तकनीकी सारांश: तात्कालिक प्रभावों और चर घातांकीय परिवारों के साथ पहचान योग्य मार्कोव स्विचिंग मॉडल (Identifiable Markov Switching Models with Instantaneous Effects and Exponential Families)

समस्या विवरण

वास्तविक दुनिया के वातावरण में अस्थायी प्रणालियाँ, जैसे कि जलवायु गतिशीलता या टाइप-1 मधुमेह में ग्लूकोज का उतार-चढ़ाव, अक्सर गैर-स्थिर व्यवहार प्रदर्शित करती हैं। एक सामान्य मॉडलिंग रणनीति इस गैर-स्थिरता को असतत गुप्त व्यवस्थाओं (discrete latent regimes) के माध्यम से दर्शाती है, जो मार्कोव स्विचिंग मॉडल (MSMs) की ओर ले जाती है, जो कि ऑटोरेग्रेसिव निर्भरताओं वाले हिडन मार्कोव मॉडल (HMMs) का एक वर्ग है। हालाँकि, इन गुप्त व्यवस्थाओं और अंतर्निहित कारण संरचनाओं (causal structures) की पहचान करना चुनौतीपूर्ण होता है जब:

1. व्यवस्था परिवर्तन (regime switches) बार-बार होते हैं।
2. गतिकी (dynamics) गैर-रैखिक और गैर-गाऊसी (non-Gaussian) होती है।
3. प्रेक्षित चरों के बीच तात्कालिक प्रभाव (instantaneous effects) मौजूद होते हैं (जैसे कि मोटे माप ग्रैनुलैरिटी के कारण जहाँ कारण प्रभाव नमूनाकरण दर से तेज़ होते हैं)।

मौजूदा पहचान योग्य परिणाम परिमित-अवस्था वाले HMMs के लिए सीधे तौर पर MSMs पर लागू नहीं होते हैं क्योंकि प्रेक्षित चरों के बीच ऑटोरेग्रेसिव निर्भरताएँ होती हैं। इसके अलावा, व्यवस्था-स्विचिंग मॉडल पर पिछला कार्य अक्सर गाऊसी परिवेश, नियतात्मक व्यवस्था फलनों (deterministic regime functions) को मानता है, या तात्कालिक प्रभावों और कारण खोज (causal discovery) को बाहर रखता है।

कार्यप्रणाली

सैद्धांतिक ढांचा: पहचान योग्यता (Identifiability)

लेखक विशिष्ट शर्तों के तहत गुप्त व्यवस्थाओं और व्यवस्था-निर्भर कारण संरचनाओं की पहचान योग्यता स्थापित करते हैं। डेटा उत्पन्न करने वाली प्रक्रिया को एक व्यवस्था-स्विचिंग स्ट्रक्चरल कॉज़ल मॉडल (SCM) के रूप में मॉडल किया गया है जहाँ:

• व्यवस्था गतिकी (Regime Dynamics): व्यवस्थाएँ प्रथम-क्रम के स्थिर मार्कोव श्रृंखला का अनुसरण करती हैं (व्यवस्थाओं के बीच निर्भरता की अनुमति है)।
• कारण तंत्र (Causal Mechanisms): प्रत्येक व्यवस्था के भीतर, प्रणाली गैर-रैखिक लैग्ड (lagged) और तात्कालिक प्रभावों के साथ एक स्ट्रक्चरल समीकरण का पालन करती है।
• शोर (Noise): बाह्य शोर एक निरंतर न्यूनतम नियमित घातांकीय परिवार (जैसे, गाऊसी, गामा, लाप्लास) से संबंधित है।

यह शोध पत्र सिद्ध करता है कि प्रेरित MSM क्रमपरिवर्तन तक पहचान योग्य (identifiable up to permutation) है (अर्थात, डेटा लाइकलीहुड गुप्त व्यवस्थाओं और मिश्रण घटकों को अनन्य रूप से निर्धारित करती है, केवल व्यवस्थाओं के पुन: लेबलिंग तक), निम्नलिखित धारणाओं के तहत:

1. घातांकीय परिवार शोर: शोर का पर्याप्त सांख्यिकी (sufficient statistic) वास्तविक-विश्लेषिक (real-analytic) है और इसका एक समृद्ध प्रतिबिंब (rich image) है (एक खुला सेट शामिल है)।
2. कार्यात्मक प्रतिबंध: मैपिंग फलन प्रत्येक व्यवस्था के लिए अद्वितीय हैं, पॉइंटवाइज डिफियोमोर्फिज्म (pointwise diffeomorphisms) के रूप में कार्य करते हैं, और संयुक्त रूप से वास्तविक-विश्लेषिक हैं।
3. शोर ऑटोमोर्फिज्म: शोर वितरण का एक तुच्छ ऑटोमोर्फिज्म क्लास है, या मैपिंग को मोनोटोन कैनोनिकलाइजेशन (जैसे, कोई रोटेशन नहीं) के माध्यम से प्रतिबंधित किया गया है।
4. पर्याप्त परिवर्तनशीलता: व्यवस्था-निर्भर प्रभावों को पर्याप्त सांख्यिकी के परिमित-क्रम बहुपद गुणनखंडन (finite-order polynomial factorization) द्वारा कैप्चर किया जा सकता है, जिससे यह सुनिश्चित होता है कि अलग-अलग व्यवस्थाएँ अलग-अलग प्राकृतिक मापदंडों से मैप होती हैं।

