A Multinomial Probit Model for Asymmetric Choice Responses
यह शोध पत्र एक स्क्यूड मल्टीनोमियल प्रोबिट (SMNP) मॉडल प्रस्तावित करता है जो विषम चयन प्रतिक्रियाओं को पकड़ने के लिए लेटेंट यूटिलिटीज हेतु एक मल्टीवेरिएट स्क्यू-नॉर्मल वितरण का उपयोग करता है, और एक नवीन सहप्रसरण पुनर्संरचना (covariance reparameterization) तथा एक डबल डेटा-ऑग्मेंटेशन बेयसियन अनुमान योजना के माध्यम से संबंधित पहचान और गणना संबंधी चुनौतियों का समाधान करता है।
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 अनुमान लगाने की कोशिश कर रहे हैं कि आपका दोस्त दोपहर के भोजन में क्या ऑर्डर करेगा। आप जानते हैं कि वे आमतौर पर बर्गर, सलाद या पिज्जा में से किसी एक को चुनते हैं। अर्थशास्त्र की दुनिया में, एक क्लासिक टूल है जिसे "चॉइस मॉडल" (choice model) कहा जाता है, जो उनके निर्णयों की भविष्यवाणी करने की कोशिश करता है। दशकों से, इस टूल का सबसे लोकप्रिय संस्करण एक सरल, सममित (symmetrical) नियम पर काम करता है: यह मानता है कि यदि आप किसी खाद्य पदार्थ को थोड़ा सस्ता करते हैं, तो लोग उसे अधिक खरीदेंगे, और यदि आप इसे थोड़ा महंगा करते हैं, तो वे बिल्कुल उसी मात्रा में कम खरीदेंगे। यह एक पूरी तरह से संतुलित सी-सॉ (seesaw) की तरह है; एक तरफ नीचे की ओर धक्का देने से दूसरी तरफ ठीक उतनी ही दूरी तक ऊपर उठ जाता है। यह कई चीजों के लिए अच्छा काम करता है, लेकिन यह एक बहुत ही मानवीय सत्य को अनदेखा करता है: हम हमेशा अच्छी खबर पर उसी तरह प्रतिक्रिया नहीं देते जैसे हम बुरी खबर पर देते हैं। कभी-कभी, कीमत में वृद्धि एक दर्दनाक थप्पड़ की तरह महसूस होती है, जबकि कीमत में गिरावट पीठ थपथपाने जैसे हल्के स्पर्श की तरह होती है। हमें पैसा बचाने के आनंद की तुलना में पैसा खोने से अधिक दुख हो सकता है।
यह शोध पत्र उस अव्यवस्थित, असममित वास्तविकता की गहराई में उतरता है। लेखक, जो मोनाश यूनिवर्सिटी के शोधकर्ता हैं, "डिस्क्रीट चॉइस" (discrete choice) मॉडलिंग की एक समस्या पर काम कर रहे हैं—वह गणित जिसका उपयोग यह अनुमान लगाने के लिए किया जाता है कि लोग डिटर्जेंट या केचप जैसे विभिन्न विकल्पों के बीच कैसे चुनाव करते हैं। वे इस विचार पर आधारित काम कर रहे हैं कि लोगों के पास "लेटेंट यूटिलिटीज" (latent utilities) होती हैं, जो बस एक फैंसी तरीका है यह कहने का कि उनके पास "छिपे हुए संतुष्टि स्कोर" होते हैं जिन्हें हम देख नहीं सकते लेकिन जो हमारे निर्णयों को संचालित करते हैं। मानक मॉडल मानते हैं कि ये छिपे हुए स्कोर एक पूर्ण, घंटी के आकार के वक्र (नॉर्मल डिस्ट्रीब्यूशन) का पालन करते हैं, जो उस सममित सी-सॉ व्यवहार को मजबूर करता है। लेकिन लेखकों को संदेह है कि वास्तविक दुनिया में, ये छिपे हुए स्कोर अक्सर एकतरफा या "स्क्यूड" (skewed) होते हैं, जिसका अर्थ है कि लोग लाभ और हानि पर अलग-अलग प्रतिक्रिया देते हैं। वे जानना चाहते हैं कि: यदि हम गणित को सममित होने के लिए मजबूर करना बंद कर देते हैं, तो क्या हमें बेहतर भविष्यवाणियां मिलती हैं? और यदि ऐसा है, तो हम गणित को कैसे ठीक करें ताकि वह टूट न जाए?
