📊 statistics

Variance Deltas for Visualizing and Explaining Posterior Uncertainty

यह शोध पत्र "वेरिएंस डेल्टाज़" (variance deltas) को प्रस्तुत करता है, जो एक संवादात्मक सॉफ़्टवेयर सिस्टम है जो अनऑब्ज़र्वेशनल अध्ययनों में पोस्टीरियर अनिश्चितता को विज़ुअलाइज़ और स्पष्ट करता है, जिसमें अनऑब्ज़र्व्ड जानकारी को एक ट्री स्ट्रक्चर में व्यवस्थित किया गया है ताकि यह पहचाना जा सके कि कौन से मिसिंग डेटा सबसेट्स रुचि के मात्राओं (quantities of interest) के बारे में अनिश्चितता को सबसे सार्थक रूप से कम करेंगे।

मूल लेखक: Collin Cademartori

प्रकाशित 2026-06-26

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Collin Cademartori

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 एक रहस्य सुलझाने की कोशिश कर रहे हैं, लेकिन आपके पास सबूत अधूरे हैं। आपके पास इस बात का एक संदेह है कि अपराधी कौन है (आपका "क्वांटिटी ऑफ इंटरेस्ट"), लेकिन आपका आत्मविश्वास डगमगाया हुआ है। आप जानते हैं कि कुछ तो गायब है, लेकिन आप यह नहीं जानते कि क्या गायब है। क्या वह कोई लापता गवाह है? कोई खोया हुआ फिंगरप्रिंट? या कोई छिपा हुआ एलीबाई (alibi)?

यह वह समस्या है जिसका सामना सांख्यिकीविद (statisticians) अवलोकन संबंधी डेटा (observational data) का विश्लेषण करते समय करते हैं। उनके पास एक मॉडल और कुछ डेटा होता है, लेकिन जिस उत्तर की उन्हें आवश्यकता है वह अभी भी धुंधला है। वे जानते हैं कि वे अनिश्चित हैं, लेकिन वे यह समझने में संघर्ष करते हैं कि वे क्यों अनिश्चित हैं और सूचना का वह विशिष्ट टुकड़ा क्या है जो इस कोहरे को साफ कर सकता है।

यह शोध पत्र इस समस्या को हल करने के लिए एक नया टूल पेश करता है जिसे वेरिएंस डेल्टा (Variance Deltas) कहा जाता है। इसे एक "लुप्त सूचना मानचित्र" (Missing Information Map) या एक "सुराग वृक्ष" (Clue Tree) के रूप में सोचें।

मुख्य विचार: नदी का डेल्टा

लेखक, कोलिन कैडेमार्टोरी, एक सुंदर उपमा का उपयोग करते हैं: एक नदी का डेल्टा।

जड़ (The Root): कल्पना करें कि नदी एक एकल बिंदु से शुरू होती है। मानचित्र में, यह आपका मुख्य प्रश्न है (जैसे, "इस नई दवा का प्रभाव क्या है?" या "चुनाव कौन जीतेगा?")।
शाखाएं (The Branches): जैसे-जैसे नदी नीचे की ओर बहती है, यह कई छोटी धाराओं में विभाजित हो जाती है। मानचित्र में, ये शाखाएं लुप्त जानकारी के विभिन्न टुकड़ों का प्रतिनिधित्व करती हैं (जैसे, "ग्रुप A से डेटा," "ग्रुप B से डेटा," या "एक पोलस्टर के सटीक पूर्वाग्रह (bias) को जानना")।
प्रवाह (The Flow): मानचित्र दिखाता है कि प्रत्येक शाखा में कितनी "अनिश्चितता" बह रही है। यदि एक शाखा चौड़ी और कीचड़ भरी है, तो इसका मतलब है कि जानकारी का वह टुकड़ा अत्यंत महत्वपूर्ण है। यदि एक शाखा केवल एक पतली धारा है, तो उस विवरण को जानना बहुत अधिक मदद नहीं करेगा।

यह कैसे काम करता है (जासूस का टूलकिट)

1. "कोहरे" को मापना (अनिश्चितता सूचकांक/Uncertainty Index)
यह प्रणाली लुप्त जानकारी के हर संभावित टुकड़े के लिए एक स्कोर की गणना करती है। यह पूछती है: "यदि मुझे जादुई रूप से यह विशिष्ट तथ्य पता चल जाए, तो मेरे मुख्य प्रश्न के बारे में मेरी उलझन कितनी कम हो जाएगी?"

