📊 statistics

Doubly Robust Adaptive Conformal Inference for Causal Effects Under Temporal Dependence

यह शोध पत्र डबली रोबस्ट अडैप्टिव कॉन्फॉर्मल इन्फरेंस (DR-ACI) का प्रस्ताव करता है, जो एक नवीन विधि है जो टेम्पोरल डिपेंडेंस (सामयिक निर्भरता) की उपस्थिति में डबली रोबस्ट सूडो-आउटकम्स के लिए वैध प्रेडिक्शन इंटरवल्स का निर्माण करती है।

मूल लेखक: Andreas Koukorinis, Ricardo Silva

प्रकाशित 2026-06-30

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Andreas Koukorinis, Ricardo Silva

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 मौसम पूर्वानुमानकर्ता (weather forecaster) हैं जो यह अनुमान लगाने की कोशिश कर रहे हैं कि कल किसी विशिष्ट शहर में कितनी बारिश होगी। आपके पास एक मॉडल है जो आपको एक एकल संख्या देता है (जैसे, "5 इंच")। लेकिन आप जानते हैं कि आपका मॉडल सटीक नहीं है। आप एक रेंज देना चाहते हैं, जैसे "3 और 7 इंच के बीच," और आप यह सुनिश्चित करना चाहते हैं कि समय के साथ, आपका रेंज वास्तव में 90% बार वास्तविक बारिश को कवर करे।

अब, दो अतिरिक्त जटिलताओं की कल्पना करें:

"छिपा हुआ" सत्य (The "Hidden" Truth): आप केवल बारिश का अनुमान नहीं लगा रहे हैं; आप उस अंतर को मापने की कोशिश कर रहे हैं जो क्लाउड-सीडिंग मशीन चालू करने बनाम बंद करने से होगा। आप एक ही दिन में एक ही शहर के लिए दोनों परिणामों को कभी नहीं देख सकते (या तो बारिश हुई या नहीं हुई)। यह "अंतर" एक भूत की तरह है—आपको इसे अनुमानित करने के लिए एक चतुर प्रॉक्सी (proxy) बनाना होगा।
"श्रृंखला अभिक्रिया" (The "Chain Reaction"): आज का मौसम कल के मौसम पर बहुत अधिक निर्भर करता है। डेटा स्वतंत्र घटनाओं का एक साफ, यादृच्छिक ढेर नहीं है; यह एक श्रृंखला है जहाँ एक घटना अगली घटना को खींचती है।

यह पेपर DR-ACI (डबली रोबस्ट एडेप्टिव कॉन्फॉर्मल इन्फरेंस) नामक एक नया टूल पेश करता है जो ठीक इसी समस्या को हल करता है। यह कैसे काम करता है, इसे सरल अवधारणाओं में यहाँ समझाया गया है।

1. "दोहरी-सुरक्षा" जाल (Doubly Robust)

आमतौर पर, किसी उपचार (जैसे दवा या नीति) के प्रभाव का अनुमान लगाने के लिए, आपको दो मॉडलों की आवश्यकता होती है: एक यह अनुमान लगाने के लिए कि किसे उपचार मिलता है, और दूसरा परिणाम की भविष्यवाणी करने के लिए। यदि दोनों में से कोई भी मॉडल गलत है, तो आपका उत्तर बेकार है।

लेखक एक "डबली रोबस्ट" ट्रिक का उपयोग करते हैं। इसे एक दो-इंजन वाले हवाई जहाज की तरह समझें।

यदि पहला इंजन (मॉडल A) विफल हो जाता है, तो दूसरा इंजन (मॉडल B) विमान को उड़ते रहने में मदद कर सकता है।
यदि मॉडल B विफल हो जाता है, तो मॉडल A काम संभाल लेता है।
आप तभी दुर्घटनाग्रस्त होंगे जब दोनों इंजन एक ही समय में विफल हो जाएं।

इस पेपर में, वे इस "दो-इंजन" दृष्टिकोण का उपयोग एक "स्यूडो-आउटकम" (pseudo-outcome) बनाने के लिए करते हैं—एक नकली, निर्मित डेटा पॉइंट जो छिपे हुए सत्य (उपचार प्रभाव) के विकल्प के रूप में कार्य करता है।

2. "गार्ड बैंड" (समय निर्भरता को संभालना)

