📊 statistics

Multiscale Dynamic Dependence Estimation over Networks

यह शोध पत्र Net-LSW फ्रेमवर्क प्रस्तुत करता है, जो कोवेरिएंस संरचना (covariance structure) में नेटवर्क टोपोलॉजी को स्पष्ट रूप से शामिल करके गैर-स्थिर बहुभिन्न चर समय श्रृंखला (nonstationary multivariate time series) में बहुस्तरीय, समय-परिवर्तित निर्भरताओं को मॉडल करने के लिए एक नवीन दृष्टिकोण है, जो विकसित होते स्थानीय आंशिक सहसंबंध ग्राफों (local partial correlation graphs) के अनुमान को सक्षम बनाता है और प्रमुख वित्तीय संकटों के दौरान वैश्विक बैंक नेटवर्क के भीतर प्रणालीगत बदलावों का विश्लेषण करने में इसकी प्रभावशीलता को प्रदर्शित करता है।

मूल लेखक: Cristian F. Jiménez-Varón, Marina I. Knight, Matthew A. Nunes

प्रकाशित 2026-06-30

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Cristian F. Jiménez-Varón, Marina I. Knight, Matthew A. Nunes

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 लोगों के एक बड़े समूह, जैसे कि बैंकों के एक वैश्विक नेटवर्क के बीच जटिल, बदलते संबंधों को समझने की कोशिश कर रहे हैं। अतीत में, सांख्यिकीविद् (statisticians) इन समूहों को दो तरीकों से देखते थे: या तो वे सभी को एक विशाल, अव्यवस्थित भीड़ के रूप में देखते थे जहाँ हर कोई हर किसी से बात करता है, या वे समूह को एक स्थिर तस्वीर (static snapshot) के रूप में देखते थे, यह मानते हुए कि बातचीत के नियम कभी नहीं बदलते।

लेकिन वास्तविक दुनिया में, चीजें अलग हैं। संबंध समय के साथ बदलते हैं (कभी संकट के दौरान लोग अधिक बात करते हैं, शांत समय के दौरान कम) और वे अलग-अलग गति से होते हैं (कुछ खबरें तुरंत फैल जाती हैं, जबकि कुछ रुझानों को जमने में वर्षों लग जाते हैं)। इसके अलावा, लोग आमतौर पर केवल अपने विशिष्ट पड़ोसियों से सीधे बात करते हैं, न कि कमरे में मौजूद हर किसी से।

यह शोध पत्र एक नया गणितीय उपकरण जिसे Net-LSW (नेटवर्क पर Locally Stationary Wavelet processes) कहा जाता है, इस समस्या को हल करने के लिए पेश करता है। यह कैसे काम करता है, इसके लिए सरल उपमाओं का उपयोग किया गया है:

1. समस्या: "स्थिर फोटो" बनाम "लाइव मूवी"

पारंपरिक तरीके अक्सर डेटा की एक "स्थिर फोटो" लेते हैं। वे मानते हैं कि चरों (variables) के बीच संबंध (जैसे बैंक के स्टॉक की कीमतें) स्थिर हैं। लेकिन वित्तीय बाजार एक "लाइव मूवी" की तरह हैं जहाँ कहानी हर सेकंड बदलती है।

इसके अलावा, पारंपरिक तरीके अक्सर "सोशल नेटवर्क" की संरचना को अनदेखा कर देते हैं। वे मानते हैं कि बैंक A, बैंक Z से प्रभावित हो सकता है, भले ही उनके बीच कोई सीधा संबंध न हो। यह ऐसा है जैसे यह मानना कि टोक्यो में शुरू हुआ अफवाह का सिलसिला बिना किसी के माध्यम से गुजरे तुरंत पेरू के एक छोटे से गाँव तक पहुँच गया। यह बहुत अधिक "शोर" (noise) पैदा करता है और गणित को हल करना अविश्वसनीय रूप से कठिन बना देता है।

2. समाधान: समय और गति के लिए एक "माइक्रोस्कोप"

लेखक वेवलेट्स (Wavelets) नामक एक तकनीक का उपयोग करते हैं। वेवलेट को एक एकल लेंस के रूप में नहीं, बल्कि समायोज्य ज़ूम और फोकस वाले माइक्रोस्कोप के रूप में सोचें।