यदि किसी तथ्य को जानने से उलझन 90% कम हो जाती है, तो यह एक शक्तिशाली सुराग है।
यदि इससे उलझन केवल 1% कम होती है, तो यह एक कमजोर सुराग है।

2. स्वचालित रूप से वृक्ष बनाना
आमतौर पर, एक जासूस को यह अनुमान लगाना पड़ता है कि किन सुरागों की तलाश करनी है। यह टूल यह अनुमान लगाने का काम आपके लिए करता है।

आप कंप्यूटर को बताते हैं: "यहाँ मेरा मुख्य प्रश्न है, और यहाँ डेटा के वे बुनियादी प्रकार हैं जिन्हें मैं इकट्ठा कर सकता हूँ।"
सॉफ़्टवेयर स्वचालित रूप से एक वृक्ष संरचना बनाता है, जो आपके मुख्य प्रश्न को संभावित सुरागों से जोड़ता है। यह यह पता लगाने के लिए कि कौन से सुराग आपस में जुड़े हैं, डेटा के गणितीय "फैमिली ट्री" (variables एक दूसरे पर कैसे निर्भर हैं) का उपयोग करता है।

3. इंटरैक्टिव अन्वेषण (The "What If" Game)
यह सबसे रचनात्मक हिस्सा है। यह टूल केवल एक स्थिर चित्र नहीं है; यह एक इंटरैक्टिव प्लेग्राउंड है।

विभाजन (Splitting): आप एक बड़ी शाखा (जैसे, "सभी राज्यों का डेटा") को विभाजित कर सकते हैं ताकि देख सकें कि क्या "केवल विस्कॉन्सिन का डेटा" ही असली कुंजी है।
विलय (Merging): आप दो छोटी शाखाओं को मिला सकते हैं यह देखने के लिए कि क्या वे मिलकर बेहतर काम करती हैं (जैसे, "विस्कॉन्सिन का डेटा" + "ओहियो का डेटा" एक शक्तिशाली संयोजन हो सकता है)।
शाखन (Branching): आप यह देखने के लिए किसी विशिष्ट सुराग पर ज़ूम इन कर सकते हैं कि क्या उसका एक छोटा सा हिस्सा ही असली नायक है।

शोध पत्र से वास्तविक दुनिया के उदाहरण

लेखक ने इस टूल का परीक्षण दो अलग-अलग "रहस्यों" पर किया:

मामला 1: कॉज़ल इन्फरेंस पहेली (The Causal Inference Puzzle)

रहस्य: क्या एक विशिष्ट उपचार (जैसे, एक नई नीति) ने वास्तव में एक विशिष्ट समूह के लिए परिणाम को बदला?
समस्या: डेटा अव्यवस्थित था। कुछ समूह उपचार से पहले समान दिखते थे लेकिन बाद में अलग तरह से व्यवहार करते थे, जिससे यह बताना कठिन हो गया कि क्या वास्तविक था।
खोज: "क्लू ट्री" ने खुलासा किया कि सबसे बड़ी बाधा केवल "अधिक डेटा" नहीं थी। यह विशेष रूप से उपचारित समूह और दो विशिष्ट नियंत्रण समूहों के बीच छिपे हुए संबंधों के बारे में अनिश्चितता थी। मानचित्र ने दिखाया कि उन विशिष्ट दो समूहों से डेटा एकत्र करना इस समस्या को हल कर देगा, जबकि अन्य समूहों से प्राप्त डेटा बेकार होगा।

मामसा 2: चुनाव पूर्वानुमान (The Election Forecast)

