📊 statistics

A Quantile-Based Kumaraswamy-Teissier autoregressive moving average models

यह शोध पत्र धनात्मक-मूल्य वाली समय श्रृंखला (time series) के लिए एक लचीले क्वांटाइल-आधारित कुमारस्वामी-टीसियर ऑटोरेग्रेसिव मूविंग एवरेज (KTARMA) मॉडल का प्रस्ताव करता है, जो सिमुलेशन और उत्तर-पश्चिमी हिमालयी वर्षा पर एक केस स्टडी के माध्यम से यह प्रदर्शित करता है कि यह पूर्वानुमान सटीकता में मौजूदा KARMA और $\beta$ ARMA मॉडलों से बेहतर प्रदर्शन करता है।

मूल लेखक: Kamana Mishra (School of Mathematical and Statistical Sciences, Indian Institute of Technology Mandi, Himachal Pradesh, India), Tanmay Kayal (School of Mathematical and Statistical Sciences, Indian In

प्रकाशित 2026-09-07

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Kamana Mishra (School of Mathematical and Statistical Sciences, Indian Institute of Technology Mandi, Himachal Pradesh, India), Tanmay Kayal (School of Mathematical and Statistical Sciences, Indian Institute of Technology Mandi, Himachal Pradesh, India), Sarita Azad (School of Mathematical and Statistical Sciences, Indian Institute of Technology Mandi, Himachal Pradesh, India)

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

वर्षा एक हठी और अप्रत्याशित शक्ति है। यह सुंदर, घंटी के आकार के वक्रों (bell-shaped curves) में नहीं गिरती, और न ही हर तूफान में एक जैसा व्यवहार करती है। दुनिया के कई हिस्सों में, विशेष रूप से पर्वतीय क्षेत्रों में, वर्षा विषम (skewed) होती है; यह लंबे समय तक अनुपस्थित रह सकती है और फिर अचानक हिंसक, केंद्रित विस्फोट के रूप में आ सकती है। पारंपरिक सांख्यिकीय उपकरण, जो इस धारणा पर बनाए गए थे कि प्रकृति एक मानक, सममित पैटर्न का पालन करती है, अक्सर इसे समझने में संघर्ष करते हैं। वे अक्सर ऐसी वर्षा की भविष्यवाणी करते हैं जो वास्तविकता की प्राकृतिक सीमाओं से बाहर होती है या चरम घटनाओं का पूर्वानुमान लगाने में पूरी तरह विफल हो जाते हैं। यह उत्तर-पश्चिमी हिमालय जैसे क्षेत्रों के लिए एक गंभीर समस्या है, जहाँ समुदाय कृषि, जल प्रबंधन और सुरक्षा के लिए सटीक भविष्यवाणियों पर निर्भर करते हैं। वैज्ञानिकों के लिए चुनौती एक ऐसा गणितीय मॉडल बनाने की रही है जो वर्षा की टेढ़ी-मेढ़ी, असमान वास्तविकता का सम्मान करे और साथ ही उन पैटर्न को भी पकड़ सके जो एक दिन के मौसम को दूसरे से जोड़ते हैं।

भारतीय प्रौद्योगिकी संस्थान मंडी के शोधकर्ताओं की एक टीम ने इस समस्या को हल करने के लिए एक नया दृष्टिकोण विकसित किया है। उन्होंने KTARMA नामक एक विशेष मॉडल बनाया है, जिसे विशेष रूप से धनात्मक-मान वाले टाइम सीरीज़ डेटा (positive-valued time series data) के लिए डिज़ाइन किया गया है, जैसे कि वर्षा की मात्रा जो ऋणात्मक नहीं हो सकती। डेटा को एक मानक आकार में ढालने के बजाय, यह मॉडल वर्षा की अनूठी, विषम प्रकृति को स्वीकार करता है। यह वितरण के भीतर विशिष्ट बिंदुओं पर ध्यान केंद्रित करके ऐसा करता है, जिन्हें 'क्वांटाइल्स' (quantiles) कहा जाता है। केवल औसत वर्षा की भविष्यवाणी करने के बजाय, जो चरम घटनाओं के दौरान भ्रामक हो सकती है, यह मॉडल वैज्ञानिकों को वर्षा के स्पेक्ट्रम के विभिन्न हिस्सों के बारे में प्रश्न पूछने की अनुमति देता है। वे हल्की बूंदाबांदी, मध्यम बौछारों या भारी मूसलाधार बारिश के पीछे के कारणों की जांच कर सकते हैं, और प्रत्येक को मौसम प्रणाली के एक अलग हिस्से के रूप में देख सकते हैं।

