निष्कर्षों में सुधार के लिए एक रफनेस-पेनल्टी प्रायर (roughness-penalty prior) के साथ GMM-आधारित अर्ध-पश्च (quasi-posterior) को जोड़ता है, जो सिमुलेशन और डेनिश बिजली बाजारों के एक अनुप्रयोग के माध्यम से अपनी प्रभावशीलता प्रदर्शित करता है।

मूल लेखक: Masahiro Tanaka

प्रकाशित 2026-05-18

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Masahiro Tanaka

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 यह समझने की कोशिश कर रहे हैं कि कोई विशिष्ट घटना, जैसे कि हवा का एक अचानक झोंका, अगले एक सप्ताह के लिए बिजली की कीमत को कैसे बदल देता है। आप जानना चाहते हैं: क्या कीमत तुरंत गिर जाती है? क्या यह कुछ दिनों तक कम रहती है? क्या यह वापस ऊपर आती है?

यह शोध पत्र इस प्रश्न का उत्तर अधिक स्पष्ट रूप से देने के लिए एक नया गणितीय उपकरण पेश करता है, विशेष रूप से तब जब डेटा शोर भरा या "उतार-चढ़ाव वाला" (jittery) हो। यहाँ शोध पत्र के विचारों का सरल उपमाओं (analogies) का उपयोग करके विवरण दिया गया है।

1. समस्या: "उतार-चढ़ाव वाला" पूर्वानुमान (The "Jittery" Forecast)

अर्थशास्त्र में, शोधकर्ता यह देखने के लिए अक्सर लोकल प्रोजेक्शन (Local Projections) नामक एक विधि का उपयोग करते हैं कि किसी घटना का भविष्य पर क्या प्रभाव पड़ता है। इसे हवा के झोंके के बाद हर एक दिन में कीमत की एक फोटो लेने जैसा समझें।

समस्या: क्योंकि बिजली की कीमतें अस्थिर होती हैं (वे बहुत अधिक उछलती-कूदती हैं), ये दैनिक तस्वीरें अव्यवस्थित दिख सकती हैं। एक दिन ऐसा लग सकता है कि कीमत गिरी है, दूसरे दिन ऐसा लग सकता है कि वह बढ़ी है, भले ही वास्तविक रुझान (trend) सुचारू हो। यह बिखरे हुए, हिलते हुए बिंदुओं के बादल के माध्यम से एक चिकनी रेखा खींचने की कोशिश करने जैसा है।
जटिलता: कभी-कभी, जिस "हवा" का हम अध्ययन कर रहे हैं वह केवल यादृच्छिक मौसम नहीं होती; यह अन्य चीजों (जैसे उच्च मांग) से जुड़ी हो सकती है जो कीमतों को भी बदल सकती हैं। इससे यह बताना कठिन हो जाता है कि क्या हवा ने कीमत परिवर्तन का कारण बनाया या किसी और चीज़ ने। इसे ठीक करने के लिए, अर्थशास्त्री "इंस्ट्रूमेंट्स" (instruments) का उपयोग करते हैं (जैसे हवा की गति का उपयोग हवा की क्षमता के शुद्ध माप के रूप में करना) ताकि कारण को अलग किया जा सके।

2. समाधान: एक "स्मूथिंग" लेंस (A "Smoothing" Lens)

लेखक, मसाहिरो तनाका, एक नई विधि प्रस्तावित करते हैं जिसे क्वासी-बायेसियन लोकल प्रोजेक्शन (Quasi-Bayesian Local Projection) कहा जाता है।

उपमा: कल्पना कीजिए कि आप चलती हुई कार के एक हिलते हुए वीडियो को देख रहे हैं। एक मानक विधि हर एक झटके को रिकॉर्ड करने की कोशिश करती है, जिससे वीडियो झटकेदार हो जाता है। नई विधि एक स्मूथिंग लेंस (smoothing lens) की तरह काम करती है। यह मानती है कि वास्तविक दुनिया में, आर्थिक परिवर्तन (जैसे हवा के प्रति कीमतों का समायोजन) यादृच्छिक उछाल के साथ नहीं होते; वे आमतौर पर सुचारू रूप से चलते हैं।
यह कैसे काम करता है: यह विधि एक "रफनेस पेनल्टी" (roughness penalty) का उपयोग करती है। इसे एक दिन से दूसरे दिन के बीच मूल्य अनुमानों को जोड़ने वाले रबर बैंड के रूप में समझें। यदि तीसरे दिन का अनुमान दूसरे और चौथे दिन के अनुमान से बहुत अलग है, तो रबर बैंड उसे एक सुचारू पथ की ओर वापस खींच लेगा। यह वास्तविक कहानी को छिपाए बिना "शोर" (noise) को कम करता है।

3. "क्वासी-बायेसियन" क्यों? (Why "Quasi-Bayesian"?)