मानक सांख्यिकीय उपकरण अक्सर यह मानते हैं कि प्रत्येक डेटा पॉइंट स्वतंत्र है, जैसे पासा (die) फेंकना। लेकिन टाइम-सीरीज डेटा (जैसे स्टॉक की कीमतें या मौसम) एक डोमिनो प्रभाव की तरह है। यदि आप आज की भविष्यवाणी करने के लिए कल के डेटा पर अपने मॉडल को प्रशिक्षित करने की कोशिश करते हैं, तो "प्रशिक्षण" और "परीक्षण" डेटा अभी भी आपस में जुड़े होते हैं, जो एक धोखाधड़ी (look-ahead bias) पैदा करता है।

इसे ठीक करने के लिए, लेखक गार्ड बैंड्स (Guard Bands) का उपयोग करते हैं।

कल्पना करें कि आप लोगों की एक लंबी लाइन को नए डांस मूव को टेस्ट करने के लिए समूहों में विभाजित कर रहे हैं।
लाइन को बीच से काटने के बजाय, आप बीच में कुछ लोगों को एक "बफर ज़ोन" (गार्ड बैंड) के रूप रूप में हटा देते हैं।
आप बाएं समूह पर अपना मॉडल प्रशिक्षित करते हैं, बफर को छोड़ देते हैं, और दाएं समूह पर परीक्षण करते हैं।
यह सुनिश्चित करता है कि दोनों समूह एक-दूसरे से इतने दूर हों कि कल के डेटा का "संक्रमण" आज के परीक्षण को दूषित न कर सके।

3. "अनुकूली रूलर" (Adaptive Conformal Inference)

एक अच्छा मॉडल होने के बावजूद, आप यह नहीं जानते कि आपकी भविष्यवाणी की रेंज कितनी चौड़ी होनी चाहिए। कभी-कभी दुनिया अराजक होती है (चौड़ी रेंज की आवश्यकता होती है); कभी-कभी शांत (संकीर्ण रेंज की आवश्यकता होती है)।

लेखक एक अनुकूली रूलर (Adaptive Ruler) का उपयोग करते हैं।

कल्पना करें कि एक रूलर जो लक्ष्य को मिस करने की आवृत्ति के आधार पर खिंचता या सिकुड़ता है।
यदि रूलर बार-बार चूक जाता है, तो यह स्वचालित रूप से चौड़ा हो जाता है।
यदि यह लक्ष्य को आसानी से हिट करता है, तो यह अधिक सटीक होने के लिए सिकुड़ जाता है।
यह वास्तविक समय में होता है, जैसे-जैसे डेटा बदलता है, सीखते हुए चलता रहता है, जिससे कवरेज वैध बनी रहती है।

4. "वैरिएंस मानकीकरण" (VS-DR-ACI)

लेखकों ने पाया कि कभी-कभी "रूलर" बहुत चौड़ा हो जाता है क्योंकि डेटा में शोर (noise) असमान होता है। कुछ दिन शोर वाले होते हैं; कुछ शांत।

उन्होंने एक वैरिएंस मानकीकरण (Variance Standardizer) जोड़ा। इसे डेटा के लिए नॉइज़-कैंसलिंग हेडफ़ोन की तरह समझें।
रेंज को मापने से पहले, वे डेटा को सामान्य (normalize) करते हैं ताकि "शोर वाले" और "शांत" दिनों के साथ निष्पक्ष व्यवहार किया जा सके।
परिणाम: इस संस्करण (VS-DR-ACI) ने मानक तरीकों की तुलना में 63% संकीर्ण अंतराल (intervals) उत्पन्न किए, जबकि वे उतने ही सटीक भी रहे। यह एक बहुत ही सटीक और उपयोगी पूर्वानुमान प्राप्त करने जैसा है बिना विश्वसनीयता खोए।

5. वास्तविक दुनिया का परीक्षण: नैस्डैक (Nasdaq) प्रयोग

लेखकों ने केवल सिमुलेशन नहीं किया; उन्होंने "डायनेमिक एम-ईएलओ" (Dynamic M-ELO) नामक एक नए ट्रेडिंग नियम के संबंध में नैस्डैक से वास्तविक वित्तीय डेटा पर इसका परीक्षण किया।

