Beyond Equidistant Assumptions: An Autoregressive Ordered Stereotype Model for Ordinal Time Series

तकनीकी सारांश: समदूरस्थ धारणाओं से परे: ऑर्डिनल टाइम सीरीज़ के लिए एक ऑटोरेग्रेसिव ऑर्डर्ड स्टीरियोटाइप मॉडल

समस्या विवरण
ऑर्डिनल टाइम सीरीज़ डेटा, जिसकी विशेषता यह है कि इसके अवलोकन परिमित (finite) क्रमबद्ध श्रेणियों के सेट में होते हैं, स्वास्थ्य सेवा, पर्यावरण विज्ञान और खेल जैसे क्षेत्रों में बार-बार सामने आते हैं। हालांकि विभिन्न मॉडलिंग दृष्टिकोण मौजूद हैं—जिनमें मार्कोव मॉडल, रिग्रेशन मॉडल और डिस्क्रीट ARMA वेरिएंट शामिल हैं—लेकिन उनमें से कई प्रतिबंधात्मक धारणाओं पर आधारित होते हैं। विशेष रूप से, मानक ऑर्डिनल रिग्रेशन मॉडल अक्सर यह मान लेते हैं कि आस-पास की श्रेणियों के बीच की दूरी समदूरस्थ (equidistant) है या कोवेरिएट प्रभाव सभी आउटकम थ्रेशोल्ड्स में समानुपाती (proportional) हैं (जैसा कि प्रोपोरशनल ऑड्स मॉडल में होता है)। लेखक तर्क देते हैं कि ये धारणाएं अक्सर अवास्तविक होती हैं, विशेष रूप से उन अनुप्रयोगों में जहां श्रेणियों के बीच के "दूरी" की व्याख्या महत्वपूर्ण होती है (जैसे, "जागने" से "शांत नींद" में संक्रमण, मध्यवर्ती नींद चरणों के बीच के संक्रमण की तुलना में परिवर्तन के एक अलग परिमाण का प्रतिनिधित्व कर सकता है)। मौजूदा लचीले विकल्प, जैसे कि 'पार्शियल प्रोपोरशनल ऑड्स मॉडल', अक्सर मापदंडों (parameters) की संख्या में भारी दंड (penalty) का सामना करते हैं। यह शोध पत्र एक ऐसे संक्षिप्त (parsimonious) लेकिन लचीले ढांचे की आवश्यकता को संबोधित करता है जो श्रेणियों के बीच समदूरस्थ अंतराल आरोपित किए बिना सीरियल डिपेंडेंस (क्रमिक निर्भरता) को कैप्चर कर सके।

कार्यप्रणाली (Methodology)
यह शोध पत्र ऑटोरेग्रेसिव ऑर्डर्ड स्टीरियोटाइप मॉडल (AR-OSM) का प्रस्ताव करता है, जो एंडरसन (1984) द्वारा क्रॉस-सेक्शनल डेटा के लिए पेश किए गए 'ऑर्डर्ड स्टीरियोटाइप मॉडल' (OSM) का एक विस्तार है।