आमतौर पर, "बायेसियन" विधियों के लिए आपको शुरू करने से पहले इस बारे में बहुत कुछ अनुमान लगाने की आवश्यकता होती है कि डेटा कैसे उत्पन्न होता है। यह शोध पत्र एक "क्वासी" (या "लगभग") दृष्टिकोण का उपयोग करता है।

उपमा: मौसम की भविष्यवाणी करने के लिए पूरे ब्रह्मांड के विस्तृत मॉडल बनाने के बजाय, यह विधि केवल उन विशिष्ट नियमों (गणितीय "मोमेंट्स") को देखती है जो हवा को कीमतों से जोड़ते हैं। फिर यह उन नियमों पर "स्मूथिंग रबर बैंड" लागू करती है।
लाभ: यह मानक सांख्यिकीय विधियों की विश्वसनीयता बनाए रखता है (ताकि हमें पता हो कि परिणाम भरोसेमंद हैं) लेकिन स्मूथिंग तकनीक की स्थिरता भी जोड़ता है। यह एक बहुत ही स्थिर हाथ (मानक सांख्यिकी) के साथ कार चलाने जैसा है, लेकिन लेन में बने रहने के लिए क्रूज कंट्रोल का उपयोग करने जैसा है।

4. वास्तविक दुनिया का परीक्षण: डेनिश बिजली (The Real-World Test: Danish Electricity)

इस विधि को सिद्ध करने के लिए, लेखक ने इसे डेनमार्क के बिजली बाजार पर लागू किया।

सेटअप: डेनमार्क में दो ज़ोन (DK1 और DK2) हैं और यह बहुत अधिक पवन और सौर ऊर्जा का उपयोग करता है। लेखक ने मौसम के डेटा (हवा की गति और धूप) को "इंस्ट्रूमेंट" के रूप में उपयोग किया ताकि यह देखा जा सके कि वास्तविक हवा और सौर उत्पादन ने कई दिनों तक बिजली की कीमतों को कैसे बदला।
निष्कर्ष:
- हवा: जब हवा तेज़ चलती है, तो बिजली की कीमतें अल्पकाल में काफी गिर जाती हैं (पश्चिम में प्रति यूनिट लगभग 8 यूरो कम, पूर्व में 4 यूरो कम)। यह प्रभाव 3-4 दिनों में कम हो जाता है। यह "मेरिट-ऑर्डर प्रभाव" की पुष्टि करता है: सस्ती पवन शक्ति महंगे बिजली संयंत्रों को बाहर कर देती है, जिससे बिल कम हो जाता है।
- सौर ऊर्जा: सौर ऊर्जा का प्रभाव बहुत छोटा था और दैनिक डेटा के साथ इसे स्पष्ट रूप से मापना कठिन था।
- सुचारूता (Smoothness): नई विधि ने इन कीमतों के गिरने का एक बहुत ही साफ, आसानी से पढ़ा जाने वाला ग्राफ तैयार किया, जबकि मानक विधियाँ एक टेढ़ा-मेढ़ा, भ्रमित करने वाला रेखाचित्र प्रदान करतीं।

5. यह क्यों महत्वपूर्ण है?

यह शोध पत्र तर्क देता है कि जब हम अध्ययन करते हैं कि चीजें समय के साथ कैसे बदलती हैं (जैसे किसी झटके के बाद कीमतें), तो हमें केवल प्रत्येक दिन को अलग-तलग नहीं देखना चाहिए।

मुख्य बात: इस "स्मूथिंग" दृष्टिकोण का उपयोग करके, अर्थशास्त्री प्रतिक्रिया के आकार की एक स्पष्ट तस्वीर प्राप्त कर सकते हैं। यह नीति निर्माताओं और बाजार प्रतिभागियों को न केवल यह समझने में मदद करता है कि कीमतें बदलती हैं या नहीं, बल्कि वे समय के साथ कितनी सुचारू रूप से विकसित होती हैं। यह बैटरी स्टोरेज या मौसम बदलने पर ग्रिड के प्रबंधन जैसी चीजों की योजना बनाने के लिए अत्यंत महत्वपूर्ण है।