समस्या: वे जानना चाहते थे कि इस नए नियम ने प्रत्येक विशिष्ट स्टॉक के लिए ट्रेडिंग की गुणवत्ता को कैसे प्रभावित किया।
परिणाम: उनके तरीके ने पाया कि कई स्टॉक्स के लिए प्रभाव महत्वपूर्ण था, जबकि मानक तरीकों ने इसे मिस कर दिया क्योंकि उनके "रूलर" बहुत चौड़े और धुंधले थे।
तनाव परीक्षण (Stress Test): उन्होंने यह भी परीक्षण किया कि क्या होता है जब बाजार अचानक बदल जाता है (एक "ड्रिफ्ट")। मानक तरीके विफल हो गए और गलत उत्तर दिए। उनका तरीका, विशेष रूप से "नॉइज़-कैंसलिंग" फीचर के साथ, काम करता रहा और स्थिर, विश्वसनीय उत्तर दिए।

"तीन-भाग" गारंटी का सारांश

यह पेपर गणितीय रूप से सिद्ध करता है कि उनके तरीके की त्रुटि तीन विशिष्ट स्रोतों से आती है, जैसे तीन मदों वाला एक बिल:

मिक्सिंग गैप (The Mixing Gap): डेटा के समय के साथ जुड़े होने की लागत (गार्ड बैंड द्वारा संभाला गया)।
न्यूसेंस टैक्स (The Nuisance Tax): अपूर्ण मॉडलों की लागत (दोहरी-सुरक्षा जाल द्वारा संभाला गया)।
अनुकूलन दर (The Adaptation Rate): चलते-चलते सीखने की लागत (अनुकूली रूलर द्वारा संभाला गया)।

मुख्य निष्कर्ष (The Bottom Line):
यह पेपर हमें यह कहने का एक तरीका देता है कि, "हम 90% निश्चित हैं कि इस नीति का इस विशिष्ट स्टॉक पर प्रभाव X और Y के बीच है," भले ही डेटा अव्यवस्थित हो, समय के साथ जुड़ा हो, और अंतर्निहित मॉडल पूर्ण न हों। यह बदलते विश्व में अनिश्चितता को मापने का एक अधिक विश्वसनीय, सटीक और स्मार्ट तरीका है।

तकनीकी सारांश: काउज़ल इफेक्ट्स के लिए टेम्पोरल डिपेंडेंस के तहत डबलली रोबस्ट एडेप्टिव कॉन्फॉर्मल इन्फरेंस

1. समस्या विवरण (Problem Statement)

यह शोध पत्र विषम उपचार प्रभावों (विशेष रूप से, कंडीशनल एवरेज ट्रीटमेंट इफेक्ट, CATE, $\tau(X)$ ) के लिए अनिश्चितता को मापने की चुनौती को संबोधित करता है, जो टेम्पोरल डिपेंडेंस (सामयिक निर्भरता) वाले परिवेश में स्थित है।

मानक कॉन्फॉर्मल प्रेडिक्शन विधियाँ (जैसे, स्प्लिट कॉन्फॉर्मल) विनिमयशीलता (exchangeability/i.i.d.) की धारणा पर निर्भर करती हैं। यह धारणा टाइम-सीरीज़ संदर्भों में विफल हो जाती है जो वित्त और महामारी विज्ञान में सामान्य हैं, जहाँ आसन्न अवलोकन (adjacent observations) सह-संबंधित होते हैं। फलस्वरूप, कॉन्फॉर्मल विधियों का काउज़ल एस्टिमेटर्स पर सहज अनुप्रयोग अमान्य कवरेज गारंटी की ओर ले जाता है। इसके अतिरिक्त, मानक काउज़ल इन्फरेंस अंतराल (एसिम्प्टोटिक, बूटस्ट्रैप, बेयसियन) निर्भरता के तहत वितरण-मुक्त (distribution-free) अंशांकन गारंटी खो देते हैं या उनके लिए सही मॉडल विनिर्देश की आवश्यकता होती है, जिसे मशीन लर्निंग एस्टिमेटर्स आसानी से सुनिश्चित नहीं कर सकते।

विशिष्ट लक्ष्य स्वतंत्र अवलोकनों की धारणा लिए बिना व्यक्तिगत उपचार प्रभाव अनुमानों के लिए परिमित-नमूना (finite-sample), वितरण-मुक्त भविष्यवाणी अंतराल का निर्माण करना है, जबकि न्यूसेंस एस्टिमेशन त्रुटियों को कम करने के लिए डबलली रोबस्ट (DR) स्यूडो-आउटकम्स का उपयोग करना है।

