Horseshoe Priors for Spatial Small Area Estimation: Regular Variation, Tail Robustness, and Deep Learning

तकनीकी सारांश: स्थानिक लघु क्षेत्र अनुमान (Spatial Small Area Estimation) के लिए हॉर्सशू प्रायर (Horseshoe Priors)

समस्या विवरण (Problem Statement)
लघु क्षेत्र अनुमान (SAE), उन डोमेनों के लिए प्रत्यक्ष सर्वेक्षण अनुमानकों (direct survey estimators) की निम्न परिशुद्धता की समस्या को संबोधित करता है जहाँ नमूना आकार छोटा होता है, और इसके लिए क्षेत्रों के बीच "शक्ति उधार लेकर" (borrowing strength) सुधार करता है। साहित्य दो अलग-अलग दर्शनों से प्रधान है:

1. संरचित स्मूथिंग (Structured Smoothing): क्षेत्र प्रभावों को एक सुचारू लेटेंट सतह (जैसे, इंट्रिन्सिक कंडिशनल ऑटोरेग्रेसन या BYM2 प्रायर) के रूप में मॉडल करना, जो भौगोलिक पड़ोसियों की ओर अनुमानों को एकत्रित करता है। यह तब इष्टतम होता है जब अंतर्निहित सत्य स्थानिक रूप से सुसंगत (spatially coherent) हो।
2. ग्लोबल-लोकल श्रिंकेज (Global–Local Shrinkage): क्षेत्र प्रभावों पर भारी पूंछ वाले प्रायर (heavy-tailed priors) लगाना ताकि अधिकांश क्षेत्रों को एक रिग्रेशन सतह की ओर संकुचित (shrink) किया जा सके, जबकि वास्तव में विचलित क्षेत्रों को श्रिंकेज से मुक्त रहने दिया जाए। हॉर्सशू प्रायर इसका मानक उदाहरण है।

जबकि ग्लोबल-लोकल विधियों को SAE में लागू किया गया है (जैसे, तांग एट अल., 2018), मौजूदा कार्यों ने मुख्य रूप से ज्ञात, असमान सैंपलिंग वेरिएंस ($D_i$) को केवल एक 'नजेंस पैरामीटर' के रूप में माना है, न कि सैद्धांतिक गारंटी के लिए उनका लाभ उठाया है। इसके अलावा, ज्ञात, हेटेरोस्केडास्टिक वेरिएंस के यथार्थवादी शासन (regime) में स्ट्रक्चर्ड स्मूथिंग और ग्लोबल-लोकल श्रिंकेज के बीच एक कठोर सैद्धांतिक तुलना का अभाव रहा है।

कार्यप्रणाली (Methodology)
लेखक हॉर्सशू फे-हेरियट मॉडल (Horseshoe Fay–Herriot model) का अध्ययन करते हैं जहाँ क्षेत्र प्रभाव $v_i$ एक हॉर्सशू प्रायर का पालन करते हैं:
$$v_i | \lambda_i, \tau \sim N(0, \tau^2 \lambda_i^2), \quad \lambda_i \sim C^+(0, 1), \quad \tau \sim C^+(0, 1)$$
जहाँ $C^+(0, 1)$ मानक हाफ-कॉची (half-Cauchy) वितरण है। मॉडल प्रत्यक्ष अनुमानकों $y_i = x_i^\top \beta + v_i + e_i$ के लिए ज्ञात, असमान सैंपलिंग वेरिएंस $D_i$ को मानता है।

मुख्य कार्यप्रणाली संबंधी नवाचारों में शामिल हैं:

• हेटरोस्केडास्टिक मानकीकरण (Heteroscedastic Standardization): लेखक समस्या को $s_i = (y_i - x_i^\top \beta)/\sqrt{D_i}$ द्वारा मानकीकृत करते हैं, जो हेटरोस्केडास्टिक फे-हेरियट मॉडल को एक यूनिट-वेरिएंस सीक्वेंस मॉडल में बदल देता है। यह होमोजेनस सीक्वेंस मॉडल (वैन डेर पास एट अल., 2014, 2017) से मिनिमैक्स कॉन्ट्रैक्शन थ्योरी को SAE सेटिंग में स्थानांतरित करने की अनुमति देता है।
• रेगुलर वेरिएशन विश्लेषण (Regular Variation Analysis): सैद्धांतिक गुण इस तथ्य से प्राप्त होते हैं कि हॉर्सशू प्रायर अनंत पर रेगुलरली वेरिंग (इंडेक्स $-2$ के साथ) है। यह गुण गाऊसी या लाप्लास प्रायर से भिन्न है और टेल रोबस्टनेस (tail robustness) के पीछे का इंजन है।
• गणना (Computation): हाफ-कॉची स्केल्स के लिए एक ऑक्जिलरी वेरिएबल रिप्रेजेंटेशन (इनवर्स-गामा ऑग्मेंटेशन) का उपयोग करके एक $O(m)$ गिब्स सैंपलर विकसित किया गया है, जो स्थानिक स्मूथर्स के लिए आवश्यक सघन स्थानिक प्रिसिजन मैट्रिक्स फैक्टराइजेशन की कम्प्यूटेशनल जटिलता से बचता है।

प्रमुख योगदान (Key Contributions)
यह शोध पत्र चार विशिष्ट सैद्धांतिक और अनुभवजन्य योगदान देता है:

1. टेल रोबस्टनेस और बाउंडेड इन्फ्लुएंस (Tail Robustness and Bounded Influence):
   एक हेटरोस्केडास्टिक ट्वीडी-ब्राउन पहचान (Tweedie–Brown identity) का उपयोग करते हुए, लेखक सिद्ध करते हैं कि हॉर्सशू अनुमानक का पोस्टीरियर मीन एक रिडिसेडिंग स्कोर (redescending score) रखता है। एक स्ट्रॉन्गली सिग्नल वाले क्षेत्र (बड़ा प्रत्यक्ष अनुमान) के लिए, पोस्टीरियर मीन अनिवार्य रूप से बिना संकुचित हुए रहता है ($E(\theta_i | y_i) \approx y_i$)।

   • विपरीत: गाऊसी रैंडम-इफेक्ट मॉडल (EBLUP, BYM2) निश्चित रैखिक श्रिंकेज लागू करते हैं, जिससे अनबाउंडेड इन्फ्लुएंस होता है जहाँ एक एकल आउटलायर अनुमान को मनमाने ढंग से विकृत कर सकता है। हॉर्सशू का प्रभाव सीमित (bounded) है, जो दूषित प्रत्यक्ष अनुमानों के नुकसान को रोकता है।

2. शार्प हेटरोस्केडास्टिक मिनिमैक्सिटी (Sharp Heteroscedasticity Minimaxity):
   ज्ञात $D_i$ के साथ मानकीकृत करके, लेखक दिखाते हैं कि हॉर्सशू पोस्टीरियर "नियरली-ब्लैक" (स्पार्स) सत्य वर्गों के लिए मिनिमैक्स दर पर संकुचित होता है।

   • पोस्टीरियर $O(q_m \log(m/q_m))$ की दर प्राप्त करता है जहाँ $q_m$ अपवाद स्वरूप क्षेत्रों की संख्या है।
   • एक मिलान निचली सीमा (lower bound) स्थापित की गई है, जो $D$-वेटेड लॉस में शार्प कांस्टेंट को निर्धारित करती है।
   • यह अनुकूलता (optimality) अपवाद स्वरूप क्षेत्रों की संख्या के ओरेकल ज्ञान के बिना, एम्पिरिकल बेज या ग्लोबल स्केल $\tau$ के लिए हाफ-कॉची हाइपरप्रायर का उपयोग करके एडैप्टिव रूप से बनी रहती है।

3. रेजीम सेपरेशन (Regime Separation):
   यह शोध पत्र सैद्धांतिक रूप से निर्धारित करता है कि प्रत्येक दर्शन कब जीतता है:

   • स्मूथ ट्रुथ (Smooth Truth): यदि क्षेत्र प्रभाव एक स्थानिक ग्राफ पर सुचारू रूप से भिन्न होते हैं, तो स्ट्रक्चर्ड स्मूथिंग (BYM/ICAR) अभिसरण की बेहतर दर प्राप्त करता है।
   • स्पार्स ट्रुथ (Sparse Truth): यदि केवल कुछ ही क्षेत्र अपवाद स्वरूप (स्पाइक्स) हैं, तो हॉर्सशू नियर-मिनिमैक्स होता है। रैखिक स्मूथर्स इन स्पाइक्स पर एक अपरिहार्य ओवरस्मूथिंग बायस (oversmoothing bias) डालते हैं जो स्पाइक के परिमाण के साथ बढ़ता है, जबकि हॉर्सशू उनकी रक्षा करता है।