ज़ूम (समय): यह एक विशिष्ट क्षण को देख सकता है (जैसे महामारी शुरू होने का दिन) या एक लंबी अवधि को (जैसे एक दशक)।
फोकस (स्केल): यह "तेज़" परिवर्तनों (उच्च-आवृत्ति वाला शोर, जैसे दैनिक घबराहट में बिक्री) या "धीमे" परिवर्तनों (कम-आवृत्ति वाले रुझान, जैसे दशक भर का आर्थिक बदलाव) को देख सकता है।

Net-LSW ढांचा इस माइक्रोस्कोप को नेटवर्क मैप के साथ जोड़ता है। यह केवल डेटा को नहीं देखता; यह डेटा को ज्ञात कनेक्शनों के लेंस के माध्यम से देखता है।

ulas 3. मुख्य नवाचार: "सीक्रेट हैंडशेक"

इस शोध पत्र का सबसे बड़ा ब्रेकथ्रू यह है कि यह नेटवर्क के "नियमों" को कैसे संभालता है।

पुराना तरीका: गणित यह पता लगाने की कोशिश करता है कि कौन किससे बात करता है, अक्सर अनुमान लगाकर, क्योंकि यह मानता है कि हर कोई हर किसी से बात कर सकता है।
नया तरीका (Net-LSW): इस ढांचे को पहले से ही मैप बताया जाता है। यदि मैप पर बैंक A और बैंक B आपस में जुड़े नहीं हैं, तो गणित को यह कहने के लिए मजबूर किया जाता है कि: "इन दोनों के बीच शून्य सीधा प्रभाव है।"

लेखक एक दिलचस्प गणितीय तथ्य सिद्ध करते हैं: यदि मैप पर दो नोड्स के बीच कोई रेखा नहीं खींची गई है, तो गणित स्वाभाविक रूप से उनके सीधे संबंध के लिए गणना में "शून्य" उत्पन्न करेगा। यह एक फिल्टर की तरह है जो स्वचालित रूप से उन "भूतिया बातचीत" (ghost conversations) को ब्लॉक कर देता है जो नेटवर्क संरचना के आधार पर अस्तित्व में नहीं होनी चाहिए।

4. यह अनुमान कैसे लगाता है: "सबप्रोसेस" (Subprocess) ट्रिक

हर दिन बदलने वाले 80+ बैंकों के नेटवर्क के लिए इसकी गणना करना एक बहुत बड़ा कम्प्यूटेशनल सिरदर्द है। यदि आप इसे एक साथ हल करने की कोशिश करते हैं, तो गणित टूट जाता है।

लेखक एक चतुर ट्रिक का उपयोग करते हैं जिसे सबप्रोसेस एस्टीमेशन (Subprocess Estimation) कहा जाता है।

कल्पना करें कि बाजार का कुल शोर एक विशाल ऑर्केस्ट्रा है जो एक अराजक सिम्फनी बजा रहा है।
पूरे ऑर्केस्ट्रा का एक साथ विश्लेषण करने के बजाय, वे संगीत को वाद्य यंत्रों के परिवारों (स्केल्स) में विभाजित करते हैं।
वे "तेज़ वाद्य यंत्रों" (उच्च आवृत्ति) का "धीमे वाद्य यंत्रों" (कम आवृत्ति) से अलग विश्लेषण करते हैं।
क्योंकि वे उनका अलग-अलग विश्लेषण करते हैं, वे नेटवर्क नियमों ( "कोई सीधा संवाद नहीं" का नियम) को बहुत अधिक आसानी से और सटीकता से लागू कर सकते हैं।
अंत में, वे पूरे सिस्टम की स्पष्ट तस्वीर प्राप्त करने के लिए इन अलग-अलग विश्लेषणों को वापस जोड़ देते हैं।

5. वास्तविक दुनिया का परीक्षण: वैश्विक बैंकिंग नेटवर्क

यह काम करता है, यह साबित करने के लिए, लेखकों ने 2015 से 2023 तक के दैनिक स्टॉक डेटा का उपयोग करके 83 प्रमुख वैश्विक बैंकों पर अपने टूल को लागू किया।