2. कार्यप्रणाली: DR-ACI

प्रस्तावित विधि, डबलली रोबस्ट एडेप्टिव कॉन्फॉर्मल इन्फरेंस (DR-ACI), तीन मुख्य घटकों को एकीकृत करती है:

A. डबलली रोबस्ट स्यूडो-आउटकम्स (Doubly Robust Pseudo-Outcomes)

कच्चे आउटकम्स $Y_t$ या लेटेंट CATEs $\tau(X_t)$ पर अंशांकन करने के बजाय, यह विधि डबलली रोबस्ट स्यूडो-आउटकम्स $\psi^{DR}_t$ का निर्माण करती है:
$\psi^{DR}_t = \hat{\mu}_1(X_t) - \hat{\mu}_0(X_t) + \frac{W_t(Y_t - \hat{\mu}_1(X_t))}{\hat{e}(X_t)} - \frac{(1-W_t)(Y_t - \hat{\mu}_0(X_t))}{1 - \hat{e}(X_t)}$
जहाँ $\hat{e}$ अनुमानित प्रोपेंसिटी स्कोर है और $\hat{\mu}_w$ अनुमानित कंडीशनल आउटकम मॉडल हैं। यदि कम से कम एक न्यूसेंस मॉडल का विनिर्देश सही है, तो $\psi^{DR}_t$ , $\tau(X_t)$ का एक निष्पक्ष (unbiased) अनुमान है जिसकी त्रुटि न्यूसेंस एस्टिमेशन एरर के गुणनफल द्वारा सीमित है।

B. गार्ड बैंड्स के साथ टेम्पोरल ब्लॉक क्रॉस-फिटिंग (Temporal Block Cross-Fitting with Guard Bands)

टेम्पोरल डिपेंडेंस ( $\beta$ -mixing) को संभालने के लिए जबकि DR एस्टिमेशन के ऑर्थोगोनैलिटी गुणों को सुरक्षित रखा जाए, लेखक गार्ड बैंड्स के साथ टेम्पोरल ब्लॉक क्रॉस-फिटिंग का प्रस्ताव करते हैं:

विभाजन (Partitioning): टाइम सीरीज़ को $K$ निरंतर ब्लॉकों में विभाजित किया जाता है।
गार्ड बैंड्स (Guard Bands): जब प्रशिक्षण के लिए न्यूसेंस मॉडल को ब्लॉकों के एक सेट पर प्रशिक्षित किया जाता है, तो होल्ड-आउट अंशांकन ब्लॉक के निकटवर्ती $g$ अवलोकनों के एक "गार्ड बैंड" को प्रशिक्षण से बाहर रखा जाता है।
उद्देश्य: यह सुनिश्चित करता है कि प्रशिक्षण सेट और अंशांकन सेट के बीच कम से कम $g$ स्टेप्स का टेम्पोरल अलगाव हो। $\beta$ -mixing के तहत, यह प्रशिक्षण सेट और अंशांकन सेट के बीच अवशिष्ट निर्भरता (कपलिंग एरर) को $O(\beta(g)^{\delta/(2+\delta)})$ तक कम कर देता है।

C. एडेप्टिव कॉन्फॉर्मल इन्फरेंस (ACI)

विधि मिसकवरेज स्तर $\alpha_t$ को गतिशील रूप से अपडेट करने के लिए ACI फ्रेमवर्क (गिब्स और कैंडेस, 2021) का उपयोग करती है:
$\alpha_{t+1} = \alpha_t + \gamma(\alpha - \mathbb{1}\{\psi^{DR}_t \notin \hat{C}_t\})$
यह एक नियतात्मक दीर्घकालिक कवरेज गारंटी प्रदान करता है, भले ही स्कोर अनुक्रम विनिमय योग्य (exchangeable) न हो।

D. वेरिएंस-स्टैंडर्डाइज़्ड DR-ACI (VS-DR-ACI)

इस समस्या को संबोधित करने के लिए कि DR स्यूडो-आउटकम्स में शोर विचरण ( $\xi_t$ ) शामिल होता है जो अंतराल की चौड़ाई को बढ़ा देता है, लेखक वेरिएंस स्टैंडर्डाइजेशन का प्रस्ताव करते हैं:
$s^{VS}_t = \frac{|\psi^{DR}_t - \hat{\tau}(X_t)|}{\hat{\sigma}_\xi(X_t)}$
जहाँ $\hat{\sigma}_\xi(X_t)$ स्थानीय मानक विचलन (local standard deviation) का अनुमान लगाता है। यह अंतराल की चौड़ाई को स्थानीय शोर स्तरों के अनुसार अनुकूलित करता है, जिससे कम-शोर वाले क्षेत्रों में अनावश्यक विस्तार को रोका जा सके।

