तकनीकी सारांश: वासेरस्टीन एक्सपोनेंशियल स्मूथिंग (Wasserstein Exponential Smoothing)

समस्या विवरण

वितरण संबंधी समय श्रृंखला (distributional time series) का विश्लेषण—जहाँ अवलोकन प्रायिकता वितरण (probability distributions) होते हैं न कि स्केलर मान—शास्त्रीय समय श्रृंखला पूर्वानुमान से भिन्न अनूठी चुनौतियाँ प्रस्तुत करता है। प्रायिकता वितरणों का स्टेट-स्पेस अनंत-आयामी (infinite-dimensional) होता है और इसमें सदिश-स्थान (vector-space) की संरचना का अभाव होता है जो जोड़ और स्केलर गुणन जैसे मानक संचालन के लिए आवश्यक है। फलस्वरूप, पारंपरिक पूर्वानुमान पद्धतियाँ, जैसे कि ऑटोरेग्रेसिव (AR) मॉडल और एक्सपोनेंशियल स्मूथिंग (ES), सीधे तौर पर लागू नहीं की जा सकतीं। जबकि हालिया साहित्य ने वासेरस्टीन स्पेस में ऑटोरेग्रेसिव ढाँचों को अनुकूलित किया है (जैसे, झांग एट अल., 2022; ज़ु और मुलर, 2023), तुलनात्मक रूप से वितरण संबंधी डेटा के लिए पद्धतिगत टूलकिट अभी भी अल्पविकसित है। विशेष रूप से, वितरण संबंधी डेटा के लिए एक सरल, सुदृढ़ और संक्षिप्त (parsimonious) एनालॉग की उल्लेखनीय अनुपस्थिति है।

कार्यप्रणाली

यह शोध पत्र शास्त्रीय ES के सामान्यीकरण के रूप में वासेरस्टीन एक्सपोनेंशियल स्मूथिंग (WES) का प्रस्ताव करता है, जो $\mathbb{R}$ पर प्रायिकता वितरणों के स्थान $W_2(\mathbb{R})$ पर आधारित है।

मुख्य ढांचा

कार्यप्रणाली यूक्लिडियन स्पेस में शास्त्रीय ES के पुनरावर्ती इंटरपोलेशन (recursive interpolation) को वासेरस्टीन स्पेस में ले जाती है, जहाँ रैखिक इंटरपोलेशन को वासेरस्टीन दूरी के तहत जियोडेसिक इंटरपोलेशन (geodesic interpolation) से बदल दिया जाता है।

1. स्टेट-स्पेस प्रतिनिधित्व: WES प्रक्रिया एक लेटेंट प्रेडिक्टर वितरण $\mu_t$ और एक ऑब्जर्वेबल वितरण $\nu_t$ के विकास को मॉडल करती है। ऑब्जर्वेबल को पिछले प्रेडिक्टर पर लागू किए गए रैंडम पुशफॉरवर्ड मैप (शोर/noise) के माध्यम से उत्पन्न किया जाता है।
2. पुनरावर्ती अपडेट: प्रेडिक्टर $\mu_t$ को पिछले प्रेडिक्टर $\mu_{t-1}$ और वर्तमान अवलोकन $\nu_t$ के बीच वासेरस्टीन जियोडेसिक पर एक मध्यवर्ती बिंदु के रूप में अपडेट किया जाता है। औपचारिक रूप से, स्मूथिंग पैरामीटर $\theta \in (0,1)$ के लिए:
   $$\mu_t = \left( (1-\theta) \cdot \text{Id} + \theta \cdot T_{\mu_{t-1} \to \nu_t} \right) \# \mu_{t-1}$$
   जहाँ $T_{\mu_{t-1} \to \nu_t}$ ऑप्टिमल ट्रांसपोर्ट मैप है और $\#$ पुशफॉरवर्ड ऑपरेशन को दर्शाता है।
3. क्वांटाइल प्रतिनिधित्व: डोमेन की एक-आयामी प्रकृति का लाभ उठाते हुए, लेखक 2-वासेरस्टीन दूरी और क्वांटाइल फलनों के बीच आइसोमेट्री (isometry) का उपयोग करते हैं। यह जटिल वितरण संबंधी पुनरावृत्ति को क्वांटाइल फलनों $U_t$ और अवशेषों (residuals) $F_t$ के संदर्भ में समतुल्य रूप से व्यक्त करने की अनुमति देता है:
   $$U_t(q) = U_{t-1}(q) + \theta F_t(q)$$
   जहाँ $F_t(q) = V_t(q) - U_{t-1}(q)$ क्वांटाइल अवशेष को दर्शाता है। यह स्वरूप शास्त्रीय ES के एरर-करेक्शन रूप को दर्शाता है।