ब्रेक्सिट का झटका (2016): उन्होंने यूके और यूरोपीय बैंकों के बीच सीधे कनेक्शन में अचानक, तीव्र उछाल देखा। टूल ने दिखाया कि यह तुरंत हुआ (फास्ट स्केल) और फिर धीरे-धीरे स्थिर हो गया।
महामारी (2020): उन्होंने एक व्यापक, वैश्विक "घबराहट" देखी जहाँ लगभग हर बैंक बहुत कम समय में एक-दूसरे से सीधे जुड़ गया, लेकिन टूल तत्काल घबराहट (फास्ट स्केल) और दीर्घकालिक पुनर्गठन (धीमी स्केल्स) के बीच अंतर करने में सक्षम था।
"घोस्ट" (Ghost) फिल्टर: उन्होंने उन बैंकों को देखा जो उनके मैप पर जुड़े नहीं थे (जैसे HSBC और Barclays)। भले ही उनके स्टॉक की कीमतें सामान्य बाजार के कारण एक साथ चल रही थीं, Net-LSW टूल ने सही ढंग से पहचान की कि उनके बीच कोई सीधा लिंक नहीं था, जिससे उन्होंने सामान्य बाजार के "शोर" को फ़िल्टर कर दिया ताकि वास्तविक, प्रत्यक्ष संबंध (जो शून्य था) दिखाया जा सके।

सारांश

संक्षेप में, यह शोध पत्र सांख्यिकीविदों को एक जटिल, बदलते नेटवर्क को देखने का एक नया तरीका देता है। यह इस तथ्य का सम्मान करता है कि हर कोई हर किसी से जुड़ा हुआ नहीं है, यह विभिन्न गति (तेज़ और धीमी) पर डेटा को देखता है, और जैसे-जैसे समय आगे बढ़ता है, यह अपनी समझ बदलता है। यह एक अराजक प्रणाली की धुंधली, स्थिर तस्वीर को एक स्पष्ट, चलती हुई मूवी में बदल देता है जो नेटवर्क के वास्तविक नियमों का सम्मान करती है।

तकनीकी सारांश: नेटवर्कों पर मल्टीस्केल डायनेमिक डिपेंडेंस एस्टीमेशन (Multiscale Dynamic Dependence Estimation over Networks)

समस्या विवरण (Problem Statement)

आधुनिक वैज्ञानिक और औद्योगिक डेटासेट अक्सर मल्टीवेरिएट टाइम सीरीज़ (multivariate time series) से बने होते हैं जहाँ क्रॉस-डिपेंडेंसी (cross-dependencies) एक ज्ञात अंतर्निहित नेटवर्क टोपोलॉजी (जैसे वित्तीय प्रणाली, मस्तिष्क नेटवर्क, जलवायु निगरानी) द्वारा संरचित होती है। ऐसे डेटा का विश्लेषण करने में एक महत्वपूर्ण चुनौती यह है कि ये श्रृंखलाएं अक्सर नॉन-स्टेशनरी (non-stationary) होती हैं, जिसका अर्थ है कि उनके सेकंड-ऑर्डर गुण समय के साथ बदलते रहते हैं। मौजूदा ढांचे निम्नलिखित सीमाओं का सामना करते हैं:

पारंपरिक मल्टीवेरिएट दृष्टिकोण: जैसे कि मल्टीवेरिएट लोकली स्टेशनरी वेवलेट (MvLSW) फ्रेमवर्क (पार्क एट अल., 2014), जो समय-परिवर्तनीय स्पेक्ट्रल गुणों को मॉडल करते हैं लेकिन सिस्टम को अनकन्स्ट्रेंड (unconstrained) मानते हैं। वे ज्ञात नेटवर्क संरचना को शामिल करने में विफल रहते हैं, जिससे ओवर-पैरामीट्राइजेशन होता है और नेटवर्क संदर्भ में प्रत्यक्ष (direct) बनाम अप्रत्यक्ष (indirect) निर्भरता के बीच अंतर करने में अक्षमता आती है।
नेटवर्क ऑटोरेग्रेसिव मॉडल: टाइम-डोमेन मॉडल जैसे जनरलइज्ड नेटवर्क ऑटोरेग्रेसिव (GNAR) प्रोसेस, नोड नेबरहुड्स के माध्यम से इंटरैक्शन को रेगुलराइज़ करते हैं, लेकिन उनमें ग्राफ टोपोलॉजी का सम्मान करते हुए समय-परिवर्तनीय, स्केल-डिपेंडेंट क्रॉस-डिपेंडेंसी को स्पष्ट रूप से कैप्चर करने की क्षमता अक्सर नहीं होती है।
अनुमान संबंधी चुनौतियाँ (Inference Challenges): नॉन-स्टेशनरी सेटिंग्स में कंडीशनल डिपेंडेंसी का अनुमान लगाने के लिए आमतौर पर अनंत-आयामी कोवेरियंस ऑपरेटर्स को इनवर्ट करने की आवश्यकता होती है (जो व्यवहार में असाध्य है) या सभी स्केल्स पर एक साथ संयुक्त लीनियर मैट्रिक्स करेक्शन लागू करने की आवश्यकता होती है, जो नेटवर्क टोपोलॉजी बाधाओं को दूषित करता है (अर्थात, कच्चे मापदंडों में लागू स्ट्रक्चरल ज़ीरोस अंतिम इनवर्स स्पेक्ट्रम में ज़ीरो के रूप में मैप नहीं होते हैं)।