इस मॉडल को बनाने के लिए, शोधकर्ताओं ने कुमारस्वामी-टिसियर (Kumaraswamy–Teissier) नामक एक लचीले सांख्यिकीय वितरण को एक ऐसी संरचना के साथ जोड़ा जो मौसम में समय के साथ होने वाले परिवर्तनों को ध्यान में रखती है। इस वितरण को एक सांचे (mold) के रूप में समझें जिसे वर्षा डेटा के विशिष्ट, अनियमित स्वरूपों के अनुरूप खींचा और आकार दिया जा सकता है, जबकि समय-आधारित संरचना एक स्मृति (memory) की तरह कार्य करती है, जो याद रखती है कि पिछली वर्षा वर्तमान को कैसे प्रभावित करती है। यह संयोजन मॉडल को इतिहास से सीखने की अनुमति देता है, बिना उससे बंधे हुए। शोधकर्ताओं ने अपने निर्माण का कड़ाई से परीक्षण किया। सबसे पहले, उन्होंने विभिन्न सेटिंग्स के साथ हजारों कंप्यूटर सिमुलेशन चलाए ताकि यह सुनिश्चित किया जा सके कि मॉडल डेटा के भीतर छिपे वास्तविक पैटर्न को सटीक रूप से पुनः प्राप्त कर सके। इन परीक्षणों ने दिखाया कि जैसे-जैसे डेटा की मात्रा बढ़ी, मॉडल के अनुमान अधिक सटीक और विश्वसनीय होते गए, और त्रुटियां कम होती गईं।

हालाँकि, असली परीक्षा तब आई जब उन्होंने वास्तविक दुनिया के डेटा को उत्तर-पश्चिमी हिमालय में लागू किया। यह क्षेत्र विशाल और जटिल है, जिसमें जम्मू और कश्मीर, हिमाचल प्रदेश और उत्तराखंड के हिस्से शामिल हैं। इस क्षेत्र को कवर करने वाले 525 व्यक्तिगत ग्रिड वर्गों को समझने के लिए, शोधकर्ताओं ने एक तकनीक का उपयोग किया जिसके माध्यम से उन्होंने उन्हें वर्षा के व्यवहार के आधार पर चार अलग-अलग क्षेत्रों में वर्गीकृत किया। इसके बाद, उन्होंने मॉडल को न केवल वर्षा का इतिहास, बल्कि वायुमंडलीय संकेतों की एक विस्तृत श्रृंखला भी दी, जिसमें तापमान, आर्द्रता, आकाश की विभिन्न ऊंचाइयों पर हवा के पैटर्न और उत्तरी अटलांटिक दोलन (North Atlantic Oscillation) जैसे बड़े पैमाने के जलवायु संकेत शामिल थे। मॉडल ने सीखा कि ये कारक प्रत्येक क्षेत्र में कैसे अलग-अलग तरह से परस्पर क्रिया करते हैं। उदाहरण के लिए, कुछ क्षेत्रों में वर्षा लैग्ड क्लाइमेट इंडेक्स (lagged climate indices) से मजबूती से जुड़ी थी, जबकि अन्य में यह स्थानीय हवा के पैटर्न या आर्द्रता द्वारा संचालित थी।

