📊 statistics

Extending Prais-Winsten Regression to Panel Data with Higher-Order Autoregressive Errors: A Simulation Study

यह शोध पत्र स्टेटा (Stata) पैकेज `xtpraisk` प्रस्तुत करता है, जो उच्च-क्रम ऑटोरेग्रेसिव त्रुटियों (higher-order autoregressive errors) वाले पैनल डेटा के लिए प्रेज़-विंस्टन (Prais-Winsten) रिग्रेशन का विस्तार करता है, और मोंटे कार्लो सिमुलेशन के माध्यम से यह प्रदर्शित करता है कि यह ड्रिस्कॉल-क्रे (Driscoll-Kraay) एस्टिमेटर (`xtscc`) की तुलना में बेहतर प्रदर्शन करता है, विशेष रूप से उच्च-क्रम ऑटोकोरिलेशन और लघु समय श्रृंखला (short time series) की उपस्थिति में वैध अनुमान बनाए रखते हुए और उच्च सांख्यिकीय शक्ति प्राप्त करते हुए।

मूल लेखक: Ariel Linden

प्रकाशित 2026-06-12

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Ariel Linden

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 जासूस हैं जो समय के साथ विभिन्न मोहल्लों (इन्हें आप "पैनल" कह सकते हैं) से एकत्र किए गए सुरागों की एक श्रृंखला का उपयोग करके एक रहस्य को सुलझाने की कोशिश कर रहे हैं। आपका लक्ष्य यह पता लगाना है कि क्या एक नई नीति (जैसे कि कोई जीवनशैली कार्यक्रम) ने वास्तव में परिणाम (जैसे कि रक्त शर्करा का स्तर) को बदल दिया है।

समस्या यह है कि ये सुराग स्वतंत्र नहीं हैं। मोहल्ला A में कल जो हुआ, वह अक्सर आज जो होता है उसे प्रभावित करता है, और कभी-कभी मोहल्ला A में आज जो होता है वह मोहल्ला B के समान होता है क्योंकि वे एक ही मौसम या अर्थव्यवस्था को साझा करते हैं। सांख्यिकी (statistics) में, हम इसे "सीरियल डिपेंडेंस" (serial dependence) और "क्रॉस-पैनल कोरिलेशन" (cross-panel correlation) कहते हैं।

यह शोध पत्र इस रहस्य को सुलझाने के लिए उपयोग किए जाने वाले दो अलग-अलग डिटेक्टिव टूल्स (सांख्यिकीय विधियों) के बारे में है जब सुराग उलझे हुए और आपस में जुड़े होते हैं।

दो टूल्स (The Two Tools)

"लचीला" टूल (xtscc): इसे एक ऐसे जासूस के रूप में सोचें जो यह अनुमान लगाने से इनकार कर देता है कि सुराग आपस में कैसे जुड़े हैं। इसके बजाय, वह बस अव्यवस्था के सामान्य पैटर्न को देखता है और अराजकता के आधार पर अपने आत्मविश्वास को समायोजित करने की कोशिश करता है। यह एक "नॉन-पैरामीट्रिक" (non-parametric) दृष्टिकोण है, जिसका अर्थ है कि यह इस बात का अनुमान नहीं लगाता कि अतीत भविष्य को प्रभावित करने का कोई विशिष्ट नियम क्या है। यह बहुत लोकप्रिय है क्योंकि इसका उपयोग करना सुरक्षित है जब आप नियमों को नहीं जानते।
"विशेषज्ञ" टूल (xtpraisk): यह एक नया टूल है जिसे शोध पत्र में पेश किया गया है। यह एक ऐसे जासूस की तरह है जो कहता है, "मुझे पता है कि ये सुराग एक विशिष्ट पैटर्न का पालन करते हैं, जैसे कि एक चेन रिएक्शन।" यह मानता है कि सुराग एक विशिष्ट गणितीय नियम (जिसे "ऑटोरेग्रेसिव" प्रक्रिया कहा जाता है) का पालन करते हैं और रहस्य को सुलझाने से पहले उस नियम का उपयोग करके डेटा को साफ करता है। यह एक "पैरामीट्रिक" (parametric) दृष्टिकोण है।

बड़ी समस्या (The Big Problem)