संक्षेप में: यह शोध पत्र बिंदुओं के बीच रेखा खींचने का एक बेहतर तरीका प्रदान करता है। यह स्वीकार करता है कि डेटा अव्यवस्थित है, वास्तविक कारण को अलग करने के लिए स्मार्ट गणित का उपयोग करता है, और फिर हमें यह दिखाने के लिए एक "स्मूथिंग फ़िल्टर" लागू करता है कि अर्थव्यवस्था वास्तव में किस तरह से प्रतिक्रिया देती है।

तकनीकी सारांश: क्वासी-बायेसियन लोकल प्रोजेक्शन इंस्ट्रुमेंटल-वेरियबल्स विधि

समस्या विवरण
अनुप्रयुक्त अर्थमिति (applied econometrics) में डायनेमिक कॉज़ल प्रभावों का अनुमान लगाने के लिए लोकल प्रोजेक्शन (LP) का उपयोग एक मानक दृष्टिकोण है। जब उपचार चर (treatment variable) एंडोजेनस (endogenous) होता है, तो शोधकर्ता LP के साथ इंस्ट्रुमेंटल वेरियबल्स (IV) को मिलाने के लिए LP–IV एस्टिमेटर्स का उपयोग करते हैं। हालांकि, मानक LP–IV की एक महत्वपूर्ण सीमा यह है कि विभिन्न क्षितिजों (horizons) पर अनुमान स्वतंत्र रूप से गणना किए जाते हैं। परिमित नमूनों (finite samples) में, विशेष रूप से उच्च-आवृत्ति वाले डेटा और कम सिग्नल-टू-नॉइज़ अनुपात के साथ, यह स्वतंत्रता नमूना शोर (sampling noise) पैदा करती है जो अनियमित और व्याख्या करने में कठिन इम्पल्स रिस्पांस फंक्शन्स (IRFs) बनाती है। इसके अलावा, मानक निष्कर्ष अक्सर पॉइंटवाइज कॉन्फिडेंस इंटरवल्स पर निर्भर करते हैं, जो एक प्रतिक्रिया प्रक्षेपवक्र (response trajectory) में अंतर्निहित क्रॉस-क्षितिज सहसंबंध (cross-horizon correlation) को ध्यान में रखने में विफल रहते हैं, जिससे समग्र गतिशील प्रभाव के आकार के बारे में भ्रामक निष्कर्ष निकल सकते हैं।

कार्यप्रणाली
यह शोध पत्र एक क्वासी-बायेसियन LP–IV ढांचे का प्रस्ताव करता है जो IV अनुमान के पहचान गुणों (identification properties) को बनाए रखते हुए क्षितिजों के बीच इम्पल्स रिस्पॉन्स को नियमित (regularize) करता है। यह कार्यप्रणाली तीन मुख्य घटकों को एकीकृत करती है:

मोमेंट-आधारित क्वासी-पोस्टीरियर: Chernozhukov & Hong (2003) के अनुसरण में, यह दृष्टिकोण IV मोमेंट कंडीशंस से प्राप्त जनरलाइज्ड मेथड ऑफ मोमेंट्स (GMM) ऑब्जेक्टिव फंक्शन का उपयोग करके एक क्वासी-पोस्टीरियर वितरण का निर्माण करता है। यह पूर्ण लाइकलीहुड स्पेसिफिकेशन की आवश्यकता के बिना, लाइकलीहुड मिसस्पेसिफिकेशन के विरुद्ध IV पहचान की मजबूती को बनाए रखता है।
- क्वासी-पोस्टीरियर को इस प्रकार परिभाषित किया गया है:
  $\pi(\theta) \propto \exp\left\{ -\frac{T}{2} \bar{m}(\theta)^\top W \bar{m}(\theta) \right\} p(\theta)$
  जहाँ $\bar{m}(\theta)$ सैंपल मोमेंट कंडीशंस है, $W$ एक वेटिंग मैट्रिक्स है, और $p(\theta)$ एक प्रायर (prior) है।
रफनेस-पेनल्टी प्रायर (Roughness-Penalty Prior): क्षितिज-विशिष्ट अनुमानों में शोर को संबोधित करने के लिए, शोध पत्र एक रफनेस-पेनल्टी के साथ एक उचित गॉसियन मार्कोव रैंडम फील्ड प्रायर पेश करता है।
- एक गुणांक पथ $\theta_j$ के लिए, प्रायर है $\theta_j | \tau_j \sim N(0, \tau_j^2 Q^{-1})$ ।
- प्रिसिजन मैट्रिक्स $Q = D^\top D + \frac{8}{\rho^2}I$ आसन्न अंतरों (प्रथम-क्रम अंतर मैट्रिक्स $D$ के माध्यम से) और समग्र स्तर (रिज टर्म के माध्यम से) को दंडित करता है।
- स्केल पैरामीटर $\tau_j$ एक पदानुक्रमित हाफ-कॉची (hierarchical half-Cauchy) प्रायर का पालन करता है, जिससे डेटा को श्रिंकेज (shrinkage) की डिग्री निर्धारित करने की अनुमति मिलती है। यह एस्टिमेटर को कठोर पैरामीट्रिक प्रतिबंध लागू किए बिना पड़ोसी क्षितिजों से जानकारी उधार लेने में सक्षम बनाता है।
अनुमान और गणना:
- गणना: क्वासी-पोस्टीरियर को गिब्स सैंपलर (Gibbs sampler) का उपयोग करके सैंपल किया जाता है। स्केल पैरामीटर्स के सापेक्ष गुणांकों का कंडीशनल डिस्ट्रीब्यूशन गॉसियन होता है, जो दक्षता के लिए प्रिसिजन मैट्रिक्स की स्पार्स संरचना का लाभ उठाता है। स्केल पैरामीटर्स को इनवर्स-गामा डिस्ट्रीब्यूशन के स्केल मिक्सचर के माध्यम से अपडेट किया जाता है।
- अनुमान (Inference): जबकि पॉइंट एस्टिमेट्स क्वासी-पोस्टीरियर मीन से प्राप्त होते हैं, अनिश्चितता का निर्धारण फ्रिक्वेंटिस्ट (frequentist) रहता है। यह पेपर स्टैक्ड मोमेंट कंडीशंस पर आधारित सैंडविच कोवेरिएंस मैट्रिक्स का उपयोग करके पॉइंटवाइज कॉन्फिडेंस इंटरवल्स और सिमल्टेनियस कॉन्फिडेंस बैंड्स का निर्माण करता है। यह सुनिश्चित करता है कि अनिश्चितता के उपाय मोमेंट-आधारित एस्टिमेटर की सैंपलिंग परिवर्तनशीलता को दर्शाते हैं, न कि स्मूथिंग पैरामीटर्स के बारे में पोस्टीरियर अनिश्चितता को।

प्रमुख योगदान

कार्यप्रणाली एकीकरण: यह पत्र विशेष रूप से LP–IV के लिए पहला मोमेंट-आधारित क्वासी-बायेसियन फॉर्मूलेशन पेश करता है। मौजूदा बायेसियन LP विधियों (जैसे Tanaka, 2020; Ferreira et al., 2025) के विपरीत, जो नैरेटिव प्रतिबंधों या VARs पर निर्भर हैं, यह दृष्टिकोण सीधे IV मोमेंट प्रतिबंधों को क्वासी-पोस्टीरियर में शामिल करता है।
लाइकलीहुड के बिना रेगुलाइजेशन: यह पूर्ण स्ट्रक्चरल लाइकलीहुड की आवश्यकता के बिना, रफनेस-पेनल्टी प्रायर का उपयोग करके इम्पल्स रिस्पॉन्स को स्मूथ करने का एक तरीका प्रदान करता है, जिससे LP–IV फ्रेमवर्क के लचीलेपन और पहचान के लाभ बने रहते हैं।
संयुक्त अनुमान (Joint Inference): पूरे गुणांक वेक्टर को एक संयुक्त पैरामीटर के रूप में अनुमानित करके, यह ढांचा क्रॉस-क्षितिज निर्भरता को ध्यान में रखते हुए संयुक्त अनुमान (सिमल्टेनियस बैंड्स) की सुविधा प्रदान करता है, जो पॉइंटवाइज अनुमान की ज्ञात सीमा को संबोधित करता है।
एसिम्प्टोटिक इक्विवेलेंस: शोध पत्र स्थापित करता है कि मानक रेगुलैरिटी कंडीशंस के तहत, क्वासी-पोस्टीरियर मीन, मानक GMM एस्टिमेटर के एसिम्प्टोटिक रूप से समतुल्य है, जिससे यह सुनिश्चित होता है कि रेगुलाइजेशन IV एस्टिमेटर के बड़े-नमूने के गुणों से समझौता नहीं करता है।