लेखक एक नया मॉडल प्रस्तावित करते हैं जिसे "स्क्यूड मल्टीनोमियल प्रोबिट" (SMNP) कहा जाता है। उनके नए मॉडल को एक लचीले, मानव-समान पर्यवेक्षक के रूप में सोचें जो स्वीकार करता है, "हे, लोग कीमतों के बढ़ने पर अधिक घबरा सकते हैं बजाय इसके कि वे कीमतें गिरने पर जश्न मनाएं।" इसे काम करने के लिए, उन्हें एक पेचीदा पहेली को हल करना पड़ा। सांख्यिकी में, आप बिना माप के नियमों को तोड़े मॉडल में "स्क्यूनेस" (लॉपसाइडनेस/एकतरफापन) नहीं जोड़ सकते। यह केक के घोल में एक नया स्वाद जोड़ने की तरह है; यदि आप सावधान नहीं हैं, तो पूरा केक ढह जाएगा। लेखकों ने गणित को पुनर्गठित करने का एक चतुर नया तरीका (एक "रीपैरामीट्राइजेशन") बनाया जो केक को गिरने से रोकता है जबकि उस अतिरिक्त स्वाद की अनुमति देता है। उन्होंने एक विशेष कंप्यूटर प्रोग्राम भी बनाया (जिसे "डेटा ऑग्मेंटेशन" के साथ "बायेसियन इन्फरेंस" विधि कहा जाता है) जो सही मात्रा में स्क्यूनेस खोजने के लिए लाखों संभावनाओं का परीक्षण कर सकता है।
जब उन्होंने अपने नए मॉडल का परीक्षण किया, तो परिणाम बताने वाले थे। कंप्यूटर सिमुलेशन में जहाँ उन्होंने ज्ञात लॉपसाइड प्रतिक्रियाओं के साथ नकली डेटा बनाया, पुराने सममित मॉडल ने भविष्यवाणियों को गलत बताया, विशेष रूपकर चरम सीमाओं (बहुत उच्च या बहुत कम कीमतों) पर। हालाँकि, नया SMNP मॉडल सफलतापूर्वक छिपी हुई विषमता को "रिकवर" (recover) कर पाया और विकल्पों की बहुत अधिक सटीक भविष्यवाणी की। लेकिन सबसे अच्छी बात यह है: जब उन्होंने नए मॉडल का परीक्षण उस डेटा पर किया जहाँ प्रतिक्रियाएं वास्तव में सममित थीं, तो इसने चीजों को बिगाड़ा नहीं। इसने बस सिमट कर पुराने, विश्वसनीय मॉडल की तरह काम किया। इसने वहां कोई अजीब आकार नहीं थोपा जहां इसकी आवश्यकता नहीं थी।
लेखकों ने अपने मॉडल को लैब से बाहर निकाला और वास्तविक दुनिया के शॉपिंग डेटा पर लागू किया: एक सेट जिसमें छह ब्रांडों के बीच 2,657 लॉन्ड्री डिटर्जेंट की खरीदारी शामिल थी, और दूसरा चार ब्रांडों के बीच 4,956 केचप की खरीदारी। डिटर्जेंट डेटा में, उन्होंने पाया कि एक विशिष्ट ब्रांड (EraPlus) के लिए, पुराने मॉडल ने इस बात को कम करके आंका कि लोग कीमत बढ़ने पर कितनी खरीदारी कम कर देंगे, और वे प्रतिस्पर्धी के पास कैसे चले जाएंगे। नया मॉडल इस "लॉस अवर्जन" (हानि से बचने की प्रवृत्ति) को पकड़ लेता है, यह दिखाते हुए कि कीमत में वृद्धि बिक्री को उतना ही नुकसान पहुँचाती है जितना कि कीमत में कटौती मदद करती है। केचप डेटा में, पुराने मॉडल ने गलत पहचान की कि यदि कोई प्रतिस्पर्धी अपनी कीमतें बढ़ाता है तो किन ब्रांडों को लाभ होगा। नए मॉडल ने इसे सुधारा, यह दिखाते हुए कि प्रतिस्थापन पैटर्न (substitution patterns) पहले की तुलना में अलग थे।
शोध पत्र निष्कर्ष निकालता है कि हालांकि पुराना सममित मॉडल एक अच्छी शुरुआत है, लेकिन यह व्यवसायों और सरकारों को भ्रामक सलाह दे सकता है। यदि कोई कंपनी पुराने मॉडल का उपयोग करती है, तो वे सोच सकते हैं कि कीमत बढ़ाना एक सुरक्षित कदम है जबकि वास्तव में यह ग्राहकों को दूर भगा देता है, या वे गलत अनुमान लगा सकते हैं कि कौन सा प्रतिस्पर्धी उनकी बाजार हिस्सेदारी छीन लेगा। नया SMNP मॉडल यह सुझाव देता है कि इन असममित, मानव-समान प्रतिक्रियाओं की अनुमति देकर, हम लोगों के चुनाव की एक स्पष्ट तस्वीर प्राप्त कर सकते हैं। यह केवल यह भविष्यवाणी नहीं करता है कि लोग क्या खरीदेंगे; यह यह समझाने में भी मदद करता है कि वे अच्छी खबर की तुलना में बुरी खबर पर इतनी तीव्र प्रतिक्रिया क्यों देते हैं। लेखक सुझाव देते हैं कि यह उपकरण व्यवसायों को बेहतर कीमतें तय करने में मदद कर सकता है और सरकारों को बेहतर नीतियां डिजाइन करने में मदद कर सकता है, हालांकि वे नोट करते हैं कि गणित जटिल है और इसे चलाने के लिए शक्तिशाली कंप्यूटरों की आवश्यकता होती है। अंततः, वे दिखाते हैं कि यह स्वीकार करना कि दुनिया पूरी तरह से सममित नहीं है, बहुत अधिक स्मार्ट भविष्यवाणियों की ओर ले जा सकता है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।