📊 statistics

Bias-corrected Cox regression with AI-extracted covariates via calibration summary statistics

यह शोध पत्र कॉक्स प्रोपोर्शनल हैजर्ड्स मॉडल्स के लिए एक बायस-करेक्शन फ्रेमवर्क का प्रस्ताव करता है जो नैइव (naive) अनुमानों और कॉन्फिडेंस इंटरवल्स को समायोजित करने के लिए AI-एक्सट्रैक्टेड कोवेरिएट्स से प्राप्त सारांश अंशांकन सांख्यिकी (summary calibration statistics) का उपयोग करता है, जिससे उन बड़े पैमाने के ऑब्जर्वेशनल अध्ययनों में पूर्वाग्रह को कम किया जा सके और वैध निष्कर्ष सुनिश्चित किया जा सके जहाँ केवल एक्सट्रैक्टेड डेटा और सटीकता मेट्रिक्स ही उपलब्ध होते हैं।

मूल लेखक: Arjun Sondhi

प्रकाशित 2026-07-29

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Arjun Sondhi

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

"काफी हद तक सही" डेटा का रहस्य

कल्पना कीजिए कि आप एक जासूस हैं जो एक अपराध को सुलझाने की कोशिश कर रहे हैं, लेकिन सबसे महत्वपूर्ण सुराग—गवाहों के बयान—एक ऐसी भाषा में लिखे गए हैं जिसे आप नहीं जानते। आप एक अनुवादक (एक आर्टिफिशियल इंटेलिजेंस) को नियुक्त करते हैं ताकि वह उन बयानों को अंग्रेजी में बदल सके। अनुवादक काफी अच्छा काम करता है, लेकिन वह एकदम सटीक नहीं है। कभी-कभी वह "बाएं" को "दाएं" से बदल देता है, या समय के बारे में कोई विवरण छोड़ देता है। यदि आप केवल अनुवादक के नोट्स का उपयोग करके मामला सुलझाने की कोशिश करते हैं, तो आपका निष्कर्ष गलत हो सकता है। आप सोच सकते हैं कि अपराधी बाएं गया था जबकि वास्तव में वह दाएं गया था।

चिकित्सा अनुसंधान की दुनिया में, वैज्ञानिक इसी तरह की पहेली का सामना करते हैं। उनके पास रोगी के रिकॉर्ड का विशाल ढेर होता है, लेकिन बहुत सारी जानकारी डॉक्टरों द्वारा लिखे गए अव्यवस्थित, असंरचित नोट्स के भीतर छिपी होती है। इसे समझने के लिए, वे मुख्य तथ्यों, जैसे कि रोगी की आयु, वजन, या क्या उसे कोई विशिष्ट लक्षण था, को "निकालने" (extract) के लिए AI का उपयोग करते हैं। यह एक बड़ी मदद है, लेकिन AI भगवान नहीं है; यह गलतियाँ करता है। बड़ा सवाल शोधकर्ताओं के लिए यह है: यदि AI गलतियाँ करता है, तो क्या हम अभी भी इस बात पर भरोसा कर सकते हैं कि मरीजों के जीवित रहने की अवधि की भविष्यवाणी करने के लिए उपयोग किए जाने वाले गणित पर भरोसा किया जा सकता है?

यह शोध पत्र ठीक इसी समस्या को एक सांख्यिकीय उपकरण जिसका नाम कॉक्स मॉडल (Cox model) है, का उपयोग करके हल करता है। कॉक्स मॉडल को एक परिष्कृत कैलकुलेटर के रूप में समझें जो यह गणना करता है कि विभिन्न कारक (जैसे आयु या एक विशिष्ट उपचार) किसी घटना के होने के जोखिम (जैसे दिल का दौरा पड़ना या बीमारी का वापस आना) को कैसे बदलते हैं। आमतौर पर, यदि आप इस कैलकुलेटर में खराब डेटा डालते हैं, तो यह आपको गलत उत्तर देता है। इस शोध पत्र के लेखकों ने जानना चाहा: यदि हमें पता है कि AI कैसे गलतियाँ करता है (लेकिन हमारे पास जांचने के लिए मूल, सटीक नोट्स नहीं हैं), तो क्या हम कैलकुलेटर के उत्तर को ठीक कर सकते हैं?

