Minimum Density Power Divergence Estimation for the Gamma Distribution with Applications to Robust Rainfall Modeling

तकनीकी सारांश: गामा वितरण के लिए न्यूनतम घनत्व शक्ति विचलन अनुमान: वर्षा मॉडलिंग के अनुप्रयोगों के साथ

समस्या विवरण
वर्षा के आंकड़ों का सांख्यिकीय मॉडलिंग मौसम विज्ञान, जल विज्ञान और कृषि में अत्यंत महत्वपूर्ण है। वर्षा के अवलोकनों की विशिष्ट सकारात्मक विषमता (positive skewness) और दाहिनी पूंछ वाले व्यवहार (right-tail behavior) को पकड़ने की अपनी लचीली क्षमता के कारण गामा वितरण को इस उद्देश्य के लिए व्यापक रूप से पसंद किया जाता है। हालांकि, वर्षा के डेटासेट में अक्सर माप संबंधी त्रुटियों या चरम मौसम की घटनाओं से उत्पन्न होने वाले असामान्य अवलोकन (atypical observations) शामिल होते हैं। शास्त्रीय अधिकतम संभावना अनुमान (Maximum Likelihood Estimation - MLE), जबकि इसमें वांछनीय बड़े-नमूना गुण (large-sample properties) होते हैं, डेटा संदूषण के प्रति अत्यधिक संवेदनशील है। आउटलेर्स (outliers) की एक छोटी संख्या भी मापदंड अनुमानों को गंभीर रूप से विकृत कर सकती है, जिससे वितरण के केंद्रीय भाग के संबंध में निष्कर्ष अविश्वसनीय हो जाते हैं। यद्यपि रोबस्ट एस्टिमेशन फ्रेमवर्क मौजूद हैं, लेकिन गामा वितरण के लिए न्यूनतम घनत्व शक्ति विचलन अनुमानक (Minimum Density Power Divergence Estimator - MDPDE) के व्यापक अनुप्रयोग की आवश्यकता है, जिसमें विस्तृत सैद्धांतिक व्युत्पत्ति, दक्षता-मजबूती (efficiency-robustness) व्यापार-बंद विश्लेषण और वास्तविक दुनिया के मौसम संबंधी डेटा पर व्यावहारिक अनुप्रयोग शामिल हो।

कार्यप्रणाली
यह शोध पत्र न्यूनतम घनत्व शक्ति विचलन (MDPDE) पर आधारित दो-पैरामीटर गामा वितरण (आकार $a$ और दर $b$) के लिए एक रोबस्ट एस्टिमेशन फ्रेमवर्क विकसित करता है। MDPDE, अनुमानित पैरामेट्रिक मॉडल और वास्तविक डेटा-जनरेटिंग वितरण के बीच घनत्व शक्ति विचलन (Density Power Divergence - DPD) को कम करता है, जिसे एक ट्यूनिंग पैरामीटर $\alpha \ge 0$ द्वारा नियंत्रित किया जाता है।

• सैद्धांतिक ढांचा: जब $\alpha = 0$ होता है, तो DPD कुल्बैक-लीब्लर विचलन (Kullback–Leibler divergence) में बदल जाता है, जो MLE को पुनः प्राप्त करता है। जैसे-जैसे $\alpha$ बढ़ता है, यह कम-घनत्व वाले क्षेत्रों में अवलोकनों को कम महत्व देकर आउटलेर्स के प्रति अधिक प्रगतिशील रूप से मजबूत (robust) होता जाता है।
• व्युत्पत्ति: लेखक गामा वितरण के लिए स्पष्ट अनुमान समीकरण (estimating equations) व्युत्पन्न करते हैं। वे अनुमानक की स्पर्शोन्मुख सामान्यता (asymptotic normality) स्थापित करते हैं और स्पर्शोन्मुख सहप्रसरण आव्यूह (asymptotic covariance matrix) के लिए बंद-रूप (closed-form) अभिव्यक्तियों को प्रदान करते हैं, जिसमें संवेदनशीलता आव्यूह ($J_\alpha$) और परिवर्तनशीलता आव्यूह ($K_\alpha$) शामिल हैं।
• रोबस्टनेस विश्लेषण: प्रभाव फलन (influence function - IF) का आकलन करने के लिए इसे व्युत्पन्न किया गया है। सैद्धांतिक विश्लेषण प्रदर्शित करता है कि $\alpha > 0$ के लिए, प्रभाव फलन परिबद्ध (bounded) है, जो चरम संदूषण के प्रति प्रतिरोध सुनिश्चित करता है, जबकि MLE ($\alpha=0$) का प्रभाव फलन अपरिबद्ध (unbounded) होता है।
• दक्षता विश्लेषण: MLE के सापेक्ष MDPDE की स्पर्शोन्मुख सापेक्ष दक्षता (Asymptotic Relative Efficiency - ARE) की जांच की गई है। शोध पत्र सिद्ध करता है कि ARE, दर पैरामीटर $b$ से स्वतंत्र है और आकार पैरामीटर $a$ तथा ट्यूनिंग पैरामीटर $\alpha$ पर निर्भर करता है।
• ट्यूनिंग पैरामीटर चयन: फ्युजीसावा और एगुची (2006) के दृष्टिकोण का अनुसरण करते हुए, अनुभवजन्य क्रैमर-वॉन मिज़ेस (Cramér–von Mises - CVM) दूरी को न्यूनतम करके इष्टतम $\alpha$ चुनने के लिए एक डेटा-संचालित प्रक्रिया प्रस्तावित की गई है।