अनुभवजन्य परिणाम (Empirical Results)
इस विधि को डेनिश थोक बिजली बाजार (DK1 और DK2) के दैनिक डेटा पर विंड और सोलर जनरेशन के डायनेमिक कॉज़ल प्रभाव का अनुमान लगाने के लिए लागू किया गया है।

इंस्ट्रुमेंटेशन: एंडोजेनिटी को संबोधित करने के लिए देखे गए रिन्यूएबल जनरेशन के लिए मौसम-प्रेरित रिन्यूएबल क्षमता (ERA5 रीएनालिसिस डेटा से प्राप्त) का उपयोग एक इंस्ट्रूमेंट के रूप में किया गया है।
निष्कर्ष:
- विंड (Wind): विंड जनरेशन में एक मानक विचलन की वृद्धि से थोक बिजली की कीमतों में तत्काल और महत्वपूर्ण गिरावट आती है (DK1 में लगभग 8 EUR/MWh और DK2 में 4 EUR/MWh)। यह प्रभाव 3-4 दिनों में कम हो जाता है, जो मेरिट-ऑर्डर प्रभाव के अनुरूप है।
- सोलर (Solar): दैनिक डेटा में सोलर जनरेशन का प्रभाव छोटा है और कम सटीक रूप से अनुमानित है, जिसके कॉन्फिडेंस इंटरवल्स अक्सर शून्य को शामिल करते हैं।
- कार्यप्रणाली प्रदर्शन: अनरिस्ट्रिक्टेड GMM एस्टिमेटर की तुलना में रफनेस-पेनल्टी प्रायर के साथ क्वासी-बायेसियन एस्टिमेटर अधिक स्मूथ और व्याख्या योग्य IRF पथ उत्पन्न करता है। सिमुलेशन अध्ययन पुष्टि करते हैं कि यह रेगुलाइजेशन, सैंपलिंग शोर को कम करके, विशेष रूप से मध्यम और लंबे क्षितिजों पर रूट मीन स्क्वेर्ड एरर (RMSE) को कम करता है।

महत्व और दावे
यह शोध पत्र यह दावा करता है कि यह गैर-पैरामीट्रिक LP के लचीलेपन और रेगुलाइजेशन की स्थिरता के बीच संतुलन बनाने वाला एक उपकरण प्रदान करके इम्पल्स-रिस्पॉन्स अनुमान के क्षेत्र को आगे बढ़ाता है।

अर्थशास्त्रीय महत्व: यह प्रदर्शित करता है कि क्वासी-बायेसियन रेगुलाइजेशन, केवल स्केलर गुणांकों के बजाय क्षितिज द्वारा इंडेक्स किए गए मापदंडों (paths) के लिए प्रभावी है। यह IV विधियों के पहचान गारंटी से समझौता किए बिना बेहतर परिमित-नमूना प्रदर्शन (कम RMSE) प्रदान करता है और संयुक्त अनुमान की सुविधा देता है।
नीतिगत महत्व: इसका अनुभवजन्य अनुप्रयोग इस बात पर प्रकाश डालता है कि नवीकरणीय ऊर्जा एकीकरण न केवल तत्काल कीमतों को बल्कि अल्पकालिक मूल्य गतिशीलता (price dynamics) को भी प्रभावित करता है। निष्कर्ष बताते हैं कि मेरिट-ऑर्डर प्रभाव अल्प क्षितिज पर सबसे प्रासंगिक है, जिसका उच्च नवीकरणीय पैठ वाले बिजली प्रणालियों में बैलेंसिंग मार्केट, स्टोरेज प्रोत्साहन और जोखिम प्रबंधन रणनीतियों के लिए निहितार्थ है।

लेखक एक मध्यम रुख बनाए रखते हैं, यह नोट करते हुए कि यह विधि पॉइंट एस्टीमेशन के लिए एक रेगुलाइजेशन टूल है जबकि पहचान IV मोमेंट कंडीशंस पर निर्भर करती है। वे स्वीकार करते हैं कि इंस्ट्रूमेंट्स "वेदर-इनोवेशन" के बजाय "वेदर-स्टेट" इंस्ट्रूमेंट्स के रूप में कार्य करते हैं, और परिणामों की व्याख्या एक कंडीशनल एक्सक्लूजन रिस्ट्रिक्शन के तहत की जाती है। भविष्य के अनुसंधान दिशाओं में ओवर-आइडेंटिफाइड सिस्टम के लिए ढांचे का विस्तार करना और कमजोर इंस्ट्रूमेंट्स के लिए प्रक्रियाओं को विकसित करना शामिल है।