📊 statistics

Dynamic Mini Max Design and Sequential HB Inference for Repeated Surveys

यह शोध पत्र बार-बार होने वाले सर्वेक्षणों के लिए एक डायनेमिक मिनी-मैक्स (DMM) ढांचे को प्रस्तुत करता है जो लागत को लगभग 6.3% कम करने के लिए नमूना आकार और वेव ओवरलैप को संयुक्त रूप से अनुकूलित करता है, जबकि ऑस्ट्रेलियाई जनगणना डेटा और सिमुलेशन के माध्यम से प्रदर्शित किया गया है कि यह शास्त्रीय डिजाइनों की तुलना में जनसंख्या स्तरों और गतिविधियों दोनों के लिए बेहतर सटीकता सुनिश्चित करता है।

मूल लेखक: Siu-Ming Tam

प्रकाशित 2026-06-03

📖 6 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 आप एक विशाल, निरंतर चलने वाले सर्वेक्षण के प्रबंधक हैं, जैसे कि कोई राष्ट्रीय जनगणना या मासिक रोजगार जांच। आपका काम देश की अर्थव्यवस्था का एक स्नैपशॉट प्राप्त करने के लिए हजारों लोगों से प्रश्न पूछना है। आपके पास दो मुख्य लक्ष्य हैं:

स्नैपशॉट (तस्वीर): अभी इस समय कितने लोग कार्यरत हैं?
मूवी (फिल्म): पिछले महीने से रोजगार में कैसे बदलाव आया है?

यह शोध पत्र इस तरह के सर्वेक्षणों को चलाने का एक नया, स्मार्ट तरीका पेश करता है जिसे डायनेमिक मिनी-मैक्स (Dynamic Mini-Max - DMM) कहा जाता है। इसे एक "गोल्डिलॉक्स" रणनीति के रूप में सोचें जो सटीक उत्तर प्राप्त करने के लिए पर्याप्त लोगों से सवाल पूछने और पैसा बर्बाद करने या बहुत अधिक लोगों को परेशान करने के बीच एक आदर्श संतुलन बनाती है।

यह नया सिस्टम इस नए तरीके को कैसे समझाता है, इसके लिए सरल उपमाओं का उपयोग किया गया है:

1. पुराना तरीका बनाम नया तरीका

पुराना तरीका (क्लासिकल डिज़ाइन):
कल्पना कीजिए कि आप हर महीने भीड़ की एक फोटो ले रहे हैं। एक अच्छी तस्वीर पाने के लिए, आप फोटोग्राफरों की एक निश्चित संख्या नियुक्त करते हैं (एक निश्चित सैंपल साइज)। यह देखने के लिए कि भीड़ कैसे बदली, आप पिछले महीने के कुछ फोटोग्राफरों को ही अगले महीने के लिए बनाए रखने की कोशिश करते हैं।

समस्या: यह तरीका कठोर है। यह अक्सर बहुत अधिक लोगों को नियुक्त करता है (पैसा बर्बाद करता है) या बदलाव को सटीक रूप से ट्रैक करने के लिए पर्याप्त पुराने लोगों को बनाए नहीं रखता है। इसके अलावा, "कितना बदलाव हुआ" इसकी गणना करने वाला पुराना गणित अक्सर इस तथ्य को नजरअंदाज कर देता है कि भीड़ खुद भी बेतरतीब ढंग से बदल रही है, जिससे कॉन्फिडेंस इंटरवल (विश्वास अंतराल) बहुत संकीर्ण (अति-आत्मविश्वासी) हो जाते हैं।

नया तरीका (डायनेमिक मिनी-मैक्स):
यह एक स्मार्ट, अनुकूलनीय (adaptive) प्रणाली है। यह केवल लोगों की संख्या नहीं चुनता; बल्कि यह गणना करता है कि आवश्यक सटीक संख्या कितनी है और पिछले महीने के कितने लोगों को बनाए रखना है।