3. प्रमुख सैद्धांतिक योगदान (Key Theoretical Contributions)

A. थ्री-टर्म कवरेज डिकंपोजिशन (Three-Term Coverage Decomposition)

मुख्य सैद्धांतिक परिणाम (थ्योरम 2) कवरेज गैप को तीन अलग-अलग पदों में विभाजित करता है:

मिक्सिंग गैप (Mixing Gap): $\min_\tau \{ \tau/T + 2\beta(\tau) \}$ . यह टेम्पोरल डिपेंडेंस से उत्पन्न होता है और स्विच-कोएफिशिएंट बाउंड द्वारा नियंत्रित होता है।
न्यूसेंस-बायस टैक्स (Nuisance-Bias Tax): $\|\hat{e} - e\|_2 \cdot \|\hat{\mu} - \mu\|_2$ । यह न्यूसेंस एस्टिमेशन एरर के गुणनफल का प्रतिनिधित्व करता है। शोध पत्र सिद्ध करता है कि गार्ड बैंड्स के साथ टेम्पोरल ब्लॉक क्रॉस-फिटिंग, $\beta$ -mixing के तहत मानक DML प्रोडक्ट-बायस रेट को सुरक्षित रखता है, जिसमें केवल एक स्पष्ट कपलिंग रिमाइंडर $O(\beta(g)^{\delta/(2+\delta)})$ जुड़ता है।
एडेप्टेशन रेट (Adaptation Rate): $O(T^{-1/2})$ । यह ACI अपडेट तंत्र से उत्पन्न होता है।

B. स्विच-कोएफिशिएंट इनहेरिटेंस (Switch-Coefficient Inheritance)

शोध पत्र स्थापित करता है (लेम्मा 9) कि DR स्यूडो-आउटकम्स से निर्मित कॉन्फॉर्मिटी स्कोर अंतर्निहित प्रक्रिया के स्विच-कोएफिशिएंट बाउंड्स को विरासत में प्राप्त करते हैं। यह अनुमति देता है कि कवरेज गैप को डेटा के मिक्सिंग कोएफिशिएंट द्वारा सीमित किया जा सके, भले ही न्यूसेंस मॉडल अनुमानित हों।

C. एसिम्प्टोटिक CATE कंटेनमेंट (Asymptotic CATE Containment)

जबकि कॉन्फॉर्मल प्रक्रिया सीधे तौर पर स्यूडो-आउटकम $\psi^{DR}_t$ को लक्षित करती है, शोध पत्र दिखाता है (कोरोलरी 6) कि एस्टिमेटर कंसिस्टेंसी ( $\|\hat{\tau} - \tau\|_{L2} = o_p(1)$ ) के तहत, परिणामी अंतराल एसिम्प्टोटिक रूप से कंजर्वेटिव कंटेनमेंट प्रदान करते हैं। अंतराल $\tau(X_t)$ को ओवर-कवर करता है क्योंकि यह व्यापक लक्ष्य $\psi^{DR}_t = \tau(X_t) + \xi_t$ के लिए कैलिब्रेटेड है।

4. अनुभवजन्य परिणाम (Empirical Results)

सिमुलेशन अध्ययन (Simulation Study)