रहस्य: विस्कॉन्सिन में 2016 के अमेरिकी राष्ट्रपति चुनाव कौन जीतेगा?
समस्या: सर्वेक्षण (polls) विरोधाभासी थे, और पूर्वानुमान एक सिक्के के उछाल (coin flip) जैसा था।
खोज: टूल ने दिखाया कि केवल अधिक सर्वेक्षण चलाना बहुत अधिक मदद नहीं करेगा। असली लापता हिस्सा उस राज्य में पोलिंग पद्धति का विशिष्ट पूर्वाग्रह (bias) को समझना था (उदाहरण के लिए, क्या फोन पोल कुछ मतदाताओं को छोड़ रहे हैं?)। एक बार जब आप उस विशिष्ट "बायस" को ध्यान में रखते हैं, तो अनिश्चितता काफी कम हो जाती है। हालांकि, चुनाव से एक सप्ताह पहले तक, अंतिम कुछ दिनों की अप्रत्याशित प्रकृति के कारण, आप कितना जान सकते हैं, इसकी एक सीमा अभी भी बनी हुई थी।

यह क्यों महत्वपूर्ण है

अतीत में, यह पता लगाने के लिए कि एक सांख्यिकीय मॉडल अनिश्चित क्यों है, एक मानव विशेषज्ञ को स्प्रेडशीट को घूरना पड़ता था और अनुमान लगाना पड़ता था। "शायद यदि हमारे पास अधिक डेटा होता? शायद यदि हम मॉडल को बदलते?"

वेरिएंस डेल्टा इस जासूसी कार्य को स्वचालित करता है। यह "अनिश्चितता" की अमूर्त अवधारणा को एक दृश्य मानचित्र में बदल देता है। यह आपको बताता है:

कोहरा कहाँ सबसे घना है।
कौन सा विशिष्ट लापता सूचना का टुकड़ा इसे सबसे अधिक स्पष्ट कर सकता है।
कौन से लापता टुकड़े पीछा करने के लिए समय की बर्बादी हैं।

यह आपके शोध के लिए एक GPS होने जैसा है जो आपको सच तक पहुँचने के लिए बिल्कुल सही रास्ता बताता है, बजाय इसके कि केवल यह कहे, "आप खो गए हैं।"

तकनीकी सारांश: दृश्यता और पश्चवर्ती अनिश्चितता (Posterior Uncertainty) की व्याख्या के लिए वेरिएंस डेल्टा (Variance Deltas)

समस्या विवरण

उन प्रेक्षण संबंधी सेटिंग्स (observational settings) में जहाँ डेटा उत्पन्न करने वाली प्रक्रिया अनियंत्रित और जटिल होती है, रुचि की मात्राओं (quantities of interest) के संबंध में सांख्यिकीय अनिश्चितता अक्सर इतनी अधिक होती है कि वह सार्थक निष्कर्ष निकालने की अनुमति नहीं देती। इसके सामान्य कारणों में अपर्याप्त डेटा, गलत डेटा प्रकार, या गैर-पहचाने गए न्युसेंस पैरामीटर्स (nuisance parameters) शामिल हैं। जबकि अधिक डेटा एकत्र करने या पूर्व जानकारी (prior information) को शामिल करने जैसे उपाय मौजूद हैं, अनिश्चितता को कम करने के लिए आवश्यक विशिष्ट लुप्त जानकारी की पहचान करना कठिन है। मौजूदा विज़ुअलाइज़ेशन उपकरण (जैसे हिस्टोग्राम, स्कैटर प्लॉट्स) बेयसियन अनुमानों (Bayesian inferences) में निहित भिन्नता और अनिश्चितता के कई स्तरों को पकड़ने में विफल रहते हैं। इसके अलावा, अनिश्चितता के लिए स्पष्टीकरण खोजने के लिए आमतौर पर मैन्युअल मॉडल विश्लेषण और पर्याप्त अनुमान लगाने की आवश्यकता होती है, क्योंकि वर्तमान उपकरण यह स्वचालित रूप से नहीं पहचान पाते कि अज्ञात मॉडल मात्राओं या मापदंडों के कौन से उपसमूह (subsets) पश्चवर्ती अनिश्चितता के लिए सबसे अधिक जिम्मेदार हैं।

कार्यप्रणाली

यह शोध पत्र वेरिएंस डेल्टा (variance deltas) का प्रस्ताव करता है, जो एक इंटरैक्टिव विज़ुअलाइज़ेशन सिस्टम है जिसे बेयसियन ढांचे के भीतर पश्चवर्ती अनिश्चितता के स्पष्टीकरणों की खोज को संरचित और आंशिक रूप से स्वचालित करने के लिए डिज़ाइन किया गया है। इस सिस्टम को एक सॉफ़्टवेयर पैकेज, variance-deltas के रूप में कार्यान्वित किया गया है।