प्रमुख योगदान

1. व्यापक सैद्धांतिक विकास: पिछले कार्यों के विपरीत, जिन्होंने बिना पूर्ण व्याख्या के गामा वितरण पर MDPDE लागू किया था, यह शोध पत्र अनुमान समीकरणों, स्पर्शोन्मुख सहप्रसरण आव्यूह और प्रभाव फलन घटकों के लिए स्पष्ट बंद-रूप अभिव्यक्तियाँ व्युत्पन्न करता है।
2. सैद्धांतिक गुण: यह शोध पत्र गामा वितरण के लिए MDPDE की निरंतरता (consistency) और स्पर्शोन्मुख सामान्यता स्थापित करता है। यह कठोरता से सिद्ध करता है कि $\alpha > 0$ (शर्त $a > 1$ के तहत) के लिए प्रभाव फलन परिबद्ध है और दर पैरामीटर के प्रति स्पर्शोन्मुख सहप्रसरण आव्यूह तत्वों की आनुपातिकता के संबंध में प्रमेय प्रदान करता है।
3. सिमुलेशन अध्ययन: शुद्ध और संदूषित गामा मॉडलों (0%, 1%, 5%, और 10% संदूषण स्तरों के साथ) के तहत व्यापक मोंटे कार्लो सिमुलेशन किए गए हैं। इसमें MDPDE की तुलना MLE, मेथड ऑफ मोमेंट्स (MM), पर्सेंटाइल (PT), लीस्ट स्क्वेयर्स (LS), वेटेड लीस्ट स्क्वेयर्स (WLS), और एल-मोमेंट (LM) अनुमानकों से की गई है।
4. वास्तविक दुनिया का अनुप्रयोग: इस कार्यप्रणाली को भारत के 36 मौसम उपखंडों (1951-2014) के डिट्रेंडेड एरियलली वेटेड मानसून वर्षा डेटा पर लागू किया गया है। इस अध्ययन में टेम्पोरल ट्रेंड्स को हटाने के लिए प्रीप्रोसेसिंग और एडजस्टेड-बॉक्सपलोट विधि का उपयोग करके आउटलेर्स की पहचान करना शामिल है।

परिणाम

• सिमुलेशन प्रदर्शन: अदूषित सेटिंग्स में, छोटा $\alpha$ (जैसे, 0.1) वाला MDPDE, नगण्य दक्षता हानि के साथ MLE के तुल्य प्रदर्शन करता है। जैसे-जैसे संदूषण बढ़ता है, MDPDE पूर्वाग्रह (bias) और माध्य वर्ग त्रुटि (MSE) के मामले में शास्त्रीय विधियों से काफी बेहतर प्रदर्शन करता है। विशेष रूप से, गंभीर संदूषण (10%) के तहत, $\alpha \approx 0.5$ या $1$ वाला MDPDE सबसे कम पूर्वाग्रह और MSE देता है, जबकि शास्त्रीय अनुमानक (विशेष रूप से LM और MM) तेजी से खराब होते हैं। डेटा-संचालित चयन $\alpha_{opt}$ लगातार एक व्यावहारिक समझौता प्रदान करता है।
• प्रभाव फलन: सैद्धांतिक और ग्राफिकल परिणाम पुष्टि करते हैं कि $\alpha > 0$ के लिए, प्रभाव फलन परिबद्ध है और आउटलेर मान बढ़ने के साथ तेजी से घटता है, जो MLE की अपरिबद्ध प्रकृति के विपरीत है।
• वर्षा डेटा विश्लेषण: भारतीय मानसून डेटा पर अनुप्रयोग से अनुमानित आकार और दर मापदंडों में पर्याप्त स्थानिक विषमता का पता चलता है। डेटा-संचालित चयन प्रक्रिया ने इष्टतम $\alpha$ मान 0.127 और 0.499 के बीच दिए, जो विभिन्न क्षेत्रों में मध्यम मजबूती (moderate robustness) के प्रति प्राथमिकता को दर्शाता है। MDPDE ने वर्षा के क्वांटाइल्स (30%, 50%, 70% अति-प्रायिकता) के स्थिर अनुमान प्रदान किए। हालांकि बिंदु अनुमान (point estimates) MLE से भिन्न थे (विभिन्न संभावनाओं के लिए -61 मिमी से 68 मिमी तक), स्पर्शोन्मुख सापेक्ष दक्षता उच्च बनी रही (मध्यगत ARE $\approx$ 0.84–0.85), जो अनुमान अनिश्चितता में न्यूनतम समझौते का सुझाव देती है।

महत्व और दावे
शोध पत्र का दावा है कि प्रस्तावित MDPDE फ्रेमवर्क "मजबूती और दक्षता के बीच एक उपयोगी समझौता" प्रदान करता है। यह दावा करता है कि यह कार्यप्रणाली आउटलेर्स की उपस्थिति में MLE की तुलना में अधिक स्थिर निष्कर्ष प्रदान करती है और अदूषित डेटा के लिए उच्च दक्षता बनाए रखती है। लेखक इस बात पर जोर देते हैं कि यह दृष्टिकोण अन्य विचलन-आधारित विधियों के लिए आवश्यक गैर-पैरामीट्रिक घनत्व अनुमान की कम्प्यूटेशनल जटिलता से बचता है। भारतीय वर्षा डेटा पर इस फ्रेमवर्क को लागू करके, यह शोध वास्तविक दुनिया के डेटासेट को संभालने में इसकी व्यावहारिक उपयोगिता को प्रदर्शित करता है जिसमें असामान्य अवलोकन हो सकते हैं, जो धनात्मक रूप से विषम पर्यावरणीय डेटा के लिए शास्त्रीय संभावना-आधारित निष्कर्षों के लिए एक रोबस्ट विकल्प प्रदान करता है। यह कार्य MDPDE को एक सैद्धांतिक रूप से न्यायसंगत और कम्प्यूटेशनल रूप से व्यवहार्य उपकरण के रूप में स्थापित करता है।