अनुमान (Estimation)

स्मूथिंग पैरामीटर $\theta$ को न्यूनतम वासेरस्टीन भविष्यवाणी त्रुटि (Minimum Wasserstein Prediction Error) को कम करके अनुमानित किया जाता है। डेटा अनुक्रम $\{\nu_t\}_{t=1}^T$ के लिए, एस्टीमेटर $\hat{\theta}_T$ को इस प्रकार परिभाषित किया गया है:
$$\hat{\theta}_T = \arg \min_{\theta \in (0,1)} \frac{1}{T} \sum_{t=0}^{T-1} W_2^2(\mu_t^\theta, \nu_{t+1})$$
क्वांटाइल प्रतिनिधित्व के कारण एक आयाम में यह न्यूनीकरण गणनात्मक रूप से व्यवहार्य है।

प्रमुख योगदान

1. पद्धतिगत विस्तार: शोध पत्र वासेरस्टीन स्पेस के भीतर वितरण संबंधी समय श्रृंखला के लिए एक सिद्धांतपूर्ण एक्सपोनेंशियल स्मूथिंग प्रक्रिया को तैयार करता है, जो शास्त्रीय ES की उच्च संक्षिप्तता (parsimony) को बनाए रखता है (जो एक एकल स्केलर पैरामीटर द्वारा नियंत्रित है)।
2. अनुमान सिद्धांत: यह न्यूनतम वासेरस्टीन दूरी को कम करने पर आधारित स्मूथिंग पैरामीटर के लिए एक सुसंगत (consistent) एस्टीमेटर प्रस्तावित करता है और उसका विश्लेषण करता है।
3. सैद्धांतिक गुण: लेखक निम्नलिखित सैद्धांतिक परिणाम स्थापित करते हैं:
   • फ्रेचेट-मीन स्टेशनैरिटी (Fréchet-Mean Stationarity): दिखाया गया है कि WES प्रक्रिया अपने फ्रेचेट मीन के संदर्भ में स्टेशनरी है।
   • अवशेष ऑटोकोवेरिएंस (Residual Autocovariance): मॉडल-क्वांटाइल अवशेषों में ऑटोकोवेरिएंस का घातीय क्षय (exponential decay) होता है।
   • सुसंगतता (Consistency): न्यूनतम वासेरस्टीन एस्टीमेटर को सुसंगत सिद्ध किया गया है, जो नमूना आकार बढ़ने के साथ वास्तविक पैरामीटर की ओर अभिसरित होता है।
4. अनुभवजन्य सत्यापन: विधि को दो अलग-अलग डोमेन में लागू किया गया है: उच्च-आवृत्ति वित्तीय रिटर्न और घरेलू बिजली मांग के अवशेष।

परिणाम

सिमुलेशन अध्ययन

रैंडम शिफ्ट और रैंडम साइन पुशफॉरवर्ड मैप्स का उपयोग करके किए गए सिमुलेशन दर्शाते हैं कि न्यूनतम वासेरस्टीन एस्टीमेटर अनबायस्ड (unbiased) और सीमित नमूनों में स्थिर है। जैसे-जैसे नमूना आकार बढ़ता है, एस्टीमेटर की परिवर्तनशीलता कम होती जाती है, और अनुमान वास्तविक स्मूथिंग पैरामीटर के आसपास मजबूती से केंद्रित होते हैं।