"मिनी-मैक्स" नाम का अर्थ: इसे एक रस्सी पर चलने वाले (tightrope walker) के रूप में सोचें। रस्सी पर चलने वाला व्यक्ति "मैक्स" जोखिम (त्रुटि) को कम करने और "कॉस्ट" (लागत) को कम करने के बीच संतुलन बनाना चाहता है। यह प्रणाली लगातार रस्सी को इस तरह समायोजित करती है कि त्रुटि कभी बहुत बड़ी न हो, लेकिन लागत यथासंभव कम रहे।

2. दो-भाग वाला इंजन

DMM फ्रेमवर्क दो गियरों के तालमेल पर चलता जो एक साथ काम करते हैं:

गियर A: स्मार्ट प्लानर (डायनेमिक मिनी-मैक्स डिज़ाइन)

सर्वेक्षण शुरू होने से पहले, यह प्लानर बजट और नियमों को देखता है। यह पूछता है: "यदि मैं 42,000 के बजाय 40,000 लोगों का इंटरव्यू लेता हूँ, और पिछले महीने के 90% लोगों को बनाए रखता हूँ, तो क्या मुझे अभी भी एक अच्छा उत्तर मिलेगा?"

परिणाम: पेपर के परीक्षण में, इस प्लानर ने पाया कि वे सभी सटीकता नियमों को पूरा करते हुए अपने सैंपल साइज को लगभग 4% कम कर सकते थे (कुल लागत में लगभग 6% की बचत करते हुए)। यह ऐसा है जैसे यह महसूस करना कि गेम का अच्छा दृश्य पाने के लिए आपको पूरे स्टेडियम को भरने की आवश्यकता नहीं है; आपको बस सही सीटों की आवश्यकता है।

गियर B: टाइम ट्रैवलर (सीक्वेंशियल हिरार्किकल बेयस अपडेट)

यह समय के साथ होने वाले परिवर्तनों को ट्रैक करने के लिए "सीक्रेट सॉस" (गुप्त नुस्खा) है।

उपमा: कल्पना कीजिए कि आप मौसम की भविष्यवाणी करने की कोशिश कर रहे हैं। पुराना तरीका केवल आज के तापमान को देखता है। नया तरीका आज के तापमान के साथ-साथ कल, पिछले सप्ताह और पिछले महीने के मौसम की "याददाश्त" को भी देखता है।
यह कैसे काम करता है: यह सिस्टम जानकारी को आगे बढ़ाने के लिए एक "मेमोरी मॉडल" (जिसे AR(1) मॉडल कहा जाता है) का उपयोग करता है। यह प्रत्येक महीने को एक नई शुरुआत के रूप में नहीं देखता। इसके बजाय, यह कहता है, "हम जानते हैं कि पिछले महीने जनसंख्या कैसी थी; आइए उस ज्ञान का उपयोग इस महीने को समझने में मदद के लिए करें।"
लाभ: यह सिस्टम को "बदलाव" (मूवमेंट) को ट्रैक करने में पुराने तरीके की तुलना में बहुत अधिक सटीक बनाता है।

3. बड़ी जीत: मूवमेंट को ट्रैक करना

पेपर यह रेखांकित करता है कि दोनों तरीके "मूवमेंट" (समय के साथ परिवर्तन) को कैसे संभालते हैं।

पुराने तरीके की अंध बिंदु (Blind Spot): पुराना तरीका केवल इस बात पर आधारित अनिश्चितता की गणना करता है कि कितने लोगों का इंटरव्यू लिया गया। यह मानता है कि जनसंख्या एक स्थिर पेंटिंग है। यदि जनसंख्या वास्तव में एक चलती-फिरती फिल्म है, तो पुराना तरीका भ्रमित हो जाता है और जोखिम को कम करके आंकता है। पेपर के परीक्षण में, पुराना तरीका केवल 82% से 96% बार ही "बदलाव" को सही ढंग से पकड़ सका।
नए तरीके की सफलता: DMM विधि "सैंपलिंग शोर" (लोगों का इंटरव्यू लेना) और "पॉपुलेशन शोर" (तथ्य कि जनसंख्या स्वयं बदल रही है) दोनों को ध्यान में रखती है। परीक्षण में, इस नए तरीके ने "बदलाव" को 100% बार सही पकड़ा।
रूपक (Metaphor): यदि पुराना तरीका किसी कार की गति को केवल एक फोटो देखकर मापने जैसा है, तो नया तरीका एक वीडियो देखने जैसा है। यह समझता है कि कार चल रही है, इसलिए यह गति को सही ढंग से मापता है।