• मॉडल फॉर्मूलेशन: AR-OSM रिग्रेशन के सिस्टमैटिक कंपोनेंट के भीतर रिस्पॉन्स वेरिएबल के लैग्ड मानों ($Y_{t-1}, \dots, Y_{t-p}$) को कोवेरिएट्स के रूप में शामिल करता है। $q$ श्रेणियों वाली एक ऑर्डिनल टाइम सीरीज़ $Y_t$ के लिए, बेसलाइन श्रेणी (1) के मुकाबले श्रेणी $k$ होने की लॉग-ऑड्स को इस प्रकार मॉडल किया जाता है:
  $$\log \left( \frac{P(Y_t = k | \mathcal{F}_{t-1})}{P(Y_t = 1 | \mathcal{F}_{t-1})} \right) = \alpha_k + \phi_k \sum_{j=1}^p \beta_j Y_{t-j} + \gamma^T X_t$$
  जहाँ $\mathcal{F}_{t-1}$ प्रक्रिया के इतिहास को दर्शाता है।
• मुख्य विशेषता (स्कोर पैरामीटर्स): मॉडल मॉनोटोनिक "स्कोर" पैरामीटर्स $\{\phi_1, \dots, \phi_q\}$ का उपयोग करता है (जिन्हें इस प्रकार प्रतिबंधित किया गया है कि $0 = \phi_1 \le \dots \le \phi_q = 1$)। मानक मॉडलों के विपरीत जो निश्चित, समदूरस्थ अंतराल मानते हैं, ये पैरामीटर्स डेटा को श्रेणियों के बीच सापेक्ष अंतराल निर्धारित करने की अनुमति देते हैं। रिग्रेशन गुणांक $\beta_j$ श्रेणियों में समान होते हैं लेकिन उन्हें श्रेणी-विशिष्ट स्कोर $\phi_k$ द्वारा स्केल किया जाता है।
• अनुमान (Estimation): पैरामीटर अनुमान मैक्सिमम लाइक्लीहुड एस्टीमेशन (MLE) के माध्यम से किया जाता है। अनुकूलन (optimization) के दौरान स्कोर पैरामीटर्स पर मॉनोटोनिसिटी बाधाओं को संभालने के लिए, लेखक फर्नांडीज एट अल. (2016) की एक पुनर्रूपण (reparameterization) रणनीति का उपयोग करते हैं, जिसमें लॉगिट ट्रांसफॉर्मेशन और एक्सपोनेंशियल इंक्रीमेंट्स शामिल हैं, जो प्रतिबंधित समस्या को अनकन्स्ट्रेंड समस्या में बदल देता है।
• मॉडल चयन और निर्भरता: पेपर सीरियल डिपेंडेंस को मापने और उपयुक्त ऑटोरेग्रेसिव ऑर्डर $p$ चुनने के लिए ऑर्डिनल कोहेन का $\kappa$ (Ordinal Cohen's $\kappa$) और इसके पार्शियल संस्करण का उपयोग करता है। इसे निरंतर टाइम सीरीज़ में ACF और PACF के एनालॉग के रूप में कार्य करने के लिए वीस (2020) द्वारा अनुकूलित किया गया है, जो डेटा की ऑर्डिनल प्रकृति को ध्यान में रखता है।

प्रमुख योगदान

1. टाइम सीरीज़ में विस्तार: प्राथमिक योगदान ऑर्डिनल टाइम सीरीज़ के लिए OSM का औपचारिक रूप से विस्तार करना है, जिससे AR-OSM ढांचा तैयार होता है।
2. समदूरस्थता (Equidistance) का उन्मूलन: मॉडल स्पष्ट रूप से श्रेणियों के समदूरस्थ होने की धारणा से बचता है। इसके बजाय, यह श्रेणियों के बीच के गुप्त अंतराल (latent spacing) को डेटा से निष्कर्ष निकालता है, जो उन प्रक्रियाओं के लिए अधिक यथार्थवादी प्रतिनिधित्व प्रदान करता है जहाँ श्रेणी संक्रमणों का परिमाण भिन्न होता है।
3. संक्षिप्तता बनाम लचीलापन: AR-OSM, प्रतिबंधात्मक प्रोपोरशनल ऑड्स मॉडल और अधिक जटिल, पैरामीटर-भारी विकल्पों के बीच एक समझौता प्रदान करता है। यह प्रत्येक कोवेरिएट-कैटेगरी इंटरैक्शन के लिए एक अलग गुणांक वेक्टर की आवश्यकता के बिना, स्कोर पैरामीटर्स के माध्यम से श्रेणी-विशिष्ट प्रभावों को कैप्चर करता है।
4. कोवेरिएट्स का एकीकरण: ऑर्डिनल सीरीज़ के लिए कुछ शुद्ध मार्कोवियन दृष्टिकोणों के विपरीत, AR-OSM रिग्रेशन मॉडल की संरचना को बनाए रखता है, जिससे ऑटोरेग्रेसिव टर्म्स के साथ बाहरी कोवेरिएट्स (जैसे हृदय गति, तापमान) को शामिल करना संभव होता है।