मिक्सिंग गैप: विभिन्न ऑटोकोरिलेशन ( $\rho$ ) के साथ स्थिर स्थितियों के तहत, सभी कॉन्फॉर्मल विधियों ने वैध कवरेज बनाए रखा। सैद्धांतिक मिक्सिंग बाउंड को अत्यधिक रूढ़िवादी पाया गया (जो $\rho=0.99$ पर कवरेज गिरकर 67% होने की भविष्यवाणी करता है, जबकि देखा गया कवरेज 90% के करीब रहा)।
न्यूसेंस-बायस: ऑरेकल और एस्टिमेटेड DR-ACI ने समान कवरेज दिखाया, जिससे पुष्टि होती है कि न्यूसेंस-बायस टैक्स मानक नमूना आकारों के लिए नगण्य है।
ड्रिफ्ट और डिपेंडेंस (रेजीम D): उच्च डिपेंडेंस ( $\rho=0.95$ $ρ = 0.95$ ) और कोवेरिएट ड्रिफ्ट के संयोजन वाले परिदृश्य में:
- VS-DR-ACI ने स्थिर अंतराल चौड़ाई के साथ वैध कवरेज (89.9%) बनाए रखा।
- Standard DR-ACI ने कवरेज तो बनाए रखा लेकिन भारी अंतराल विस्तार (interval inflation) का शिकार हुआ (चौड़ाई ~170x बढ़ गई)।
- Split Conformal और DML-Wald अंतराल महत्वपूर्ण कवरेज खो बैठे (क्रमशः ~29pp और ~35pp की गिरावट)।
- तंत्र (Mechanism): वेरिएंस स्टैंडर्डाइजेशन ने स्कोर को लगभग यूनिट-वेरिएंस रखने के माध्यम से नॉन-स्टेशनैरिटी के दौरान एडेप्टिव क्वांटाइल के "स्पाइरल" को रोकने में मदद की।
दक्षता (Efficiency): VS-DR-ACI ने वैध कवरेज बनाए रखते हुए स्प्लिट कॉन्फॉर्मल की तुलना में 63% संकीर्ण अंतराल उत्पन्न किए।

अनुभवजन्य अनुप्रयोग: नास्डैक डायनेमिक M-ELO (Empirical Application: Nasdaq Dynamic M-ELO)

इस पद्धति को नास्डैक द्वारा डायनेमिक मिडपॉइंट एक्सटेंडेड लाइफ ऑर्डर्स (M-ELO) के रोलआउट से संबंधित एक प्राकृतिक प्रयोग पर लागू किया गया।

संदर्भ: स्टॉक कोहॉर्ट्स के बीच डायनेमिक होल्ड टाइमर्स का क्रमिक (staggered) अपनाना।
परिणाम: DR-ACI ने उपचार प्रभावों में महत्वपूर्ण विषमता (heterogeneity) की पहचान की। जहाँ बेसलाइन एसिम्प्टोटिक इन्फरेंस ने केवल 12.3% स्टॉक में महत्वपूर्ण प्रभाव पाया, वहीं DR-ACI ने 33.2% की पहचान की (सक्रिय अंतर्दृष्टि में 2,000-स्टॉक की वृद्धि)।
परिशुद्धता (Precision): DR-ACI के अंतराल बेसलाइन एसिम्प्टोटिक अंतराल की तुलना में 50% संकीर्ण थे, जिससे उपचार प्रभावों के स्टॉक-स्तरीय वर्गीकरण के लिए अधिक सटीक वर्गीकरण संभव हुआ।

5. महत्व और दावे (Significance and Claims)

शोध पत्र का दावा है कि यह साहित्य में एक अद्वितीय संगम पर स्थित है: डबलली रोबस्ट स्कोर, $\beta$ -mixing के तहत वैध कवरेज, और ऑनलाइन एडेप्टेशन का संयोजन।

सैद्धांतिक महत्व: यह $\beta$ -mixing के तहत DR स्यूडो-आउटकम्स के लिए पहला कवरेज गारंटी प्रदान करता है, जो निर्भरता की लागत (मिक्सिंग गैप) को स्पष्ट रूप से मापता है और गार्ड बैंड्स के माध्यम से DML बायस रेट के संरक्षण को सिद्ध करता है।
व्यावहारिक महत्व: यह टाइम-सीरीज़ डेटा के लिए एक वितरण-मुक्त, परिमित-नमूना वैध विधि प्रदान करता है जहाँ मानक धारणाएं विफल हो जाती हैं। VS-DR-ACI वेरिएंट को स्थिरता और अंतराल की चौड़ाई में बेहतर प्रदर्शन करने के लिए दिखाया गया है।
सीमाएँ: लेखक स्पष्ट रूप से नोट करते हैं कि सैद्धांतिक गारंटी स्टेशनैरिटी (स्थिरता) को मानती हैं। सिमुलेशन और नास्डैक अनुप्रयोग में देखा गया ड्रिफ्ट के प्रति लचीलापन एक अनुभवजन्य प्रमाण है, न कि मुख्य प्रमेय का हिस्सा। यह भी स्वीकार किया गया है कि स्मूथ स्कोर फंक्शन के लिए मिक्सिंग बाउंड काफी रूढ़िवादी है।