4. "बर्डन" (बोझ) और "बजट" के नियम

यह प्रणाली बहुत व्यावहारिक भी है। यह दो वास्तविक दुनिया की सीमाओं का सम्मान करती है:

उत्तरदाता का बोझ (Respondent Burden): आप उन्हीं लोगों से हमेशा वही सवाल नहीं पूछ सकते, अन्यथा वे परेशान होकर छोड़ देंगे। सिस्टम एक "कैप" (सीमा) निर्धारित करता है (जैसे, 90% से अधिक पुराने लोगों को न रखें) ताकि नई आवाज़ें सुनी जा सकें।
बजट: इसका खर्च करने की एक सख्त सीमा है। यह स्वचालित रूप से नए लोगों को काम पर रखने (महंगा) के बजाय पुराने लोगों को बनाए रखने (सस्ता) के लिए पैसा स्थानांतरित करता है, जब तक कि सटीकता के नियमों का पालन किया जा रहा हो।

परिणामों का सारांश

ऑस्ट्रेलियाई डेटा के एक सिमुलेशन में:

लागत बचत: नए तरीके ने मानक पद्धति की तुलना में फील्डवर्क लागत में लगभग 6.3% की बचत की।
सटीकता: यह वर्तमान स्थिति (लेवल) को मापने में पुराने तरीके के समान ही अच्छा था।
बदलाव में श्रेष्ठता: यह "बदलाव" (मूवमेंट) को मापने में कहीं अधिक श्रेष्ठ था, जिसने सिमुलेशन में पूर्ण कवरेज हासिल किया जहाँ पुराना तरीका 95% कॉन्फिडेंस टारगेट तक पहुँचने में विफल रहा था।

संक्षेप में: यह पेपर बार-बार होने वाले सर्वेक्षणों को चलाने का एक स्मार्ट, अधिक लचीला तरीका प्रस्तावित करता है। यह सैंपल साइज को कम करने (पैसे बचाने) के लिए पिछले डेटा की "याददाश्त" का उपयोग करता है, जबकि साथ ही समय के साथ होने वाले "बदलाव" के अनुमानों को बहुत अधिक विश्वसनीय बनाता है। यह एक स्थिर मानचित्र से लाइव GPS में अपग्रेड करने जैसा है जो जानता है कि ट्रैफिक चल रहा है।

तकनीकी सारांश: बार-बार होने वाले सर्वेक्षणों के लिए डायनेमिक मिनी-मैक्स डिज़ाइन और अनुक्रमिक HB अनुमान (Sequential HB Inference)

समस्या विवरण
राष्ट्रीय सांख्यिकीय कार्यालय (NSOs) जो बार-बार होने वाले सर्वेक्षणों का संचालन करते हैं, उन्हें एक दोहरी चुनौती का सामना करना पड़ता है: प्रत्येक लहर (wave) में जनसंख्या स्तरों के विश्वसनीय अनुमान प्राप्त करना और क्रमिक लहरों के बीच परिवर्तनों (movements) का सटीक अनुमान लगाना। जहाँ क्रॉस-सेक्शनल डिज़ाइन केवल स्तरों (levels) पर ध्यान केंद्रित करते हैं, वहीं बार-बार होने वाले सर्वेक्षणों के लिए स्तरों और परिवर्तनों दोनों के लिए एक साथ परिशुद्धता (precision) की आवश्यकता होती है। परिवर्तन के अनुमानों की परिशुद्धता न केवल नमूना आकार (sample size) पर, बल्कि लहरों के बीच नमूना ओवरलैप (sample overlap) की डिग्री पर भी निर्भर करती है। मौजूदा साहित्य अक्सर इन समस्याओं को अलग-अलग मानता है या स्थिर आवंटन (static allocation) और पूर्वव्यापी अनुमान (retrospective estimation) पर निर्भर रहता है। विशेष रूप से, शास्त्रीय रोटेशन डिज़ाइन (जैसे पैटरसन, 1950; राव और ग्राहम, 1964) मॉडल-आधारित परिशुद्धता को शामिल किए बिना एक निश्चित नमूना आकार के लिए ओवरलैप को अनुकूलित करते हैं, जबकि कंपोजिट एस्टीमेशन विधियाँ भविष्योन्मुखी डिज़ाइन (prospective design) को संबोधित नहीं करती हैं। इसके अलावा, परिवर्तनों के लिए शास्त्रीय कॉन्फिडेंस इंटरवल आमतौर पर केवल सैंपलिंग वेरिएंस (sampling variance) को ध्यान में रखते हैं, और टेम्पोरल डायनेमिक्स से उत्पन्न होने वाले मॉडल वेरिएंस घटक (model variance component) की अनदेखी करते हैं, जिससे अंडर-कवरेज हो सकता है जब जनसंख्या पैरामीटर स्टोकेस्टिक रूप से विकसित होते हैं।