परिणाम

• सिमुलेशन अध्ययन:
  • एस्टिमेटर प्रदर्शन: विभिन्न सैंपल साइज ($T=100, 500, 1000$) में सिमुलेशन ने प्रदर्शित किया कि एस्टिमेटर्स कुशल हैं, और सैंपल साइज बढ़ने के साथ वेरिएंस कम होता जाता है। हालांकि छोटे सैंपल साइज ($T=100$) के लिए स्कोर पैरामीटर्स ($\phi$) में थोड़ा बायस (bias) देखा गया, लेकिन बड़े सैंपल के साथ यह बायस कम हो गया।
  • सीरियल डिपेंडेंस: अध्ययन ने यह जांचा कि ऑटोरेग्रेसिव गुणांक ($\beta$) और स्कोर पैरामीटर्स ($\phi$) सीरियल डिपेंडेंस को कैसे प्रभावित करते हैं। परिणामों ने संकेत दिया कि $\beta$ का चिन्ह निर्भरता की दिशा (धनात्मक या ऋणात्मक) निर्धारित करता है, जबकि इसका परिमाण शक्ति को नियंत्रित करता है। $\beta$ और सीरियल डिपेंडेंस (ऑर्डिनल कोहेन के $\kappa$ द्वारा मापा गया) के बीच संबंध गैर-रेखीय (non-linear) पाया गया।
• वास्तविक दुनिया का अनुप्रयोग (शिशु नींद डेटा):
  • मॉडल को नवजात शिशु की नींद की अवस्थाओं (जागना, शांत नींद, अनिश्चित नींद, सक्रिय नींद) के डेटासेट पर लागू किया गया, जिसे हर 30 सेकंड में रिकॉर्ड किया गया था।
  • मॉडल चयन: पार्शियल ऑर्डिनल कोहेन के $\kappa$ के विश्लेषण ने 1 का ऑटोरेग्रेसिव ऑर्डर ($p=1$) सुझाया। लाइकलीहुड रेशियो टेस्ट (LRT) ने पुष्टि की कि AR-OSM (मॉडल 3), प्रोपोरशनल ऑड्स एडजसेंट-कैटेगरीज लॉजिट मॉडल (मॉडल 5) और हृदय गति को कोवेरिएट के रूप में शामिल करने वाले मॉडलों की तुलना में काफी बेहतर फिट प्रदान करता है।
  • स्पेसिंग की व्याख्या: अनुमानित स्कोर पैरामीटर्स ने खुलासा किया कि "जागने" और "शांत नींद" के बीच का गुप्त अंतराल, मध्यवर्ती नींद चरणों के बीच की दूरियों की तुलना में काफी बड़ा था। यह निष्कर्ष मानक मॉडलों की समदूरस्थ धारणा का खंडन करता है और इस जैविक तर्क का समर्थन करता है कि जागने से नींद में जाना, नींद के चरणों के बीच संक्रमण की तुलना में एक अधिक स्पष्ट बदलाव है।
  • पूर्वानुमान (Forecasting): 10-स्टेप आगे के पूर्वानुमान अभ्यास में, AR-OSM ने प्रोपोरशनल ऑड्स मॉडल को पछाड़ दिया, और प्रत्येक चरण में वास्तविक अवस्था की उच्च संभावना के साथ भविष्यवाणी की।

महत्व और दावे
पेपर का दावा है कि AR-OSM एक लचीला और संक्षिप्त ढांचा प्रदान करता है जहाँ समदूरस्थ श्रेणियों की धारणा अवास्तविक है। श्रेणियों के बीच के अंतराल को डेटा द्वारा निर्धारित करने की अनुमति देकर, यह मॉडल प्रक्रिया का अधिक सटीक प्रतिनिधित्व प्रदान करता है, जैसा कि स्लीप डेटा अनुप्रयोग से सिद्ध हुआ है। लेखक का कहना है कि मॉडल ऑर्डिनल संरचना का सम्मान करते हुए सीरियल डिपेंडेंस को सफलतापूर्वक कैप्चर करता है।

लेखक विनम्रतापूर्वक नोट करते हैं कि वर्तमान फॉर्मूलेशन एक एकल सेट स्कोर पैरामीटर्स का उपयोग करता है जो सभी कोवेरिएट्स के लिए साझा है, भविष्य के कार्य में "पार्शियल ऑर्डर्ड स्टीरियोटाइप मॉडल्स" की खोज की जा सकती है जहाँ स्कोर पैरामीटर्स कोवेरिएट के अनुसार भिन्न होते हैं। इसके अतिरिक्त, लेखक इस ढांचे में समय-परिवर्तित (time-varying) मापदंडों से जुड़ी कम्प्यूटेशनल चुनौतियों को स्वीकार करते हैं, लेकिन ऑटोरेग्रेसिव पार्शियल मॉडल्स की ओर विस्तार को भविष्य के अनुसंधान के लिए एक आशाजनक मार्ग के रूप में पहचानते हैं। यह कार्य एक पद्धतिगत प्रगति के रूप में प्रस्तुत किया गया है जो प्रतिबंधात्मक प्रोपोरशनल मॉडलों और अत्यधिक जटिल विकल्पों के बीच के अंतर को भरता है।