AI की गलतियों के लिए "जादुई सुधार"

शोधकर्ताओं ने, अर्जुन सोंधी के नेतृत्व में, इन AI-जनित त्रुटियों को ठीक करने का एक चतुर नया तरीका विकसित किया है। उन्होंने महसूस किया कि भले ही AI की गलतियाँ अव्यवस्थित हो सकती हैं, लेकिन वे अक्सर एक पैटर्न का पालन करती हैं। यह वैसा ही है जैसे यदि कोई अनुवादक हर वाक्य में एक अतिरिक्त "बहुत" जोड़ देता है, या यदि एक तराजू आपको हमेशा 2 पाउंड अधिक तौलता है। यदि आप पैटर्न जानते हैं, तो आप गणितीय रूप से इसे उलट सकते हैं।

यह शोध पत्र एक कार्यप्रवाह (workflow) प्रस्तावित करता है जो AI बनाने वालों को डेटा का उपयोग करने वालों से अलग करता है।

वेंडर (AI निर्माता): वे अपने AI का परीक्षण पूर्ण, मानव-जांच वाले नोट्स के एक छोटे सेट पर करते हैं। इस परीक्षण से, वे एक "सुधार मानचित्र" (एक गणितीय मैट्रिक्स जिसे B कहा जाता है) की गणना करते हैं, जो दिखाता है कि AI के नंबर सत्य से कितने भिन्न हैं। उन्हें शोधकर्ता को मूल नोट्स देने की आवश्यकता नहीं है; उन्हें बस यह मानचित्र और कुछ अन्य सारांश संख्याएं देनी होंगी।
शोधकर्ता (डेटा उपयोगकर्ता): वे अव्यवस्थित AI डेटा लेते हैं और अपना मानक उत्तरजीविता विश्लेषण (survival analysis - Cox model) चलाते हैं। यह उन्हें एक "नेइव" (naive) परिणाम देता है, जो संभवतः पक्षपाती (biased) है। लेकिन फिर, वे उस परिणाम को वेंडर द्वारा प्रदान किए गए "सुधार मानचित्र" से गुणा करते हैं।

परिणाम क्या है? एक पक्षपात-सुधारित अनुमान (bias-corrected estimate)। शोध पत्र दिखाता है कि यह सरल गणितीय ट्रिक अधिकांश त्रुटियों को मिटा सकती है। उनके कंप्यूटर सिमुलेशन में, जहाँ उन्होंने ज्ञात गलतियों के साथ नकली डेटा बनाया था, "नेइव" AI परिणाम अक्सर बहुत गलत थे—कभी-कभी वास्तविक उत्तर से 50% तक चूक जाते थे। उनके सुधार लागू करने के बाद, परिणाम सत्य के बहुत करीब आ गए, अक्सर त्रुटि को आधे से अधिक कम कर दिया।

वे कितने आश्वस्त हैं?

लेखक अपने दावों के प्रति बहुत सावधान हैं। उन्होंने केवल अनुमान नहीं लगाया; उन्होंने अपने तरीके को साबित करने के लिए सैकड़ों कंप्यूटर सिमुलेशन चलाए।

अच्छी खबर: जब AI की गलतियाँ कुछ हद तक यादृच्छिक (random) थीं या एक सीधी रेखा के पैटर्न का पालन करती थीं (जैसे एक निरंतर अंतर), तो सुधार ने शानदार काम किया। इसने परिणामों को वापस वहां पहुंचा दिया जहां उन्हें होना चाहिए था, और उनके विश्वास अंतराल (confidence intervals - वह सीमा जहां वास्तविक उत्तर होने की संभावना है) सटीक थे।
सावधानी: यह विधि इस विचार पर निर्भर करती है कि AI की त्रुटियां "रैखिक" (linear) हैं। कल्पना कीजिए कि एक पैमाना (ruler) है जो समान रूप से खिंच गया है; आप इसे आसानी से ठीक कर सकते हैं। लेकिन यदि पैमाना किसी अजीब, घुमावदार तरीके से मुड़ा हुआ है (non-linear), तो सुधार पूर्ण नहीं होता है। शोध पत्र दिखाता है कि यदि AI की त्रुटियां बहुत जटिल या "घुमावदार" हो जाती हैं, तो सुधार मदद तो करता है, लेकिन सब कुछ ठीक नहीं कर पाता।
वे क्या नहीं करते: शोध पत्र स्पष्ट रूप से कहता है कि यह विधि केवल तभी काम करती है जब परिणाम (जैसे कि मरीज की मृत्यु की तारीख या बीमारी का होना) पूरी तरह से दर्ज किया गया हो। यदि AI परिणाम का भी अनुमान लगा रहा है, तो गणित बहुत कठिन हो जाता है, और यह विशिष्ट सुधार अभी लागू नहीं होता है। वे यह भी नोट करते हैं कि यदि शोधकर्ता AI के गलत लेबल (जैसे कि केवल उन मरीजों का अध्ययन करना जिन्हें AI ने सोचा कि बीमारी है) के आधार पर रोगियों के विशिष्ट समूहों को चुनते हैं, तो सुधार उतना प्रभावी नहीं हो सकता है।