लंबे समय तक, "विशेषज्ञ" टूल केवल सरल श्रृंखलाओं (जहाँ कल का प्रभाव आज पर पड़ता है) को संभाल सकता था। लेकिन वास्तविक दुनिया में, कभी-कभी आज कल और परसों से भी प्रभावित होता है, और शायद उससे भी पहले के दिन से। पुराना विशेषज्ञ टूल इन लंबी श्रृंखलाओं को नहीं संभाल सकता था। "लचीला" टूल उन्हें संभाल सकता था, लेकिन यह धीमा था और कभी-कभी छोटे डेटा सेट के साथ भ्रमित हो जाता था।

लेखक ने विशेषज्ञ टूल का एक उन्नत संस्करण बनाया है (xtpraisk) जो सुरागों की इन लंबी और अधिक जटिल श्रृंखलाओं को संभाल सकता है।

प्रयोग (The Simulation)

लेखक ने केवल अनुमान नहीं लगाया कि कौन सा टूल बेहतर है; उन्होंने एक विशाल कंप्यूटर सिमुलेशन चलाया। कल्पना कीजिए कि उन्होंने अलग-अलग स्थितियों के साथ 20 लाख नकली अपराध स्थल बनाए:

छोटी बनाम लंबी जांच: कुछ में केवल 10 सुराग थे, दूसरों में 100।
सरल बनाम जटिल संबंध: कुछ सुराग केवल पिछले दिन से जुड़े थे; अन्य पिछले 3 दिनों से जुड़े थे।
मजबूत बनाम कमजोर संबंध: कभी-कभी सुराग मजबूती से जुड़े होते थे; कभी-कभी वे ढीले जुड़े होते थे।

उन्होंने यह देखने के लिए दोनों टूल्स का परीक्षण किया कि कौन सच को अधिक बार पाता है (Power) और कौन गलत आरोप लगाता है (Type I Error)।

परिणाम: कौन जीता? (The Results: Who Won?)

1. "विशेषज्ञ" टूल (xtpraisk) स्पष्ट विजेता था।

यह तेज़ और सटीक था: इसने वास्तविक प्रभाव को अधिक बार पाया, तब भी जब सुराग छोटे और बिखरे हुए थे।
यह ईमानदार था: इसने अपने आत्मविश्वास को बढ़ा-चढ़ाकर नहीं बताया। जब इसने कहा, "मैं 95% आश्वस्त हूँ," तो यह वास्तव में 95% बार सही था।
इसने जटिल श्रृंखलाओं को संभाला: भले ही सुराग पिछले 3 दिनों (AR(3)) से जुड़े थे, यह पूरी तरह से काम करता रहा।

2. "लचीला" टूल (xtscc) छोटी जांचों के साथ संघर्ष करता रहा।

यह अति-आत्मविश्वासी हो गया: जब जांच छोटी थी (कम सुराग थे), तो इस टूल ने सोचा कि वह वास्तव में जितना जानता था उससे कहीं अधिक जानता है। इसने अपने "विश्वास" की गणना बहुत कम की, जिससे इसने गलत आरोप लगाए (यह कहना कि एक नीति काम कर रही थी जबकि वह नहीं थी)।
यह जटिलता के साथ बदतर होता गया: जैसे-जैसे सुरागों की श्रृंखला अधिक जटिल होती गई (1 दिन के बजाय 3 दिनों तक पीछे जाना), यह अधिक अति-आत्मविश्वासी और गलत होता गया।
यह समय के साथ सुधरा: यदि जांच बहुत लंबी थी (100 सुराग), तो "लचीला" टूल अंततः बराबरी कर लेता था और अच्छा प्रदर्शन करता था। लेकिन वास्तविक दुनिया में, हमारे पास इतने अधिक सुराग नहीं होते हैं।

शोध पत्र से एक वास्तविक-दुनिया का उदाहरण (A Real-World Analogy)

लेखक ने यह दिखाने के लिए कि वास्तविक जीवन में यह कैसा दिखता है, प्रीडायबिटीज मैनेजमेंट प्रोग्राम के बारे में एक नकली अध्ययन का उपयोग किया।