कार्यप्रणाली (Methodology)
यह शोध पत्र एक डायनेमिक मिनी-मैक्स (DMM) ढांचे का प्रस्ताव करता है जो एक डायनेमिक मिनी-मैक्स डिज़ाइन को सीक्वेंशियल हायरार्किकल बेयस अपडेट (SHBU) के साथ एकीकृत करता है। यह ढांचा स्ट्रैटम स्तर पर एक तीन-घटक पदानुक्रमित बेयस (Hierarchical Bayes - HB) स्टेट-स्पेस मॉडल का उपयोग करके स्टैटिक मिनी-मैक्स दृष्टिकोण (टैम, 2026a) को बार-बार होने वाले सर्वेक्षण सेटिंग में विस्तारित करता है:

सैंपलिंग मॉडल: प्रभावी नमूना आकार (effective sample sizes) के माध्यम से जटिल सर्वेक्षण डिज़ाइनों (क्लस्टरिंग) को ध्यान में रखता है। यह बाइनरी वेरिएबल्स के लिए लॉगिट स्केल पर बिनोमियल लाइकलीहुड (Binomial likelihood) और निरंतर वेरिएबल्स के लिए फे-हेरियट नॉर्मल मॉडल (Fay–Herriot normal model) का उपयोग करता है।
लिंकिंग मॉडल: ऑक्सिलरी कोवेरिएट्स और रैंडम इफेक्ट्स का उपयोग करके एक लहर के भीतर स्ट्रेटा के बीच शक्ति उधार लेता है (borrows strength)।
प्रोपगेशन मॉडल: एक AR(1) प्रक्रिया जो टेम्पोरल डायनेमिक्स का वर्णन करती है, जो पिछली लहर की स्थिति के आधार पर वर्तमान लहर के लिए एक सूचनात्मक प्रायर (informative prior) के रूप में कार्य करती है।

DMM डिज़ाइन घटक
डिज़ाइन चरण प्रत्येक स्ट्रैटम $h$ के लिए लहर $t$ पर नमूना आकार ( $n_{h,t}$ ) और ओवरलैपिंग इकाइयों की संख्या ( $m_{h,t}$ ) को संयुक्त रूप से अनुकूलित (optimize) करता है। इसका उद्देश्य निम्नलिखित सीमाओं के अधीन कुल फील्डवर्क लागत को कम करना है:

स्तरों (CV) और परिवर्तनों (SE) के लिए एक साथ परिशुद्धता संबंधी बाधाएं।
उत्तरदाता भार सीमा (अधिकतम ओवरलैप अंश $\rho_{max}$ )।
एक कुल फील्डवर्क बजट।

महत्वपूर्ण रूप से, मूवमेंट SE बाधा को एक सैंपलिंग वेरिएंस घटक (जो डिज़ाइन वेरिएबल्स पर निर्भर है) और एक मॉडल वेरिएंस घटक (जो AR(1) और लिंकिंग मॉडल मापदंडों पर निर्भर है, जिन्हें पिछली लहरों से अनुमानित किया गया है) में विभाजित किया गया है। अनुकूलन $(n_{h,t}, m_{h,t})$ को संयुक्त निर्णय चर (joint decision variables) के रूप में मानता है, जबकि शास्त्रीय विधियों में नमूना आकार अक्सर स्थिर होता है।

