Bayesian Seasonal Adjustment for Survey Time Series

तकनीकी सारांश: सर्वेक्षण समय श्रृंखला के लिए बेयसियन मौसमी समायोजन (Bayesian Seasonal Adjustment)

समस्या विवरण
राष्ट्रीय सांख्यिकीय कार्यालयों (NSOs) द्वारा नियोजित वर्तमान मौसमी समायोजन प्रक्रियाएं, विशेष रूप से X-11 और X-12-ARIMA, सर्वेक्षण अनुमानों को सटीक अवलोकन (exact observations) मानती हैं। यह दृष्टिकोण उन मानक त्रुटियों ($SE^d_t$) को त्याग देता है जिनका गणना सर्वेक्षण पद्धतिविदों द्वारा नियमित रूप से किया जाता है। इसके परिणामस्वरूप, उच्च नमूनाकरण विचरण (high coefficient of variation, CV) वाले महीनों को मौसमी फिल्टर में समान भार दिया जाता है, जबकि उच्च CV वाले महीनों में वास्तव में बहुत अधिक मापन शोर (measurement noise) होता है। यह संरचनात्मक सीमा इन विधियों को वास्तविक मौसमी बहाव (seasonal drift) और नमूनाकरण त्रुटि के कारण होने वाले उतार-चढ़ाव के बीच अंतर करने से रोकती है, और वे प्रवृत्तिगत गतिविधियों (trend movements) या दिशात्मक परिवर्तनों के लिए अनिश्चितता माप (जैसे कि विश्वसनीय अंतराल/credible intervals) प्रदान करने में विफल रहती हैं।

कार्यप्रणाली
यह शोध पत्र डायनेमिक मिनी-मैक्स बेयसियन स्ट्रक्चरल मॉडल (DMM-BSM) का प्रस्ताव करता है, जो एक पूर्ण बेयसियन अनुमान योजना के भीतर एक बेसिक स्ट्रक्चरल मॉडल (BSM) में समय-परिवर्तनीय नमूनाकरण त्रुटि विचरण को सीधे एकीकृत करता है।

1. मॉडल पदानुक्रम (Model Hierarchy):

   • नमूनाकरण मॉडल (Sampling Model): प्रत्यक्ष सर्वेक्षण अनुमान $Y^d_t$ को एक मापन समीकरण के माध्यम से लेटेंट (latent) BSM अवस्था $\alpha^d_t$ से जोड़ता है: $Y^d_t = Z^\top \alpha^d_t + e^d_t$, जहाँ त्रुटि विचरण $V^d_t = (SE^d_t)^2$ को ज्ञात और समय-परिवर्तनीय माना जाता है। यह मानक BSM धारणा (शून्य मापन त्रुटि) के विपरीत है।
   • लिंकिंग मॉडल (Linking Model): यह घटक Tam (2026) से विरासत में प्राप्त है, जो पदानुक्रमित प्रतिगमन (hierarchical regression) के माध्यम से विभिन्न स्तरों (strata) के बीच शक्ति साझा करने की अनुमति देता है, हालांकि यहाँ इसका उपयोग डोमेन स्तर पर किया गया है जहाँ स्ट्रैटम-स्तरीय डेटा उपलब्ध नहीं है।
   • प्रसार मॉडल (Propagation Model): यह पिछले कार्य के AR(1) मॉडल के स्थान पर एक 12-आयामी BSM अवस्था वेक्टर का उपयोग करता है, जिसमें एक स्थानीय स्तर का रुझान (local level trend - $L_t$) और मासिक डेटा ($s=12$) के लिए एक स्टोकेस्टिक मौसमी घटक ($\gamma_t$) शामिल है। सिस्टम मैट्रिक्स $T$ और $R$ निश्चित हैं और उनमें कोई मुक्त पैरामीटर नहीं है।