यह सिद्धांत गैर-कालिक मिश्रण (non-temporal mixtures) के कारण मॉडलों को समाहित करता है और पिछले गाऊसी-मात्र परिणामों को व्यापक घातांकीय परिवारों और तात्कालिक प्रभावों तक विस्तारित करता है।

एल्गोरिदम: FlowMSM

इस सिद्धांत को क्रियान्वित करने के लिए, लेखक FlowMSM नामक एक व्यवस्था पहचान ढांचा पेश करते हैं जो व्यवस्था पहचान को कारण खोज से अलग करता है।

• व्यवस्था पहचान (Regime Detection): FlowMSM एक जनरलाइज्ड एक्सपेक्टेशन-मैक्सिमाइजेशन (GEM) एल्गोरिदम का उपयोग करता है। यह प्रारंभिक और संक्रमण वितरणों को कंडीशनल नॉर्मलाइजिंग फ्लो (CNFs), विशेष रूप से न्यूरल स्प्लाइन फ्लो (NSF) का उपयोग करके मॉडल करता है। यह मॉडल को जटिल, गैर-गाऊसी और गैर-रैखिक घनत्वों को कैप्चर करने की अनुमति देता है। फ्लो पैरामीटर व्यवस्था-विशिष्ट एम्बेडिंग और लैग्ड चरों पर आधारित होते हैं, लेकिन व्यवस्थाओं के बीच साझा किए जाते हैं।
• कारण खोज (Causal Discovery): एक बार व्यवस्थाओं की पहचान हो जाने के बाद (MAP असाइनमेंट के माध्यम से), टाइम सीरीज़ को प्रत्येक व्यवस्था के अनुरूप क्लस्टर्स में विभाजित किया जाता है। फिर प्रत्येक क्लस्टर पर स्वतंत्र रूप से मानक स्थिर कारण खोज विधियों (जैसे, VARLiNGUM, DYNOTEARS, Rhino) को लागू किया जाता है ताकि व्यवस्था-निर्भर विंडो ग्राफ प्राप्त किए जा सकें।

मुख्य योगदान

1. पहचान योग्यता सिद्धांत: यह शोध पत्र व्यवस्था निर्भरताओं, गैर-रैखिक लैग्ड/तात्कालिक प्रभावों और घातांकीय परिवार शोर के साथ व्यवस्था-स्विचिंग SCMs की पहचान योग्यता के लिए पर्याप्त स्थितियाँ प्रदान करता है। यह गाऊसी धारणाओं से परे मौजूदा सिद्धांत का सामान्यीकरण करता है।
2. FlowMSM ढांचा: यह विधि गैर-गाऊसी परिवेशों में मजबूत व्यवस्था पहचान के लिए कंडीशनल नॉर्मलाइजिंग फ्लो के साथ GEM को जोड़ने वाला एक अभिनव अनुमान तरीका प्रदान करती है।
3. विच्छेदित दृष्टिकोण (Decoupled Approach): पूर्व विधियों के विपरीत जो प्रतिबंधात्मक मॉडल वर्गों (जैसे, लोकेशन स्केल नॉइज़ मॉडल्स) के भीतर व्यवस्था पहचान और कारण खोज के बीच पुनरावृत्ति करती हैं, FlowMSM इन चरणों को अलग करता है, जिससे कारण मॉडलों के एक व्यापक वर्ग की अनुमति मिलती है।
4. अनुभवजन्य सत्यापन: सिंथेटिक बेंचमार्क और एक वित्तीय अर्थशास्त्र डेटासेट (Fama-French पांच-कारक मॉडल) पर व्यापक प्रयोगों से इस पद्धति की प्रभावशीलता प्रदर्शित होती है।

प्रयोगात्मक परिणाम

सिंथेटिक बेंचमार्क

सिंथेटिक डेटासेट पर प्रयोग किए गए जिसमें $N=100$ टाइम सीरीज़, $T=100$ टाइम स्टेप्स, $D=10$ आयाम और $K=3$ व्यवस्थाएं थीं। डेटासेट्स में शामिल थे:

• गाऊसी और घातांकीय परिवार (Gamma) शोर के साथ लीनियर SVAR।
• घातांकीय परिवार शोर के साथ नॉन-लीनियर एडिटिव नॉइज़ मॉडल्स (ANM)।
• घातांकीय परिवार शोर के साथ लोकेशन स्केल नॉइज़ मॉडल्स (LSNM) (सबसे चुनौतीपूर्ण सेटिंग)।

निष्कर्ष:

• व्यवस्था पहचान: FlowMSM ने सभी सेटिंग्स में उच्च नॉर्मलाइज्ड म्यूचुअल इंफॉर्मेशन (NMI) और एडजस्टेड रैंड इंडेक्स (ARI) स्कोर प्राप्त किया, जो गैर-रैखिक और गैर-गाऊसी परिदृश्यों में बेसलाइन्स (iMSM, R-PCMCI, CASTOR, FANTOM) को काफी पीछे छोड़ देता है। गाऊसी धारणाओं पर आधारित बेसलाइन्स गैर-गाऊसी सेटिंग्स में काफी खराब प्रदर्शन करते हैं।
• कारण खोज: उपयुक्त खोज विधियों (जैसे, गैर-गाऊसी के लिए VARLiNGAM, LSNM के लिए Rhino) के साथ जुड़ने पर, FlowMSM उच्च सटीकता और कम स्ट्रक्चरल हैमिंग डिस्टेंस (SHD) के साथ कारण संरचनाओं को पुनः प्राप्त करता है। बेसलाइन्स आम तौर पर प्रतिस्पर्धी प्रदर्शन प्राप्त करने में विफल रहे, जो संभवतः बार-बार होने वाले व्यवस्था परिवर्तनों और गैर-गाऊसी गतिकी को संभालने में कठिनाइयों के कारण था।
• मजबूती (Robustness): FlowMSM तब भी प्रभावी रहा जब व्यवस्थाओं या लैग्स की संख्या को ओवरस्पेसिफाइड (overspecified) किया गया।

वास्तविक अनुप्रयोग: Fama-French मॉडल

लेखकों ने Fama-French पांच-कारक मॉडल और एप्पल (AAPL) स्टॉक रिटर्न के दैनिक डेटा पर FlowMSM लागू किया।

• व्यवस्था पहचान: FlowMSM ने कम और उच्च बाजार अस्थिरता (जिसमें 2008 का संकट और COVID-19 महामारी शामिल है) के दौर के अनुरूप दो प्रमुख व्यवस्थाओं की पहचान की, जो VIX इंडेक्स के साथ सह-संबंधित थे। अन्य विधियों ने ऐसी व्यवस्थाएं उत्पन्न कीं जो स्पष्ट रूप से बाजार की घटनाओं से मेल नहीं खाती थीं।
• कारण व्याख्या: अनुमानित कारण ग्राफों ने सुझाव दिया कि स्थिर बाजारों (Regime 4) के दौरान, कारण निर्भरताएं अनुपस्थित थीं (कुशल बाजार परिकल्पना के अनुरूप), जबकि बाजार संकट (Regime 5) के दौरान, कारण संबंध उभर आए। हालांकि, लेखक नोट करते हैं कि AAPL रिटर्न को चलाने वाले Fama-French कारकों की कारण व्याख्याएं सीमित थीं और डेटा द्वारा पूरी तरह समर्थित नहीं थीं।

महत्व और दावे

यह शोध पत्र गैर-स्थिर टाइम सीरीज़ के लिए व्यवस्था पहचान के लिए एक सिद्धांतिक ढांचे प्रदान करने का दावा करता है।

• सैद्धांतिक कठोरता: वास्तविक-विश्लेषिकता और घातांकीय परिवार शोर जैसी सौम्य धारणाओं के तहत पहचान योग्यता स्थापित करके, यह कार्य उन संरचनाओं की प्राप्ति को न्यायसंगत बनाता जिन्हें तात्कालिक प्रभावों और व्यवस्था निर्भरताओं की उपस्थिति में पहले पहचान योग्य नहीं माना जाता था।
• व्यावहारिक उपयोगिता: FlowMSM ढांचा जटिल, गैर-गासीय वातावरण में व्यवस्था पहचान और कारण संरचनाओं की खोज के लिए एक व्यावहारिक समाधान प्रदान करता है जहाँ पारंपरिक गाऊसी MSMs विफल हो जाते हैं।
• विनम्रता (Modesty): लेखक सीमाओं को स्वीकार करते हुए, यह नोट करते हैं कि अवलोकन से व्यवस्था स्वतंत्रता ($R_t \not\to X_{0:T}$) की धारणा मजबूत है और यह सिद्धांत वास्तविक-विश्लेषिक डिफियोमोर्फिज्म पर निर्भर करता है। वे यह भी चेतावनी देते हैं कि वास्तविक दुनिया के वित्तीय डेटा में कारण व्याख्याएं सीमित दायरे की हो सकती हैं और मासिक डेटा (कम नमूनों के साथ) सार्थक परिणाम देने में विफल रहा, जो इस दृष्टिकोण की डेटा आवश्यकताओं को रेखांकित करता है।

यह कार्य सभी गैर-स्थिर कारण खोज समस्याओं को हल करने का दावा नहीं करता है, बल्कि एक सैद्धांतिक रूप से स्थापित पहचान योग्यता ढांचे के भीतर घातांकीय धारणाओं को शिथिल करके और स्पष्ट रूप से तात्कालिक प्रभावों को संभालकर एक महत्वपूर्ण कदम प्रस्तुत करता है।