परिणाम आश्चर्यजनक थे। जब शोधकर्ताओं ने वर्ष 2025 के लिए वर्षा का पूर्वानुमान लगाने के लिए मॉडल का उपयोग किया, तो इसने दो स्थापित मॉडलों, KARMA और बीटा-ARMA मॉडल को पीछे छोड़ दिया। जहाँ अन्य मॉडल कभी-कभी वर्षा की पूरी तीव्रता को पकड़ने में संघर्ष करते थे या चरम अवधियों के दौरान बड़ी त्रुटियां उत्पन्न करते थे, वहीं नए मॉडल ने लगातार अधिक सटीक भविष्यवाणियां दीं। यह विशेष रूप से अपनी गलतियों के आकार को न्यूनतम करने में प्रभावी था, जिससे यह सुनिश्चित हुआ कि जब भी यह चूक जाए, तो त्रुटि बहुत छोटी हो। मॉडल प्रत्येक क्षेत्र की विभिन्न आवश्यकताओं को संभालने के लिए पर्याप्त लचीला भी सिद्ध हुआ; कुछ क्षेत्रों में, सर्वोत्तम पूर्वानुमान मध्यिका (median) वर्षा को देखने से आए, जबकि अन्य में, उच्च या निम्न क्वांटाइल्स पर ध्यान केंद्रित करने से स्पष्ट तस्वीर प्राप्त हुई।

अंततः, यह कार्य जटिल वातावरण में वर्षा को समझने और भविष्यवाणी करने का एक अधिक सूक्ष्म तरीका प्रदान करता है। वर्षा को एक एकल, औसत पथ का पालन करने की धारणा से हटकर, KTARMA मॉडल यह स्वीकार करता है कि मौसम एक बहुआयामी घटना है। यह एक ऐसा उपकरण प्रदान करता है जिसे हल्की बारिश, भारी बारिश, या इन दोनों के बीच की किसी भी स्थिति को देखने के लिए ट्यून किया जा सकता है, और यह सब अतीत की स्मृति और व्यापक जलवायु के प्रभाव को ध्यान में रखते हुए किया जा सकता है। उत्तर-पश्चिमी हिमालय के लिए, और संभावित रूप से समान मौसम पैटर्न वाले अन्य क्षेत्रों के लिए, इसका अर्थ है आकाश के भविष्य का अनुमान लगाने की क्षमता में एक कदम आगे बढ़ना, जिससे एक अराजक प्राकृतिक प्रक्रिया को अधिक विश्वास के साथ समझा और उसके लिए तैयार किया जा सके।

तकनीकी सारांश: एक क्वांटाइल-आधारित कुमारस्वामी-टीसियर ऑटोरेग्रेसिव मूविंग एवरेज मॉडल

समस्या विवरण
पर्यावरण विज्ञान में समय श्रृंखला (time series) डेटा, विशेष रूप से वर्षा, अक्सर मौसमी बदलाव (seasonality), विषमता (asymmetry) और क्रमिक निर्भरता (serial dependence) प्रदर्शित करता है। शास्त्रीय ऑटोरेग्रेसिव इंटीग्रेटेड मूविंग एवरेज (ARIMA) मॉडल सामान्यता (normality) की धारणाओं पर निर्भर करते हैं जो अत्यधिक विषम, गैर-गाऊसी चरों के लिए उपयुक्त नहीं हैं। इसके अलावा, मानक ARIMA दृष्टिकोण अक्सर ऐसे आउट-ऑफ-सैंपल पूर्वानुमान उत्पन्न करते हैं जो प्रेक्षित प्रक्रिया के प्राकृतिक सीमित समर्थन (bounded support) का उल्लंघन करते हैं। जबकि जनरलाइज्ड ARMA (GARMA), $\beta$ ARMA (यूनिट इंटरवल डेटा के लिए), और कुमारस्वामी ARMA (KARMA) जैसे वितरण-आधारित ढांचे ने इन कुछ समस्याओं को संबोधित किया है, वे अक्सर सशर्त माध्य ( $\rho = 0.5$ ) को मॉडल करने तक ही सीमित होते हैं। यह सीमा उन अनुप्रयोगों के लिए अपर्याप्त है जहाँ वितरण के विशिष्ट स्तर (जैसे, चरम निम्न या उच्च वर्षा) व्यावहारिक रूप से महत्वपूर्ण होते हैं। इसके अतिरिक्त, धनात्मक मान वाले डेटा के मौजूदा मॉडलों में विशिष्ट क्वांटाइल स्तरों के माध्यम से संपूर्ण सशर्त वितरण को मॉडल करने की लचीलापन की कमी होती है।