2. सैद्धांतिक तुल्यता (Theoretical Equivalence):
   यह शोध पत्र हार्वे-टोड (1983) की तुल्यता का लाभ उठाता है, जो यह स्थापित करता है कि शून्य मापन त्रुटि विचरण ($V_t=0$) वाला एक BSM, एयरलाइन ARIMA(0,1,1)(0,1,1)$_{12}$ मॉडल में बदल जाता है। क्लीवलैंड और टियाओ (1976) के साथ मिलकर, यह पुष्टि करता है कि $V_t=0$ के साथ BSM, X-11 फिल्टर के एसिम्प्टोटिक रूप से समकक्ष है। इस प्रकार, DMM-BSM को X-11 से अलग हटकर नहीं, बल्कि एक सिद्धांतपूर्ण बेयसियन सामान्यीकरण के रूप में प्रस्तुत किया गया है जो नमूनाकरण त्रुटि को समाहित करता है।

3. अनुमान एल्गोरिदम (Inference Algorithm):
   पूर्ण संयुक्त स्मूथिंग पोस्टीरियर $\pi(\alpha_{1:T} | y_{1:T})$ प्रदान करने के लिए एक टू-ब्लॉक गिब्स सैंपलर (two-block Gibbs sampler) का उपयोग किया जाता है:

   • ब्लॉक 1 (स्टेट ट्राजेक्टरी): यह फॉरवर्ड फिल्टर बैकवर्ड सैंपलर (FFBS) (कार्टर और कोहन, 1994; फ्रुइथ्वर्थ-श्नाटर, 1994) का उपयोग करता है। फॉरवर्ड पास समय-परिवर्तनीय मापन विचरण $V^d_t$ के साथ कलमन फिल्टर का उपयोग करके अवस्था को अपडेट करता है। बैकवर्ड पास स्मूथिंग पोस्टीरियर से पूरी अवस्था प्रक्षेपवक्र (state trajectory) को संयुक्त रूप से खींचता है।
   • ब्लॉक 2 (हाइपरपैरामीटर्स): यह ब्लॉक 1 में खींचे गए अवस्था प्रक्षेपवक्र के आधार पर विचरण हाइपरपैरामीटर्स ($\sigma^2_\xi, \sigma^2_\omega, \sigma^2_u$) और प्रतिगमन गुणांकों ($\beta$) को अपडेट करता है।
   • चूंकि सिस्टम मैट्रिक्स निश्चित हैं, इसलिए यह सैंपलर बिना किसी मेट्रोपोलिस स्टेप के एक "शुद्ध गिब्स" (pure Gibbs) प्रक्रिया है।

प्रमुख योगदान

1. BSM प्रसार: यह 12-आयामी BSM का उपयोग करके स्केलर AR(1) गतिकी को प्रतिस्थापित करता है, जिससे बेयसियन ढांचे के भीतर रुझान और मौसमी गतिशीलता को अलग करना संभव होता है।
2. नमूनाकरण त्रुटि का समावेश: कलमन फिल्टर मापन समीकरण में स्पष्ट रूप से समय-परिवर्तनीय नमूनाकरण विचरण $V^d_t$ को मॉडल करता है। कलमन गेन (Kalman gain) स्वचालित रूप से संरचनात्मक भविष्यवाणी के सापेक्ष उच्च-CV अवलोकनों के भार को कम कर देता है, जो X-11 में मौजूद नहीं है।
3. सटीक मूवमेंट अनुमान: FFBS गिब्स सैंपलर $k$-स्टेप ट्रेंड मूवमेंट्स ($\Delta^{(k)}_t = L_t - L_{t-k}$) के लिए कैलिब्रेटेड बेयस इंटरवल्स (CBIs) और किसी भी $k \ge 1$ के लिए दिशात्मक परिवर्तन की पोस्टीरियर संभावनाओं ($P(\Delta_t > 0 | y_{1:T})$) की सीधी गणना सक्षम बनाता है।
4. सत्यापित कवरेज श्रेष्ठता: सिमुलेशन अध्ययन दर्शाते हैं कि DMM-BSM, X-11-तुल्य मॉडल (जिसमें $V_t=0$ है) की तुलना में काफी उच्च अनुभवजन्य कवरेज प्राप्त करता है, विशेष रूप से छोटे डोमेन में जहाँ CV अधिक है।