निष्कर्ष

यह शोध पत्र यह नहीं कहता कि "AI पूर्ण है" या "AI बेकार है।" इसके बजाय, यह वास्तविक दुनिया के लिए एक व्यावहारिक टूलकिट प्रदान करता है। यह सुझाव देता है कि डेटा वेंडरों को केवल यह कहना बंद कर देना चाहिए कि, "हमारा AI 90% सटीक है," और इसके बजाय एक विशिष्ट "सुधार मानचित्र" (टेबल 1 में दिए गए सारांश सांख्यिकी) प्रदान करना चाहिए। यह शोधकर्ताओं को प्राप्त होने वाले अपूर्ण डेटा को लेने, अपना मानक सॉफ्टवेयर चलाने और फिर एक बहुत अधिक विश्वसनीय उत्तर प्राप्त करने के लिए एक सरल गणितीय "पैच" लागू करने की अनुमति देता है।

यह थोड़ा वैसा ही है जैसे यह महसूस करना कि आपका GPS एक चुंबकीय क्षेत्र के कारण थोड़ा गलत है। आपको GPS को फिर से बनाने की आवश्यकता नहीं है; आपको बस एक समायोजन कारक (adjustment factor) की आवश्यकता है जो आपको बताए, "हे, मानचित्र कहता है कि उत्तर वास्तव में 5 डिग्री पूर्व है।" इस नए ढांचे के साथ, चिकित्सा शोधकर्ता अंततः AI-निकाले गए डेटा पर इतना भरोसा कर सकते हैं कि वे जीवन-मरण के निर्णय ले सकें, भले ही डेटा पूर्ण न हो।

तकनीकी सारांश: AI-निष्कर्षित सहचरों के साथ बायस-सुधारित कॉक्स रिग्रेशन (Bias-Corrected Cox Regression)

समस्या विवरण

बड़े पैमाने पर अवलोकन संबंधी अध्ययन (observational studies) अनस्ट्रक्चर्ड क्लिनिकल रिकॉर्ड से स्ट्रक्चर्ड सहचरों (covariates) को निकालने के लिए AI पाइपलाइनों (LLMs और NLP सहित) का तेजी से उपयोग कर रहे हैं। शोध कार्यप्रवाह (workflow) में एक संरचनात्मक विच्छेद (disconnect) मौजूद है: डेटा वेंडर्स गोल्ड-स्टैंडर्ड लेबल के विरुद्ध निष्कर्षण सटीकता को सत्यापित करते हैं और सारांश सांख्यिकी (जैसे, संवेदनशीलता, विशिष्टता, RMSE) प्रदान करते हैं, लेकिन डाउनस्ट्रीम शोधकर्ताओं को केवल निष्कर्षित डेटासेट और ये सारांश प्राप्त होते हैं, युग्मित सत्यापन डेटा (paired validation data) तक उनकी पहुँच नहीं होती है।