परिदृश्य: दस स्वास्थ्य प्रणालियों ने एक नया डाइट प्लान आजमाया।
परिणाम: डाइट ने ब्लड शुगर को कम किया, लेकिन डेटा में एक जटिल, दीर्घकालिक "मेमोरी" (उच्च ऑटोकोरिलेशन) थी।
टकराव:
- लचीले टूल ने डेटा देखा और कहा, "यह डाइट काम कर गई! हमें 95% यकीन है!" (इसने बहुत कम मार्जिन ऑफ एरर दिया)।
- विशेषज्ञ टूल ने उसी डेटा को देखा और कहा, "डाइट ने काम किया होगा, लेकिन सबूत कमजोर हैं। हम 100% सुनिश्चित नहीं हो सकते।" (इसने एक बड़ा, अधिक वास्तविक मार्जिन ऑफ एरर दिया)।
सबक: यदि कोई अस्पताल प्रशासक लचीले टूल का उपयोग करता, तो वे गलत आत्मविश्वास के आधार पर इसे हर जगह लागू कर देते। विशेषज्ञ टूल ने सही ढंग से चेतावनी दी कि सबूत अभी पर्याप्त मजबूत नहीं थे।

मुख्य निष्कर्ष (The Bottom Line)

यदि आप किसी समूह के स्थानों (जैसे राज्य, अस्पताल या देश) से समय के साथ डेटा का विश्लेषण कर रहे हैं, और आपको संदेह है कि डेटा में एक "मेमोरी" है जो एक कदम से अधिक पीछे तक जाती है:

नए टूल (xtpraisk) का उपयोग करें। यह अधिक सटीक, अधिक शक्तिशाली है, और आपको यह सोचने के लिए धोखा देने की कम संभावना रखता है कि आपने कुछ ऐसा पा लिया है जो वहां नहीं है, खासकर यदि आपके पास बहुत अधिक डेटा नहीं है।
पुराना टूल (xtscc) ठीक है यदि आपके पास बहुत अधिक डेटा है, लेकिन यदि आपका डेटा सेट छोटा है या कनेक्शन जटिल हैं, तो यह आपको गलत रास्ते पर ले जा सकता है।

शोध पत्र निष्कर्ष निकालता है कि जो शोधकर्ता अपने परिणामों में उच्च सटीकता और विश्वसनीय विश्वास दोनों चाहते हैं, उनके लिए नया टूल बेहतर विकल्प है।

तकनीकी सारांश: उच्च-क्रम ऑटोरेग्रेसिव त्रुटियों वाले पैनल डेटा के लिए प्रेज़-विंस्टन (Prais–Winston) रिग्रेशन का विस्तार

समस्या विवरण
पैनल और क्रॉस-सेक्शनल टाइम-सीरीज (CSTS) डेटा में अक्सर जटिल सीरियल डिपेंडेंस (serial dependence) देखी जाती है, जिसमें यूनिट के भीतर ऑटोकोरिलेशन (within-unit autocorrelation), क्रॉस-यूनिट हेटेरोस्केडैस्टिसिटी (cross-unit heteroskedasticity), और कंटेंपोरनियस कोरिलेशन (contemporaneous correlation) शामिल हैं। जबकि मौजूदा एस्टिमेटर इन मुद्दों को संबोधित करते हैं, जनरललाइज्ड लीस्ट स्क्वायर्स (GLS) फ्रेमवर्क और पैनल-करेक्टेड स्टैंडर्ड एरर्स (PCSEs) के संयोजन के भीतर उच्च-क्रम ऑटोरेग्रेसिव (AR(k), जहाँ $k > 1$ ) त्रुटियों को संभालने में एक महत्वपूर्ण अंतराल बना हुआ है।

मानक बेक-काट्ज़ (Beck–Katz) फ्रेमवर्क (जो स्टेटा के xtpcse में कार्यान्वित है) एक प्रेज़-विंस्टन GLS ट्रांसफॉर्मेशन का उपयोग करता है, लेकिन यह प्रथम-क्रम ऑटोरेग्रेसिव (AR(1)) त्रुटियों तक ही सीमित है। इसके विपरीत, ड्रिसकोल-क्रे (Driscoll–Kraay) एस्टिमेटर (जो xtscc में कार्यान्वित है) मनमाने क्रम की सीरियल डिपेंडेंस के प्रति रोबस्ट एक नॉनपैरामेट्रिक विकल्प प्रदान करता है, लेकिन यह न्यूवे-वेस्ट (Newey–West) शैली के HAC सुधार पर निर्भर करता है। परिणामस्वरूप, शोधकर्ताओं को एक ट्रेड-ऑफ का सामना करना पड़ता है: या तो एक सही ढंग से निर्दिष्ट नॉनपैरामेट्रिक एस्टिमेटर (xtscc) का उपयोग करें या एक मिसस्पेसिफाइड (misspecified) पैरामेट्रिक मॉडल (यह मानकर कि AR(1) मौजूद है जबकि वास्तव में AR(k) है) का उपयोग करें। ऐसा कोई मौजूदा पैनल एस्टिमेटर नहीं है जो AR(k) त्रुटियों के लिए सटीक प्रेज़-विंस्टन GLS ट्रांसफॉर्मेशन को PCSE सैंडविच एस्टिमेटर के साथ जोड़ता हो।