मुख्य अवधारणाएं

अनिश्चितता सूचकांक ( $U^2_I$ ): सिस्टम अज्ञातों के एक उपसमूह $\psi_I$ (जहाँ $I \subseteq I^* \setminus \{i_\theta\}$ ) की $\theta$ के संबंध में व्याख्यात्मक शक्ति को मापता है। इस सूचकांक को $\psi_I$ के दिए होने पर $\theta$ के अपेक्षित पश्चवर्ती प्रसरण (expected posterior variance) के रूप में परिभाषित किया गया है, जिसे कुल पश्चवर्ती प्रसरण द्वारा सामान्यीकृत (normalized) किया गया है:
$U^2_I = \frac{E[\text{Var}(\theta \mid y, \psi_I) \mid y]}{\text{Var}(\theta \mid y)}$
एक कम $U^2_I$ यह दर्शाता है कि $\psi_I$ को देखने से $\theta$ के बारे में अनिश्चितता काफी कम हो जाएगी। यह सोबोल इंडेक्स (Sobol' index) से संबंधित है, जो $\psi_I$ के प्रति सप्रतिबंध माध्य (conditional mean) $E[\theta \mid y, \psi_I]$ की संवेदनशीलता को मापता है।
डिस्ट्रीब्यूटरी ट्रीज़ (Distributary Trees): विज़ुअलाइज़ेशन एक 'डिस्ट्रीब्यूटरी ट्री' के रूप में होता जिसका मूल (root) रुचि की मात्रा $\theta$ है। गैर-मूल नोड्स अज्ञातों के उपसमूहों (स्पष्टीकरणों) का प्रतिनिधित्व करते हैं। ट्री संरचना मॉडल के गुणनखंडन (factorization) से प्राप्त सशर्त स्वतंत्रता संबंधों (conditional independence relationships) को एनकोड करती है। रूट से लीव्स (leaves) तक के पथ मार्कोव श्रृंखलाओं (Markov chains) का प्रतिनिधित्व करते हैं, जो सूचना के घटते प्रवाह को दर्शाते हैं। एक नोड की क्षैतिज स्थिति उसके रूट अनिश्चितता सूचकांक (मानक विचलन पैमाने पर) के अनुरूप होती है।
निर्माण एल्गोरिदम:
- गुणनखंडन और ग्राफ (Factorization and Graphs): विधि कारकों $F$ के ऊपर पश्चवर्ती घनत्व के गुणनखंडन का उपयोग करती है। एक फैक्टर ग्राफ ( $G_F$ ) और एक मार्कोव ग्राफ ( $M_F$ ) बनाया जाता है जहाँ वर्टिकल मॉडल मात्राओं का प्रतिनिधित्व करते हैं और किनारे (edges) निर्भरताओं का प्रतिनिधित्व करते हैं।
- विशिष्टता माप (Specificity Measure): बहुत व्यापक स्पष्टीकरणों (जैसे "सारा डेटा") से बचने के लिए, सिस्टम एक "लाइकलीहुड विशिष्टता" माप ( $S_{lik}$ ) का उपयोग करता है। यह फैक्टर ग्राफ में लाइकलीहुड कारकों और अज्ञातों के सेट के बीच की दूरी को मापता है। वे स्पष्टीकरण जिनमें लाइकलीहुड कारकों के एक छोटे सेट से संबंधित मात्राएँ शामिल हैं, अधिक विशिष्ट और उपयोगी माने जाते हैं।
- ट्री जनरेशन: एल्गोरिदम 1 का उपयोग करके, सिस्टम मार्कोव ग्राफ में से रूट ( $\theta$ ) से लीफ नोड्स (परिकल्पित डेटा या विशिष्ट पैरामीटर) तक मार्कोव श्रृंखलाएं बनाने के लिए विभाजक सेटों (separating sets) को पुनरावृत्ति से खोजता है जो मार्कोव स्थिति को संतुष्ट करते हैं। एल्गोरिदम 2 फिर इन श्रृंखलाओं को एक एकल डिस्ट्रीब्यूटरी ट्री में जोड़ने (grafting) का कार्य करता है।
- अनुमान (Estimation): ओवरफिटिंग बायस से बचने के लिए डेटा-स्प्लिटिंग रणनीति का उपयोग करके अनिश्चितता सूचकांकों का अनुमान लगाया जाता है। सप्रतिबंध प्रत्याशा (conditional expectation) $E[\theta \mid \psi_I]$ का अनुमान लगाने के लिए एक रैंडम फॉरेस्ट रिग्रेसर का उपयोग किया जाता है।
इंटरैक्टिव ऑपरेशन्स: उपयोगकर्ता बेहतर स्पष्टीकरण खोजने के लिए ट्री को रूपांतरित करने के लिए निम्नलिखित इंटरैक्टिव कार्यों का उपयोग कर सकते हैं:
- ब्रांचिंग (Branching): यह परीक्षण करने के लिए कि क्या एक छोटा सेट लगभग उतना ही व्याख्यात्मक है, किसी नोड के अज्ञातों के उपसमूहों को जोड़ना।
- सबडिवाइडिंग (Subdividing): पैरेंट और चाइल्ड अनिश्चितता स्तरों के बीच के अंतर को विभाजित करने के लिए मध्यवर्ती नोड्स डालना।
- मर्जिंग (Merging): दो स्पष्टीकरणों के संघ (union) को यह परीक्षण करने के लिए जोड़ना कि क्या वे अनिश्चितता में कमी के अंतर को पाट सकते हैं।