इन त्रुटिपूर्ण AI-निष्कर्षित सहचरों का कॉक्स समानुपाती जोखिम मॉडल (Cox proportional hazards models) में उपयोग करने से पैरामीटर अनुमानों (हैज़र्ड रेशियो) में व्यवस्थित पूर्वाग्रह (systemlyatic bias) उत्पन्न होता है। जबकि लीनियर मॉडल और जनरलाइज्ड लीनियर मॉडल के लिए मेजरमेंट एरर थ्योरी अच्छी तरह से स्थापित है, कॉक्स मॉडल के लिए इसका अनुप्रयोग हैज़र्ड फंक्शन की नॉन-कोलैप्सिबिलिटी (non-collapsibility) और रिस्क सेट्स की सहचर मूल्यों पर निर्भरता के कारण जटिल हो जाता है। मौजूदा पोस्ट-प्रेडिक्शन इन्फरेंस विधियों के लिए आमतौर पर युग्मित लेबल वाले डेटा तक पहुँच की आवश्यकता होती है ताकि अनुमानों को सुधारा जा सके, जो इस वेंडर-रिसर्चर अलगाव परिदृश्य में उपलब्ध नहीं है। केंद्रीय प्रश्न यह है कि क्या केवल वेंडर द्वारा रिपोर्ट किए गए सारांश सांख्यिकी का उपयोग करके वैध बायस सुधार और इन्फरेंस संभव है।

कार्यप्रणाली

ढांचा और धारणाएं

यह शोध निम्नलिखित धारणाओं के तहत एक एकीकृत बहुभिन्नरूपी अंशांकन ढांचे (unified multivariate calibration framework) का प्रस्ताव करता है:

डेटा संरचना: घटना के समय ( $T$ ) और संकेतकों ( $\Delta$ ) को सटीक रूप से देखा जाता है। सहचर ( $X$ ) केवल AI-निष्कर्षित सरोगेट्स ( $X^*$ ) के माध्यम से देखे जाते हैं।
गैर-विभेदक त्रुटि (Non-differential Error): निष्कर्षण त्रुटि वास्तविक सहचरों के दिए गए होने पर परिणाम से स्वतंत्र है ( $X^* \perp (T, \Delta) \mid X$ )।
रैखिक अंशांकन (Linear Calibration): निष्कर्षित सहचरों के दिए गए होने पर वास्तविक सहचरों का सशर्त माध्य $E[X \mid X^*] = a + BX^*$ है, जहाँ $B$ एक नॉन-सिंगुलर $p \times p$ कैलिब्रेशन स्लोप मैट्रिक्स है।

बायस अपघटन (थ्योरम 1)

लेखक नेटिव कॉक्स एस्टिमेटर $\hat{\beta}^*$ (जो $X^*$ पर फिट किया गया है) के लिए एक क्लोज्ड-फॉर्म एसिम्प्टोटिक बायस अपघटन व्युत्पन्न करते हैं। वास्तविक गुणांक $\beta$ और प्रोबेबिलिटी लिमिट $\beta^*$ के बीच के अंतर को इस प्रकार व्यक्त किया गया है:
$\beta - \beta^* = \left[ (B^\top)^{-1} - I \right] \beta^* - \Omega_{RC}^{-1} u_{RC}(\beta)$

लीडिंग-ऑर्डर टर्म: $\left[ (B^\top)^{-1} - I \right] \beta^*$ । यह टर्म केवल कैलिब्रेशन स्लोप मैट्रिक्स $B$ और नेटिव एस्टिमेट पर निर्भर करता है।
रेसिडुअल टर्म: $\Omega_{RC}^{-1} u_{RC}(\beta)$ । यह रिग्रेशन कैलिब्रेशन (RC) रेसिड्यूल है, जो निष्कर्षण सटीकता में सुधार होने पर (अर्थात, जब सशर्त विचरण $\Sigma_{X|X^*} \to 0$ हो) शून्य हो जाता है।

सुधारात्मक एस्टिमेटर (Corrected Estimator)

दूसरे-क्रम के रेसिड्यूल (जो सटीक निष्कर्षण के तहत मान्य है) को नजरअंदाज करते हुए, सुधारात्मक एस्टिमेटर को एक पोस्ट-हॉक मैट्रिक्स गुणन के रूप में व्युत्पन्न किया गया है:
$\hat{\beta}_{corr} = (\hat{B}^\top)^{-1} \hat{\beta}^*$
जहाँ $\hat{B}$ वेंडर-रिपोर्टेड कैलिब्रेशन स्लोप मैट्रिक्स है। इस ऑपरेशन के लिए मानक कॉक्स सॉफ्टवेयर के पार्शियल लाइकलीहुड फिटिंग प्रक्रिया में किसी संशोधन की आवश्यकता नहीं होती है।