कार्यप्रणाली (Methodology)
इस अंतराल को दूर करने के लिए, लेखक xtpraisk पेश करते हैं, जो एक स्टेटा पैकेज है जो पैनल डेटा के लिए प्रेज़-विंस्टन AR(k) GLS ट्रांसफॉर्मेशन का विस्तार करता है। अनुमान प्रक्रिया में शामिल हैं:

यूल-वॉकर (Yule–Walker) एस्टिमेशन: प्रारंभिक OLS रिग्रेशन से अवशेषों (residuals) का उपयोग करके पैनलों में AR मापदंडों ( $\rho$ ) का पूल्ड एस्टिमेशन।
GLS ट्रांसफॉर्मेशन: डेटा को 'क्वासी-डिफरेंस' (quasi-difference) करने के लिए सटीक प्रेज़-विंस्टन फिल्टर का अनुप्रयोग, जो यूनिट के भीतर की सीरियल डिपेंडेंस को हटा देता है। इसमें प्रत्येक पैनल के पहले $k$ अवलोकनों के लिए AR(k) ऑटोकोवेरिएंस मैट्रिक्स के चोलेस्की फैक्टर (Cholesky factor) का उपयोग करते हुए एक विशिष्ट ट्रांसफॉर्मेशन शामिल है।
PCSE सैंडविच: शेष हेटेरोस्केडैस्टिसिटी और कंटेंपोरनियस क्रॉस-पैनल कोरिलेशन को प्रबंधित करने के लिए बेक-काट्ज़ PCSE एस्टिमेटर का अनुप्रयोग।

xtpraisk के प्रदर्शन का मूल्यांकन एक मोंटे कार्लो सिमुलेशन अध्ययन के माध्यम से xtscc के विरुद्ध किया गया। डिज़ाइन में निम्नलिखित शामिल थे:

ऑटोरेग्रेसिव ऑर्डर्स: $k = 1, 2, 3$ ।
ऑटोकोरिलेशन परिदृश्य: हल्का सकारात्मक (mild positive), ऑसिलेटरी (oscillatory), और उच्च निरंतरता (high persistent)।
आयाम (Dimensions): पैनल आकार ( $N \in \{10, 15, 20\}$ ) और श्रृंखला लंबाई ( $T \in \{10, 20, 30, 50, 75, 100\}$ )।
मेट्रिक्स: सांख्यिकीय शक्ति (statistical power), टाइप I त्रुटि दर (Type I error rate), 95% कॉन्फिडेंस इंटरवल (CI) कवरेज, प्रतिशत बायस (percentage bias), रूट मीन स्क्वेर्ड एरर (RMSE), और स्टैंडर्ड एरर (SE) अनुपात।
रेप्लिकेशन्स: 1,038 अद्वितीय डिज़ाइन स्थितियों में प्रत्येक स्थिति के लिए 2,000 रेप्लिकेशन्स।

पूरक विश्लेषणों ने मॉडल मिसस्पेसिफिकेशन (AR(2) डेटा के लिए AR(1) फिट करना) और एक कॉमन फैक्टर द्वारा प्रेरित क्रॉस-पैनल कोरिलेशन के प्रति संवेदनशीलता की जांच की।