कार्यप्रणाली: Net-LSW फ्रेमवर्क

लेखक लोकैली स्टेशनरी वेवलेट प्रोसेस ऑन नेटवर्क्स (Net-LSW) का प्रस्ताव करते हैं, जो एक ऐसा फ्रेमवर्क है जो प्रक्रिया के रैंडम इंक्रीमेंट्स के कोवेरियंस में नेटवर्क संरचना को स्पष्ट रूप से एम्बेड करता है।

1. मॉडल परिभाषा (Model Definition)

Net-LSW प्रक्रिया $\{X^N_t\}$ को स्केल-विशिष्ट सबप्रोसेस के योग के रूप में परिभाषित किया गया है:
$X^N_t = \sum_{j \ge 1} \sum_{k \in \mathbb{Z}} W^N_j\left(\frac{k}{T}\right) \psi_{j,k}(t) \xi^N_{j,k}$
प्रमुख संरचनात्मक नवाचार निम्नलिखित हैं:

डायगोनल ट्रांसफर फंक्शन्स: एम्प्लीट्यूड मैट्रिक्स $W^N_j(z)$ को डायगोनल होने के लिए बाधित किया गया है, जो यह सुनिश्चित करता है कि नोड-विशिष्ट एम्प्लीट्यूड ट्रांसफर मैकेनिज्म से स्वतंत्र हैं।
नेटवर्क-एनकोडेड इनोवेशन्स: क्रॉस-डिपेंडेंसी पूरी तरह से इनोवेशन वेक्टर्स $\xi^N_{j,k}$ के कोवेरियंस में एनकोड की गई है। कोवेरियंस मैट्रिक्स $\Lambda^N_j(z)$ को इस प्रकार परिभाषित किया गया है कि इसका इनवर्स (कंसंट्रेशन मैट्रिक्स $\Gamma^N_j(z)$ ) ग्राफ $G=(N, E)$ का सम्मान करता है।
संरचनात्मक समानता (Structural Equivalence): महत्वपूर्ण रूप से, एक एज (edge) $(p, q) \notin E$ की अनुपस्थिति का अर्थ सभी स्केल्स $j$ और रीस्केल्ड समय $z$ के लिए कंसंट्रेशन मैट्रिक्स $[\Gamma^N_j(z)]_{p,q}$ में शून्य प्रविष्टि है।

2. लोकल पार्शियल कोरिलेशन ग्राफ (Local Partial Correlation Graph)

पेपर वेवलेट डोमेन में एक लोकल पार्शियल कोरिलेशन ग्राफ पेश करता है। यह स्थापित करता है कि एक Net-LSW प्रक्रिया के लिए, जिस ग्राफ $G$ पर प्रक्रिया देखी जाती है, वह उसके लोकल पार्शियल स्पेक्ट्रल कोहेरेंस $\eta^N_j(z)$ के समान है। यह डाहलहॉस (2000a) के शास्त्रीय स्टेशनरी फूरियर-डोमेन परिणामों को नॉन-स्टेशनरी वेवलेट सेटिंग में विस्तारित करता है।

3. अनुमान रणनीति: सबप्रोसेस-आधारित दृष्टिकोण (Estimation Strategy: Subprocess-Based Approach)

स्थानीय क्रॉस-नोडल निर्भरता का अनुमान लगाने के लिए, लेखक एक नवीन सबप्रोसेस-आधारित अनुमान योजना विकसित करते हैं:

स्केल-दर-स्केल अपघटन (Scale-by-Scale Decomposition): पूरी प्रक्रिया पर काम करने के बजाय, यह विधि स्केल-विशिष्ट सबप्रोसेस $\{X_{j,t}\}$ को अलग करती है। यह वेवलेट गुणांकों और स्पेक्ट्रल मैट्रिसेस के बीच संबंध को सरल बनाता है, जिससे यह सुनिश्चित होता है कि नेटवर्क पेनल्टी के साथ गॉसियन लाइकलीहुड (Gaussian likelihood) कॉन्वेक्स बना रहे।
लेटेंट सबप्रोसेस का सन्निकटन (Approximation of Latent Subprocesses): चूंकि लेटेंट सबप्रोसेस अवलोकनीय नहीं होते हैं, इसलिए लेखक वेवलेट सिंथेसिस का उपयोग करके उन्हें एगोग्रेट ऑब्जर्व्ड गुणांकों से पुनर्गठित करने के लिए एक रोबस्ट प्रोजेक्शन विधि प्रस्तावित करते हैं।
प्रतिबंधित अनुकूलन (Constrained Optimization): प्रत्येक स्केल $j$ और समय बिंदु $z$ के लिए, विधि प्रिसिजन मैट्रिक्स $\Theta_j(z)$ का अनुमान लगाने के लिए एक परिमित-आयामी, कॉन्वेक्स, नेटवर्क-पेनलाइज्ड ऑप्टिमाइज़ेशन (जैसे glasso का उपयोग करके) हल करती है। यह सुनिश्चित करता है कि नेटवर्क में स्ट्रक्चरल ज़ीरोस को स्ट्रिक्टली लागू किया गया है।
कंसिस्टेंसी (Consistency): लेखक सिद्ध करते हैं कि स्मूथ किए गए सबप्रोसेस स्पेक्ट्रल एस्टिमेटर्स एसिम्प्टोटिकली मीन-स्क्वेर्ड कंसिस्टेंट हैं और नेटवर्क-कंस्ट्रेंड प्रिसिजन एस्टिमेटर्स अद्वितीय और कंसिस्टेंट हैं।

मुख्य परिणाम (Key Results)

सिमुलेशन अध्ययन (Simulation Studies)

विभिन्न नेटवर्क टोपोलॉजी (5, 10, और 25 नोड्स) और नॉन-स्टेशनरी मॉड्यूलेशन प्रकारों (ट्रांजिएंट बर्स्ट्स, चेंजपॉइंट्स, ट्रेंड्स) में मानक अनकन्स्ट्रेंड MvLSW दृष्टिकोण (पार्क एट अल., 2014) के विरुद्ध फ्रेमवर्क का मूल्यांकन किया गया।

सटीकता (Accuracy): Net-LSW फ्रेमवर्क ने MvLSW की तुलना में लगातार बेहतर प्रदर्शन किया। 10-नोड नेटवर्क में पार्शियल कोहेरेंस एस्टीमेशन के लिए, Net-LSW ने 0.00272 का MSE प्राप्त किया, जबकि MvLSW का 0.03681 था (एक >92% त्रुटि कमी)।
स्केलेबिलिटी (Scalability): जैसे-जैसे नेटवर्क का आकार बढ़ा, MvLSW की त्रुटि काफी बढ़ गई, जबकि Net-LSW की त्रुटि कम हो गई।
मजबूती (Robustness): विधि ने विभिन्न एज डेंसिटी (10% से 50%) और सैंपल साइज के बीच प्रदर्शन बनाए रखा, जिससे पता चलता है कि स्ट्रक्चरल बाधाओं को लागू करने से घने नेटवर्क कॉन्फ़िगरेशन में भी एस्टीमेशन स्थिरता में सुधार होता है।
एसिम्प्टोटिक व्यवहार (Asymptotic Behavior): जबकि M-VLSW जटिल परिदृश्यों में सैंपल साइज बढ़ने के साथ त्रुटि बढ़ने के संकेत दिखा रहा था, Net-LSW ने $T \to \infty$ होने पर स्पष्ट कंसिस्टेंसी प्रदर्शित की।

एम्ពីរिकल एप्लीकेशन: ग्लोबल बैंकिंग नेटवर्क (Empirical Application: Global Banking Network)

फ्रेमवर्क को 83 प्रमुख वैश्विक बैंकों (अगस्त 2015 – दिसंबर 2023) की दैनिक स्टॉक प्राइस वोलेटिलिटी पर लागू किया गया।