अनुभवजन्य परिणाम
इस ढांचे को दो डोमेन (ऑस्ट्रेलिया - AU, बड़ा डोमेन, औसत CV 0.38%; और ऑस्ट्रेलियन कैपिटल टेरिटरी - ACT, छोटा डोमने, औसत CV 1.62%) के लिए ऑस्ट्रेलियाई ब्यूरो ऑफ स्टैटिस्टिक्स (ABS) के लेबर फोर्स सर्वे (फुल-टाइम एम्प्लॉयमेंट) के 120 महीनों पर लागू किया गया।

• ट्रेंड अनुमान: बड़े डोमेन (AU) में, DMM-BSM के रुझान X-11 के रुझानों का बारीकी से अनुसरण करते हैं, जो हार्वे-टोड तुल्यता की पुष्टि करते हैं। छोटे डोमेन (ACT) में, DMM-BSM उच्च CV (जैसे, कोविड-19 व्यवधान) के दौरान व्यापक विश्वसनीय अंतराल (wider credible intervals) उत्पन्न करता है, जो बढ़ती अनिश्चितता को सही ढंग से दर्शाता है, जबकि X-11 कोई अनिश्चितता माप प्रदान नहीं करता है।
• मौसमी विचरण: DMM-BSM में स्टोकेस्टिक मौसमी विचरण ($\sigma^2_\omega$) का अधिकतम संभावना अनुमान (MLE) शून्य (एक बाउंड्री सॉल्यूशन) तक गिर जाता है। यह सुझाव देता है कि प्रकाशित श्रृंखला में स्पष्ट मौसमी उतार-चढ़ाव वास्तविक स्टोकेस्टिक मौसमी बहाव के बजाय मुख्य रूप से मापन शोर के कारण हैं। इसके विपरीत, X-11-तुल्य मॉडल मापन शोर चैनल की कमी की भरपाई के लिए $\sigma^2_\omega$ को बढ़ाकर 573 व्यक्ति कर देता है।
• कवरेज प्रदर्शन:
  • AU (बड़ा डोमेन): DMM-BSM ने ट्रेंड स्तर के लिए 94.6% और ट्रेंड परिवर्तन के लिए 94.5% कवरेज प्राप्त किया (जो कि नाममात्र 95% के करीब है)। X-11-तुल्य मॉडल ने क्रमशः केवल 78.8% और 64.3% प्राप्त किया।
  • ACT (छोटा डोमेन): DMM-BSM ने 86.7% (ट्रेंड स्तर) और 82.1% (ट्रेंड परिवर्तन) प्राप्त किया। हालांकि यह नाममात्र से कम है, फिर भी यह X-11-तुल्य के 68.2% और 50.8% की तुलना में एक महत्वपूर्ण सुधार है। शोध पत्र इस अंतर का कारण कम सिग्नल-टू-नॉइज़ वाली छोटी श्रृंखलाओं से विचरण मापदंडों का अनुमान लगाने की कठिनाई को बताता है।

महत्व
यह शोध पत्र दावा करता है कि DMM-BSM मौजूदा प्रथाओं का एक "सिद्धांतपूर्ण बेयसियन सामान्यीकरण" है। इसका प्राथमिक महत्व सर्वेक्षण अनुमानों को सटीक मानने की संरचनात्मक खामी को ठीक करना है। नमूनाकरण विचरण को शामिल करके, यह विधि ट्रेंड फिल्टर को "नमूनाकरण शोर का पीछा करने" से रोकती है, जिससे मानक X-11 दृष्टिकोणों में अत्यधिक आत्मविश्वास और गलत अंतराल उत्पन्न होते हैं। यह ढांचा राष्ट्रीय सांख्यिकीय कार्यालयों को ट्रेंड मूवमेंट्स के लिए मॉडल-कंडीशनल अनिश्चितता मात्रा निर्धारण और दिशात्मक संभावनाओं के लिए आउटपुट प्रदान करता है—जो वर्तमान में मानक मौसमी समायोजन उपकरणों से उपलब्ध नहीं हैं। यह अनुभवजन्य निष्कर्ष कि जब नमूनाकरण त्रुटि को ठीक से मॉडल किया जाता है तो स्टोकेस्टिक मौसमी विचरण शून्य हो जाता है, सर्वेक्षण डेटा में मौसमी उतार-चढ़ाव की प्रकृति के बारे में एक नया दृष्टिकोण प्रदान करता है, जो वास्तविक बहाव और मापन शोर के बीच अंतर करता है।