SHBU घटक
सीक्वेंशियल हायरार्किकल बेयस अपडेट (SHBU) लहर $t-1$ से लहर $t$ तक पोस्टीरियर अनिश्चितता को प्रसारित करता है।

तंत्र (Mechanism): प्रत्येक लहर के लिए स्वतंत्र MCMC श्रृंखला चलाने के बजाय, SHBU लहर $t-1$ के पोस्टीरियर से प्राप्त ड्रॉ (draws) का उपयोग लहर $t$ के प्रायर को कंडिशन करने के लिए करता है। विशेष रूप से, लहर $t-1$ के पोस्टीरियर से प्रत्येक ड्रॉ $b$ के लिए, स्ट्रैटम अवस्थाओं को लहर $t$ के AR(1) प्रायर के लिए फिक्स्ड कंडिशनिंग वैल्यूज के रूप में माना जाता है।
अनुमान (Estimation): यह ढांचा स्तरों और परिवर्तनों के लिए सुसंगत संयुक्त अनुमान (coherent joint estimates) प्रदान करता है। मूवमेंट एस्टीमेटर को युग्मित पोस्टीरियर ड्रॉ ( $\hat{\theta}^{(b)}_{d,t} - \hat{\theta}^{(b)}_{d,t-1}$ ) के अंतर के रूप में परिभाषित किया गया है, जो नमूना ओवरलैप और टेम्पोरल डिपेंडेंस द्वारा प्रेरित पोस्टीरियर कोवेरिएंस को सुरक्षित रखता है।
इंटरवल्स: यह फ्रेमवर्क स्तरों और परिवर्तनों दोनों के लिए कैलिब्रेटेड बेयस इंटरवल्स (CBIs) को परिभाषित करता है। ये इंटरवल स्पष्ट रूप से सैंपलिंग वेरिएंस (डिज़ाइन से) और मॉडल वेरिएंस (HB प्रोपगेशन से) दोनों को शामिल करते हैं, जिससे वैध कवरेज सुनिश्चित होता है जहाँ जनसंख्या समय के साथ विकसित होती है।

प्रमुख योगदान

संयुक्त अनुकूलन: यह शोध पत्र एक ऐसा ढांचा पेश करता है जो स्तरों और परिवर्तनों दोनों के लिए परिशुद्धता लक्ष्यों को पूरा करने के लिए नमूना आकार और ओवरलैप को एक साथ अनुकूलित करता है, जो कि स्टैटिक क्रॉस-सेक्शनल एलोकेशन से भिन्न समस्या है।
सुसंगत निष्कर्ष (Coherent Inference): यह एक एकीकृत निष्कर्षण ढांचा प्रदान करता है जहाँ स्तर और परिवर्तन की अनिश्चितताओं को संयुक्त रूप से मात्राबद्ध किया जाता है। मूवमेंट CBI स्पष्ट रूप से मॉडल वेरिएंस घटक ( $\hat{V}_{mod}$ ) को शामिल करता है, जिसे शास्त्रीय डिज़ाइन-आधारित इंटरवल अनदेखा कर देते हैं।
अनुक्रमिक अपडेटिंग: SHBU बिना किसी एड-हॉक कंपोजिट एस्टीमेटर चेनिंग या ऐतिहासिक डेटा के ट्रंकेशन के, स्वचालित अनुक्रमिक अपडेटिंग की अनुमति देता है, क्योंकि पूर्ण पोस्टीरियर इतिहास AR(1) प्रायर में एनकोडेड होता है।
स्मॉल एरिया एस्टीमेशन: HB लिंकिंग मॉडल का लाभ उठाकर, यह ढांचा विश्वसनीय अनुमानों को सक्षम बनाता है जो शुद्ध डिज़ाइन-आधारित दृष्टिकोण के तहत अत्यधिक बड़े नमूना आकार की आवश्यकता वाले छोटे डोमेन (स्पार्स स्ट्रेटा) के लिए भी उपयोगी है।