इन्फरेंस और अनिश्चितता प्रसार (Inference and Uncertainty Propagation)

लेखक रैखिक कंट्रास्ट $c^\top \beta$ के लिए दो प्रकार के कॉन्फिडेंस इंटरवल (CI) विकसित करते हैं:

प्लग-इन CI: $\hat{B}$ को ज्ञात मानकर चलता है। इसका विचरण $V_{\beta^*} = (\hat{B}^\top)^{-1} \hat{\Sigma}_{\beta^*} (\hat{B})^{-1}$ है।
प्रोपगेटेड CI: $\hat{B}$ से प्राप्त अंशांकन अनिश्चितता को ध्यान में रखता है, जिसमें स्टडी-डेटा विचरण और $\hat{B}$ के विचरण योगदान का योग होता है, जिसमें वेंडर-रिपोर्टेड रेसिड्यूल कोवेरिएंस मैट्रिक्स ( $\hat{\Sigma}_{resid}$ ) और डिज़ाइन ग्राम इनवर्स ( $(X^{*\top}X^*)^{-1}$ ) का उपयोग किया जाता है।

संवेदनशीलता डायग्नोस्टिक (Sensitivity Diagnostic)

उस RC रेसिड्यूल प्रभाव का आकलन करने के लिए जिसे (जिसे डेटा से अनुमानित नहीं किया जा सकता) लेखक एक संवेदनशीलता अनुपात $\rho$ प्रस्तावित करते हैं। यह अनुपात RC रेसिड्यूल एरर के बाउंड की तुलना प्रोपगेटेड कॉन्फिडेंस इंटरवल की चौड़ाई से करता है। यदि $\rho \ll 1$ है, तो लीडिंग-ऑर्डर सुधार पर्याप्त माना जाता है; यदि $\rho$ उल्लेखनीय है, तो CI वास्तविक अनिश्चितता को कम करके दिखा सकता है।

मुख्य योगदान

क्लोज्ड-फॉर्म बायस करेक्शन: कॉक्स मॉडल के लिए एक पूर्णतः गणनीय, लीडिंग-ऑर्डर बायस सुधार का व्युत्पन्न, जो केवल वेंडर-रिपोर्टेड सारांश सांख्यिकी ( $\hat{B}$ ) और मानक सॉफ्टवेयर आउटपुट ( $\hat{\beta}^*$ ) पर कार्य करता है।
एकीकृत बहुभिन्नरूपी ढांचा: यह विधि सहचरों के बीच स्वतंत्र त्रुटियों को माने बिना, एक मल्टीवेरिएट कैलिब्रेशन मैट्रिक्स के माध्यम से क्रॉस-डिपेंडेंट निष्कर्षण त्रुटियों को स्वचालित रूप से संभालती है।
बायस-एडजस्टेड इन्फरेंस: अध्ययन डेटा और वेंडर के वैलिडेशन सैंपल दोनों से अनिश्चितता को शामिल करने वाले विचरण प्रसार सूत्रों का विकास, जो वैध कॉन्फिडेंस इंटरवल सक्षम बनाता है।
रिपोर्टिंग स्पेसिफिकेशन: सारांश सांख्यिकी का एक ठोस सेट (टेबल 1) परिभाषित करना जिसे वेंडर को प्रदान करना चाहिए, जिसमें पूर्ण कैलिब्रेशन स्लोप मैट्रिक्स, रेसिड्यूल कोवेरिएंस और डिज़ाइन ग्राम इनवर्स शामिल है।

सिमुलेशन परिणाम

ढांचे का मूल्यांकन दो सिमुलेशन अध्ययनों के माध्यम से किया गया:

अध्ययन 1 (क्रॉस-डिपेंडेंट एरर्स): साझा लेटेंट फैक्टर द्वारा संचालित सिम्युलेटेड निष्कर्षण त्रुटियां, जो निरंतर और बाइनरी सहचरों के बीच सहसंबंध उत्पन्न करती हैं।
- बायस: नेटिव एस्टिमेटर ने पर्याप्त बायस दिखाया (उदाहरण के लिए, एक निरंतर सहचर के लिए 19% एटेन्यूएशन, एक बाइनरी के लिए 50%)। सुधारात्मक एस्टिमेटर ने साइन वाले बायस को सभी सहचरों के लिए लगभग शून्य (<0.03) तक कम कर दिया।
- कवरेज: नेटिव CIs का कवरेज खराब था (3–50%)। प्लग-इन CIs ने कवरेज में सुधार किया (82–92%) लेकिन कैलिब्रेशन अनिश्चितता के कारण de-nominal 95% स्तर से नीचे रहे। प्रोपगेटेड CIs ने नाममात्र या उससे अधिक कवरेज (94–99%) प्राप्त किया।
अध्ययन 2 (नॉनलीनर कैलिब्रेशन): स्थिर कुल त्रुटि बनाए रखते हुए नियंत्रित उल्लंघन (क्वाड्रेटिक डिस्टॉर्शन और हेटेरोसेडास्टिक नॉइज़) के विरुद्ध मजबूती का परीक्षण।
- प्रदर्शन: सभी नॉनलिनैरिटी स्तरों पर नेटिव एस्टिमेटर की तुलना में सुधारात्मक एस्टिमेटर ने RMSE को काफी कम किया।
- सीमाएं: गंभीर नॉनलिनैरिटी के तहत, प्रोपगेटेड CIs के कवरेज में गिरावट आई (निरंतर सहचरों के लिए ~81% और बाइनरी के लिए ~85% तक गिर गया), जो दर्शाता है कि जब कैलिब्रेशन उल्लंघन गंभीर होते हैं, तो लीनियर एप्रोक्सिमेशन अपर्याप्त हो जाता है।

महत्व और दावे

यह शोध AI-निष्कर्षित क्लिनिकल रिसर्च डेटा के पारिस्थितिकी तंत्र के लिए एक सिद्धांत आधारित डिज़ाइन फ्रेमवर्क प्रदान करने का दावा करता है। इसका प्राथमिक महत्व "निष्कर्षण सटीकता को एक अंत के रूप में रिपोर्ट करने" (जैसे, केवल F1 स्कोर रिपोर्ट करना) से बदलकर "उन मात्राओं को रिपोर्ट करने" की ओर शिफ्ट होना है जो वैध डाउनस्ट्रीम इन्फरेंस को सक्षम करते हैं।

लेखक तर्क देते हैं कि:

व्यवहार्यता: डाउनसम डेटा एनालिस्ट, यदि वेंडर विशिष्ट कैलिब्रेशन सारांश रिपोर्ट करते हैं, तो युग्मित वैलिडेशन डेटा तक पहुँच के बिना भी बायस-सुधारित अनुमान और वैध CIs प्राप्त कर सकते हैं।
लचीलापन: सुधार विश्लेषण-लचीला है, जो किसी भी मानक कॉक्स सॉफ्टवेयर के आउटपुट पर कार्य करता है और मनमाने कंट्रास्ट को समायोजित करता है।
मानकीकरण: प्रस्तावित रिपोर्टिंग स्पेसिफिकेशन (टेबल 1) वेंडर्स के लिए एक ठोस मानक प्रदान करता है जिससे वे सर्वाइवल एनालिसिस के लिए AI-निष्कर्षित डेटासेट की विश्वसनीयता को प्रमाणित कर सकें, जो VALID जैसे मौजूदा गुणवत्ता आश्वासन ढांचों के अंतराल को संबोधित करता है, जो मल्टीवेरिएबल कॉक्स बायस सुधार के लिए अपर्याप्त मार्जिनल मेट्रिक्स पर ध्यान केंद्रित करते हैं।

शोध सीमाओं को स्वीकार करता है, जिसमें यह उल्लेख है कि ढांचा सटीक घटना समय और संकेतकों के अवलोकन की धारणा पर आधारित है, यह निष्कर्षित चरों के आधार पर उप-जनसंख्या विश्लेषण को कवर नहीं करता है, और लीनियर कैलिब्रेशन धारणा पर निर्भर है, जो गंभीर नॉनलिनैरिटी के तहत घट सकती है।