नेटवर्क निर्माण: एक हाई-डायमेंशनल VAR मॉडल से जनरलइज्ड फोरकास्ट एरर वेरिएंस डिकम्पोजिशन (GFEVD) का उपयोग करके एक स्टैटिक कनेक्टेडनेस ग्राफ बनाया गया, जिसमें एक कनेक्टेड जायंट कंपोनेंट बनाने के लिए किनारों (edges) को छांटा गया।
निष्कर्ष:
- COVID-19 शॉक: मॉडल ने फाइन स्केल्स ( $j=1$ ) पर यूएस मनी-सेंटर बैंकों (जेपी मॉर्गन चेज़ और सिटीग्रुप) के बीच प्रत्यक्ष निर्भरता (पार्शियल कोहेरेंस) में एक तीव्र, स्थानीयकृत वृद्धि को कैप्चर किया, जो तीव्र, शॉर्ट-होरिज़न स्ट्रेस ट्रांसमिशन का संकेत देता है।
- ब्रेक्सिट (Brexit): 2016 के जनमत संग्रह के दौरान फाइन स्केल्स पर यूके/यूरोपीय बैंकों (HSBC, Société Générale) के बीच पार्शियल कोहेरेंस में एक मजबूत, स्थानीयकृत बर्स्ट देखा गया, जिसके बाद अन्य जोड़ियों (Lloyds, Standard Chartered) में मीडियम-स्केल को-मूवमेंट देखा गया जो COVID-19 अवधि तक चला।
- कंस्ट्रेंट वैलिडेशन (Constraint Validation): नेटवर्क में कोई सीधा एज न होने वाले बैंक जोड़ों (जैसे HSBC–Barclays) के लिए, फ्रेमवर्क ने सफलतापूर्वक शून्य पार्शियल कोहेरेंस को लागू किया, जिससे उन कॉमन मार्केट फैक्टर्स को प्रभावी ढंग से फ़िल्टर किया गया जो अनकंडीशनल को-मूवमेंट को संचालित करते थे।

महत्व और दावे (Significance and Claims)

पेपर निम्नलिखित योगदानों का दावा करता है:

सैद्धांतिक एकीकरण (Theoretical Unification): यह नेटवर्क-स्ट्रक्चर्ड इनोवेशन्स और नॉन-स्टेशनरी टाइम-सीरीज ग्राफिकल मॉडलिंग के बीच पहला औपचारिक संबंध प्रदान करता है, जो एक "लोकल पार्शियल कोरिलेशन ग्राफ" स्थापित करता है जहाँ गायब किनारे (missing edges) समय- और स्केल-डिपेंडेंट प्रिसिजन मैट्रिक्स में स्ट्रक्चरल ज़ीरोस के अनुरूप होते हैं।
मेथोडोलॉजिकल इनोवेशन (Methodological Innovation): यह एक सबप्रोसेस-आधारित, स्केल-दर-स्केल एस्टीमेशन प्रक्रिया पेश करके पारंपरिक वेवलेट एस्टीमेशन में टोपोलॉजिकल मिसअलाइनमेंट को हल करता है। यह अनंत-आयामी ऑपरेटर इनवर्जन की जटिलता के बिना नेटवर्क बाधाओं का सम्मान करने वाले एक सुलभ, कॉन्वेक्स ऑप्टिमाइज़ेशन समस्या को बनाने की अनुमति देता है।
व्यावहारिक उपयोगिता (Practical Utility): फ्रेमवर्क उच्च-आयामी, नॉन-स्टेशनरी सिस्टम में विकसित होने वाली निर्भरता संरचनाओं को सफलतापूर्वक रिकवर करता है, जैसा कि प्रमुख वित्तीय झटकों (ब्रेक्सिट, COVID-19) के दौरान समय-परिवर्तनीय सिस्टमैटिक शिफ्ट की पहचान करने की इसकी क्षमता से सिद्ध होता है, जबकि अंतर्निहित नेटवर्क टोपोलॉजी का सख्ती से पालन करता है।

लेखक निष्कर्ष निकालते हैं कि हालांकि वर्तमान फ्रेमवर्क एक स्टैटिक नेटवर्क मानता है, यह मल्टीस्केल, समय-परिवर्तनीय निर्भरताओं को मॉडल करने के लिए एक मजबूत आधार प्रदान करता है, जिसमें भविष्य के कार्य समय-परिवर्तनीय एज समावेश को संबोधित कर सकते हैं।