4. अनुभवजन्य साक्ष्य और डायग्नोस्टिक्स (Empirical Evidence and Diagnostics):

   • सिमुलेशन: मोंटे कार्लो अध्ययन सैद्धांतिक क्रॉसओवर की पुष्टि करते हैं। स्पार्स शासन में, हॉर्सशू MSE और इंटरवल कवरेज में EBLUP और BYM से काफी बेहतर प्रदर्शन करता है। स्मूथ शासन में, BYM हॉर्सशू से बेहतर प्रदर्शन करता है।
   • स्कॉटिश लिप कैंसर डेटा: इसे एक कैनोनिकल स्थानिक डेटासेट पर लागू किया गया, जहाँ BYM2 स्मूदर ने होल्ड-आउट डिस्ट्रिक्ट्स के लिए सर्वश्रेष्ठ प्रेडिक्टिव प्रदर्शन प्रदान किया (जो डेटा की स्मूथ स्थानिक प्रकृति के अनुरूप है)। हालांकि, हॉर्सशू श्रिंकेज गुणांक ($\kappa_i$) ने उन विशिष्ट उच्च-और-निम्न-घटना वाले जिलों को सफलतापूर्वक चिह्नित किया जिन्हें स्मूदर ने दबा दिया था, जो विसंगतियों के लिए एक कैलिब्रेटेड स्क्रीनिंग टूल के रूप में कार्य करता है।

महत्व और दावे (Significance and Claims)
यह शोध पत्र तर्क देता है कि हॉर्सशू प्रायर SAE में क्षेत्र प्रभावों के लिए एक ठोस डिफ़ॉल्ट प्रायर के रूप में कार्य करता है, विशेष रूप से तब जब अंतर्निहित सत्य की ज्यामिति अज्ञात हो। इसका महत्व निम्नलिखित में निहित है:

• रोबस्टनेस (Robustness): यह "डेटा को स्वयं बोलने देता है" क्योंकि यह साधारण क्षेत्रों को आक्रामक रूप से एकत्रित करता है जबकि अपवाद स्वरूप क्षेत्रों को बिना संकुचित छोड़े, और इसके लिए विश्लेषक को आउटलेर्स को पूर्व-पहचान करने की आवश्यकता नहीं होती।
• कोई ट्यूनिंग या ग्राफ की आवश्यकता नहीं: स्ट्रक्चर्ड स्मूथिंग के विपरीत, इसके लिए किसी पड़ोस ग्राफ की आवश्यकता नहीं है और यह एक एकल ग्लोबल स्केल के माध्यम से अपवाद स्वरूप क्षेत्रों की संख्या के अनुकूल होता है।
• सैद्धांतिक गारंटी: यह ज्ञात, असमान वेरिएंस के साथ फे-हेरियट मॉडल के लिए मिनिमैक्सिटी और ईमानदार क्रेडिबल सेट्स (credible sets) का पहला प्रमाण प्रदान करता है।
• डायग्नोस्टिक उपयोगिता: पोस्टीरियर श्रिंकेज गुणांक विसंगति का पता लगाने के लिए एक निरंतर, व्याख्या योग्य स्कोर प्रदान करते हैं, जो अनुमान और स्क्रीनिंग के बीच के अंतर को पाटते हैं।

लेखक निष्कर्ष निकालते हैं कि स्मूथिंग और श्रिंकेज के बीच का चुनाव अज्ञात सतह की ज्यामिति के बारे में एक चुनाव है। जबकि स्ट्रक्चर्ड स्मूथिंग स्मूथ स्थानिक क्षेत्रों के लिए इष्टतम है, हॉर्सशू स्पार्स, आउटलायर-प्रोन डेटा के लिए एक मजबूत, मिनिमैक्स-ऑप्टिमल विकल्प प्रदान करता है, जिसमें उन अपवाद स्वरूप क्षेत्रों की पहचान करने का अतिरिक्त लाभ है जिन्हें रैखिक स्मूथर्स अस्पष्ट कर देते हैं।