अनुभवजन्य अनुप्रयोग (Empirical Applications)

लेखकों ने WES की तुलना चार मौजूदा वितरण संबंधी समय श्रृंखला बेंचमार्क से की:

• वासेरस्टीन ऑटोरेग्रेसिव (WAR)
• ऑटोरेग्रेसिव ट्रांसपोर्ट मैप (ATM)
• डिस्ट्रीब्यूशनल ऑटोरेग्रेसिव मॉडल (ODAM)
• डिस्ट्रीब्यूशन-ऑन-डिस्ट्रीब्यूशन रिग्रेशन (DoDRM)

वित्तीय रिटर्न: 10 प्रमुख वैश्विक इक्विटी सूचकांकों के लिए 5-मिनट के लॉग रिटर्न के दैनिक वितरणों का उपयोग करते हुए, WES ने सभी 10 सूचकांकों के लिए सबसे कम मीन वासेरस्टीन प्रेडिक्शन एरर (MWPE) प्राप्त किया। यह 10 में से 8 मामलों में 90% मॉडल कॉन्फिडेंस सेट (MCS) का एकमात्र सदस्य था और अधिकांश डाइबोल्ड-मारियानो परीक्षणों में सांख्यिकीय रूप से सभी बेंचमार्क से बेहतर प्रदर्शन किया।

बिजली की मांग: 10 लंदन के घरों से दैनिक अवशेष मांग वितरणों का उपयोग करते हुए, WES ने फिर से सभी 10 घरों के लिए सबसे कम MWPE प्राप्त किया। यह प्रत्येक घर के लिए 90% MCS में बना रहा, जबकि सर्वश्रेष्ठ प्रदर्शन करने वाला बेंचमार्क (WAR) केवल 10 में से 4 में दिखाई दिया।

महत्व और दावे

शोध पत्र का दावा है कि WES वितरण संबंधी समय श्रृंखला के लिए जटिल ऑटोरेग्रेसिव स्वरूपों के मुकाबले एक सम्मोहक विकल्प प्रदान करता है, विशेष रूप से उन अनुप्रयोगों में जहाँ अनुकूलन क्षमता और सरलता सर्वोपरि है। कार्य का महत्व यहाँ निहित है:

• एक अंतराल को भरना: यह एक व्यापक रूप से उपयोग किए जाने वाले और सुदृढ़ एक्सपोनेंशियल स्मूथिंग तकनीक के लिए एक वितरण संबंधी एनालॉग प्रदान करके एक महत्वपूर्ण पद्धतिगत रिक्तता को भरता है।
• गणना दक्षता: एक-आयामी वासेरस्टीन ज्यामिति का लाभ उठाकर, यह विधि ऑटोरेग्रेसिव ऑपरेटरों या ट्रांसपोर्ट मैप्स के अनुमान के गणनात्मक बोझ से बचती है, और विश्लेषणात्मक रूप से सुलभ रहती है।
• अनुभवजन्य श्रेष्ठता: परिणाम बताते हैं कि WES की संक्षिप्त पुनरावर्ती संरचना अक्सर वित्तीय और गैर-वित्तीय दोनों सेटिंग्स में अधिक परिष्कृत ऑटोरेग्रेसिव बेंचमार्क की तुलना में बेहतर भविष्य कहनेवाला सटीकता प्रदान करती है।

लेखक नोट करते हैं कि वर्तमान ढांचा वासेरस्टीन दूरी और क्वांटाइल $L^2$ दूरी के बीच सटीक आइसोमेट्री पर निर्भरता के कारण एक-आयामी वितरणों तक सीमित है। वे स्वीकार करते हैं कि इसे बहु-आयामी सेटिंग्स ($d > 1$) में विस्तारित करना भविष्य के अनुसंधान के लिए एक गैर-तुच्छ चुनौती बनी हुई है।