प्रमुख योगदान

स्पष्टीकरणों की स्वचालित खोज: सिस्टम न्यूनतम उपयोगकर्ता इनपुट (रूट और लीफ नोड्स) से अज्ञातों के उम्मीदवार उपसमूहों को उत्पन्न करने और उन्हें अनिश्चितता की व्याख्या करने की उनकी क्षमता के आधार पर एक ट्री में व्यवस्थित करने को स्वचालित करता है।
इंटरैक्टिव अन्वेषण: यह उपयोगकर्ताओं को मैन्युअल अनुमान के बिना संभावित स्पष्टीकरणों के स्थान को कुशलतापूर्वक नेविगेट करने की अनुमति देने के लिए ब्रांचिंग, सबडिवाइडिंग और मर्जिंग जैसे कार्यों का एक सेट प्रदान करता है।
सैद्धांतिक आधार: यह शोध पत्र "डिस्ट्रीब्यूटरी ट्रीज़" के गणितीय गुणों को स्थापित करता है, यह सिद्ध करते हुए कि वे वैध मार्कोव श्रृंखला गुणों को बनाए रखते हैं और निर्माण एल्गोरिदम वैध विभाजक ट्री (separating trees) बनाते हैं।
सॉफ्टवेयर कार्यान्वयन: लेखक variance-deltas R पैकेज प्रदान करते हैं, जिससे चित्रों का पुनर्निर्माण और नए मॉडलों पर अनुप्रयोग संभव होता है।

परिणाम और अनुप्रयोग

लेखक दो केस स्टडीज के माध्यम से सिस्टम की उपयोगिता प्रदर्शित करते हैं:

सिम्युलेटेड कॉज़ल इन्फरेंस (पैनल डेटा):
- संदर्भ: पैनल डेटा के साथ एक सिंथेटिक कंट्रोल सेटिंग में ट्रीटमेंट इफेक्ट का अनुमान लगाना।
- निष्कर्ष: वेरिएंस डेल्टा ने खुलासा किया कि जबकि व्यक्तिगत इकाइयों ने बहुत कम जानकारी प्रदान की, विशिष्ट इकाइयों (1, 2, और 3) से काल्पनिक डेटा को मिलाने से अनिश्चितता काफी कम हो गई।
- अंतर्दृष्टि: विश्लेषण ने पहचान की कि प्राथमिक बाधा डेटा की मात्रा नहीं थी, बल्कि उपचारित इकाई (treated unit) और नियंत्रण इकाइयों के बीच लैटेंट कोरिलेशन (loadings) के बारे में अनिश्चितता थी। इन लोडिंग्स के सटीक ज्ञान ने अपेक्षित अनिश्चितता को उसके मूल स्तर के लगभग एक चौथाई तक कम कर दिया।
पोलिंग मॉडल (2016 अमेरिकी राष्ट्रपति चुनाव):
- संदर्भ: कई स्रोतों के पूर्वाग्रह (पोलर प्रभाव, मोड प्रभाव, नॉन-रिस्पॉन्स आदि) वाले जटिल डायनेमिक बेयसियन मॉडल का उपयोग करके विस्कॉन्सिन में डेमोक्रेटिक वोट शेयर का पूर्वानुमान लगाना।
- निष्कर्ष: सिस्टम ने निर्धारित किया कि चुनाव से एक सप्ताह पहले अतिरिक्त पोल कराने से पूर्वानुमान की सटीकता में न्यूनतम सुधार होगा।
- अंतर्दृष्टि: अनिश्चितता मुख्य रूप से स्टेट-लेवल मेजरमेंट एरर ( $\xi$ ) और टेम्पोरल एक्सट्रपलेशन अनिश्चितता द्वारा संचालित थी। विश्लेषण ने दिखाया कि परफेक्ट बायस पैरामीटर्स के पूर्ण ज्ञान के बावजूद, चुनाव के दिन के परिणाम को प्री-इलेक्शन डेटा से पूरी तरह से अनुमान लगाने की अक्षमता के कारण एक महत्वपूर्ण हिस्सा अनिश्चितता बनी रहती है। हालांकि, नए पोल को स्टेट-लेवल मेजरमेंट एरर के बारे में जानकारी के साथ मिलाने से अनिश्चितता को काफी कम किया जा सकता है।

महत्व और सीमाएं

यह शोध पत्र दावा करता है कि वेरिएंस डेल्टा स्थिर पश्चवर्ती विज़ुअलाइज़ेशन से आगे बढ़कर अनिश्चितता के गैर-स्पष्ट स्पष्टीकरणों को सक्रिय रूप से "खोजने" का एक नया तरीका प्रदान करता है। लुप्त जानकारी की खोज को संरचित करके, यह पद्धति विश्लेषकों को यह निर्धारित करने में मदद करती है कि क्या अधिक डेटा एकत्र करना व्यवहार्य है या क्या मॉडल को स्वयं पुनर्गठित करने की आवश्यकता है (जैसे, गैर-पहचान को संबोधित करना)।

लेखक विनम्रतापूर्वक सीमाओं को नोट करते हैं:

ग्राफ डेंसिटी: विधि की प्रभावशीलता अंतर्निहित मार्कोव ग्राफ की विरलता (sparsity) पर निर्भर करती है। अत्यधिक घने ग्राफों (जैसे बड़े रिग्रेशन) में, परिणामी ट्री बहुत उथले हो सकते हैं या स्पष्टीकरण सेट बहुत बड़े हो सकते हैं।
अनुमान (Approximation): विधि रैंडम फॉरेस्ट जैसे रिग्रेशन के माध्यम से सशर्त प्रत्याशा का अनुमान लगाने पर निर्भर करती है, जो पूर्वाग्रह पेश कर सकता है यदि एस्टिमेटर का मीन स्क्वेर्ड एरर शून्य नहीं होता है, हालांकि डेटा-स्प्लिटिंग दृष्टिकोण यह सुनिश्चित करता है कि एस्टिमेटर रूढ़िवादी (conservative) है (अनिश्चितता में कमी को बढ़ा-चढ़ाकर बताने के बजाय कम बताने की संभावना)।
ग्लोबल पैरामीटर्स: कुछ अत्यधिक जुड़े हुए "ग्लोबल" वर्टिक्स वाले "लगभग स्पार्स" ग्राफों के लिए, लेखक एक सैद्धांतिक विस्तार (एल्गोरिदम 3) प्रस्तावित करते हैं ताकि इन वर्टिक्स पर कंडीशन किया जा सके, हालांकि व्यावहारिक कार्यान्वयन चुनौतियां बनी हुई हैं।

यह कार्य 'बेयसियन वर्कफ़्लो' के व्यापक साहित्य में खुद को स्थापित करता है, जो shinystan और bayesplot जैसे उपकरणों का विस्तार करता है, जिनका ध्यान केवल विज़ुअलाइज़ेशन या डायग्नोस्टिक चेकिंग के बजाय विशेष रूप से अनिश्चितता के स्पष्टीकरण पर केंद्रित है।