परिणाम
इस ढांचे का मूल्यांकन 2021 ऑस्ट्रेलियाई जनगणना माइक्रोडाटा (वेव 1) और सिम्युलेटेड डेटा (वेव्स 2–4) पर आधारित चार-लहर सिमुलेशन का उपयोग करके किया गया था, जिसे ऐतिहासिक ऑस्ट्रेलियाई ब्यूरो ऑफ स्टैटिस्टिक्स लेबर फोर्स सर्वे डायनेमिक्स के अनुरूप कैलिब्रेट किया गया था।

लागत दक्षता: एक शास्त्रीय डिज़ाइन में उपयोग किए गए समान 5% आनुपातिक आवंटन ( $n_A = 24,018$ ) से शुरू करते हुए, DMM ने सभी परिशुद्धता बाधाओं को पूरा करते हुए आवश्यक नमूना आकार को $n^* = 40,251$ तक कम कर दिया (4.2% की कमी)। इसके परिणामस्वरूप फील्डवर्क लागत में लगभग 6.3% की बचत हुई।
लेवल कवरेज: दोनों डिज़ाइनों ने तुलनीय लेवल कवरेज और पॉइंट सटीकता (अधिकतम एब्सोल्यूट रिलेटिव एरर अनुपात 0.844 और 1.263 के बीच) प्राप्त की।
मूवमेंट कवरेज: एक महत्वपूर्ण अंतर देखा गया। DMM ने सभी 27 डोमेन-वेरिएबल सेल्स में 100% मूवमेंट कवरेज प्राप्त किया। इसके विपरीत, शास्त्रीय डिज़ाइन ने केवल 82%–96% कवरेज (राष्ट्रीय स्तर पर 87.5%–95.0%) प्राप्त किया। शास्त्रीय इंटरवल अंडर-कवर हुए क्योंकि वे जनसंख्या के स्टोकेस्टिक विकास में निहित मॉडल वेरिएंस घटक को समझने में विफल रहे।
संवेदनशीलता (Sensitivity): परिणाम दर्शाते हैं कि DMM लेवल इंफरेंस की वैधता AR(1) प्रोपगेशन कोएफिशिएंट के सही कैलिब्रेशन के प्रति संवेदनशील है; मिसस्पेसिफिकेशन कवरेज को खराब कर सकता है।

महत्व
यह शोध पत्र दावा करता है कि DMM ढांचा एक गतिशील वातावरण में स्टैटिक डिज़ाइन और शास्त्रीय निष्कर्ष की सीमाओं को संबोधित करके बार-बार होने वाले सर्वेक्षणों के लिए एक बेहतर दृष्टिकोण प्रदान करता है। इसका प्राथमिक महत्व सुसंगत संयुक्त अनिश्चितता मात्रात्मककरण (coherent joint uncertainty quantification) प्रदान करने में निहित है, जो यह सुनिश्चित करता है कि परिवर्तनों के लिए कॉन्फिडेंस इंटरवल वैध हों, भले ही जनसंख्या पैरामीटर स्टोकेस्टिक रूप से विकसित हो रहे हों। संयुक्त रूप से डिज़ाइन वेरिएबल्स को अनुकूलित करके और अनुक्रमिक बेयियन अपडेटिंग का उपयोग करके, यह ढांचा कई लहरों पर ऐतिहासिक डेटा के ट्रंकेशन या एड-हॉक कंपोजिट एस्टीमेटर चेनिंग की परिचालन जटिलता के बिना लागत बचत प्राप्त करता है और कठोर परिशुद्धता मानकों को बनाए रखता है। शोध पत्र निष्कर्ष निकालता है कि हालांकि यह ढांचा एक स्टेशनरी AR(1) प्रक्रिया की धारणा पर निर्भर है, ऐतिहासिक डेटा की उपलब्धता मिसस्पेसिफिकेशन जोखिमों को कम करने के लिए अनुभवजन्य अंशांकन (empirical calibration) और मॉडल चयन की अनुमति देती है।