प्रमुख परिणाम

सांख्यिकीय शक्ति (Statistical Power): xtpraisk ने सभी स्थितियों में xtscc की तुलना में लगातार उच्च सांख्यिकीय शक्ति प्रदर्शित की। यह लाभ उच्च निरंतरता वाले ऑटोकोरिलेशन और उच्च AR ऑर्डर्स (जैसे, AR(3)) के तहत अधिक स्पष्ट था। यह शक्ति लाभ वास्तविक GLS दक्षता का प्रतिबिंब है, न कि एंटीकंजर्वेटिव इन्फरेंस का।
अनुमानित वैधता (Type I Error & Coverage): xtpraisk ने सभी श्रृंखला लंबाई और AR ऑर्डर्स के लिए सुव्यवस्थित टाइप I त्रुटि दरों (5% के करीब) और CI कवरेज (95% के करीब) को बनाए रखा। इसके विपरीत, xtscc ने छोटी श्रृंखला लंबाई ( $T < 30$ ) पर व्यवस्थित टाइप I त्रुटि वृद्धि और CI अंडर-कवरेज प्रदर्शित किया, विशेष रूप से जैसे-जैसे AR ऑर्डर बढ़ता गया। उदाहरण के लिए, उच्च निरंतरता के साथ AR(3) के तहत, xtscc का कवरेज $T=10$ पर गिरकर ~84% हो गया। xtscc की ये कमियां $T$ बढ़ने के साथ कम होती गईं, और $T=100$ तक वे नाममात्र स्तरों की ओर अभिसरित (converge) हो गईं।
स्टैंडर्ड एरर कैलिब्रेशन: xtpraisk के लिए SE अनुपात 1.0 के करीब रहा, जो सटीक विचरण अनुमान (variance estimation) को दर्शाता है। xtscc ने छोटी श्रृंखला लंबाई पर व्यवस्थित रूप से स्टैंडर्ड एरर को कम करके आंका (अनुपात 0.70–0.75 जितना कम था), जो यांत्रिक रूप से इसकी बढ़ी हुई टाइप I त्रुटि और खराब कवरेज की व्याख्या करता है।
बायस और RMSE: दोनों एस्टिमेटर्स अनिवार्य रूप से अनबायस्ड (unbiased) थे। हालांकि, xtpraisk ने छोटी श्रृंखला लंबाई पर xtscc की तुलना में कम RMSE दिया, और उच्च निरंतरता वाले ऑटोकोरिलेशन और उच्च AR ऑर्डर्स के तहत यह अंतर और बढ़ गया।
मजबूती (Robustness): xtpraisk AR ऑर्डर मिसस्पेसिफिकेशन (AR(2) डेटा के लिए AR(1) फिट करना) के प्रति भी मजबूत रहा, जिसमें अनुमानित प्रदर्शन में नगण्य गिरावट देखी गई। न तो xtpraisk और न ही xtscc के प्रदर्शन पर पैनल आकार ( $N$ ) या बढ़े हुए क्रॉस-पैनल कोरिलेशन का महत्वपूर्ण प्रभाव पड़ा।

महत्व और दावे
यह पेपर दावा करता है कि xtpraisk उस ट्रेड-ऑफ को हल करता है जो अक्सर टाइम-सीरीज एस्टिमेटर्स में देखा जाता है (शक्ति बनाम अनुमानित वैधता)। पिछले निष्कर्षों के विपरीत जहाँ नॉनपैरामेट्रिक दृष्टिकोणों (जैसे न्यूवे-वेस्ट) ने शक्ति के लिए वैधता का त्याग किया, xtpraisk उच्च शक्ति और सुव्यवस्थित अनुमान दोनों प्राप्त करता है।

लेखक का तर्क है कि जब वैध अनुमान और सांख्यिकीय दक्षता प्राथमिकताएं हों, तो xtpraisk पसंदीदा एस्टिमेटर है, विशेष रूप से उन सामान्य अनुप्रयुक्त अनुसंधान परिदृश्यों में जिनमें छोटी श्रृंखला लंबाई ( $T < 30$ ), उच्च AR ऑर्डर्स और निरंतर ऑटोकोरिलेशन शामिल हैं। अध्ययन सुझाव देता है कि xtscc की अनुमानित कमियां परिमित-नमूना (finite-sample) घटनाएं हैं जो लंबी टाइम सीरीज़ के साथ सुधर जाती हैं, जबकि xtpraisk तत्काल विश्वसनीयता प्रदान करता है। इसके अलावा, क्योंकि xtpraisk $k=1$ होने पर बेक-काट्ज़ एस्टिमेटर को ठीक से पुनरुत्पादित करता है, यह परिचित PCSE फ्रेमवर्क को छोड़े बिना उच्च-क्रम निर्भरता से निपटने वाले शोधकर्ताओं के लिए एक सहज विस्तार प्रदान करता है।