कार्यप्रणाली
यह शोध पत्र कुमारस्वामी-टीसियर ऑटोरेग्रेसिव मूविंग एवरेज (KTARMA) मॉडल प्रस्तावित करता है, जो धनात्मक-मान वाली प्रक्रियाओं के लिए डिज़ाइन किया गया एक ऑब्जर्वेशन-ड्रिवन टाइम सीरीज़ ढांचा है।

वितरण ढांचा (Distributional Framework): मॉडल कुमारस्वामी-टीसियर वितरण (KTD) का उपयोग करता है, जो धनात्मक-मान वाले अवलोकनों के लिए एक लचीला वितरण है। अस्थायी निर्भरता (temporal dependence) पेश करने के लिए, लेखक एक क्वांटाइल-आधारित पैरामीट्रिकरण का उपयोग करते हैं। KTD के आकार पैरामीटर (shape parameter) $b$ को एक सशर्त $\rho$ -वें क्वांटाइल ( $\mu_{\rho,t}$ ) के संदर्भ में पुन: पैरामीट्रिकृत किया जाता है, जहाँ $\rho \in (0,1)$ एक निश्चित क्वांटाइल स्तर है। यह निरंतर क्वांटाइल $\mu_{\rho,t}$ के माध्यम से सीधे समय-परिवर्तित गतिकी को मॉडल करने की अनुमति देता है, न कि माध्य के माध्यम से।
गतिक संरचना (Dynamic Structure): मॉडल GARMA ढांचे का विस्तार करता है, जो एक मोनोटोन लिंक फंक्शन $g(\cdot)$ $g (\cdot)$ के माध्यम से सशतीय क्वांटाइल $\mu_{\rho,t}$ $μ_{ρ, t}$ को एक रैखिक प्रेडिक्टर $\eta_{\rho,t}$ $η_{ρ, t}$ से जोड़ता है। रैखिक प्रेडिक्टर में शामिल हैं:
- एक इंटरसेप्ट ( $\alpha_\rho$ )।
- एक्सोजेनस कोवेरियेट्स ( $x_t$ ) अपने प्रतिगमन गुणांक ( $\beta_\rho$ ) के साथ।
- रूपांतरित लैग्ड अवलोकनों पर कार्य करने वाले ऑटोरेग्रेसिव (AR) पद।
- रूपांतरित लैग्ड अवशेषों (residuals) पर कार्य करने वाले मूविंग एवरेज (MA) पद।
  त्रुटि पद (error term) को रूपांतरित अवलोकन और उसके सशर्त क्वांटाइल के विचलन के रूप में परिभाषित किया गया है।
अनुमान (Estimation): मापदंडों का अनुमान कंडीशनल मैक्सिमम लाइकलीहुड एस्टीमेशन (CMLE) विधि का उपयोग करके लगाया जाता है। शोध पत्र निम्नलिखित के लिए स्पष्ट विश्लेषणात्मक व्यंजक (analytical expressions) व्युत्पन्न करता है:
- सशर्त लॉग-लाइक्लीहुड फंक्शन।
- स्कोर वेक्टर (प्रथम डेरिवेटिव्स)।
- सशतीय सूचना मैट्रिक्स (द्वितीय डेरिवेटिव्स), जो जटिल KTD डेरिवेटिव्स की अपेक्षाओं को संभालने के लिए विशिष्ट लेम्मा का उपयोग करता है।
डायग्नोस्टिक्स और पूर्वानुमान (Diagnostics and Forecasting): मॉडल की पर्याप्तता का आकलन रैंडमाइज्ड क्वांटाइल रेसिडुअल्स का उपयोग करके किया जाता है, जिनसे सही विनिर्देशन (specification) के तहत मानक सामान्य वितरण होने की अपेक्षा की जाती है। क्रमिक स्वतंत्रता का परीक्षण लंग-बॉक्स टेस्ट (Ljung–Box test) द्वारा किया जाता है। आउट-ऑफ-सैंपल पूर्वानुमान पुनरावर्ती (recursively) रूप से किया जाता है, जिसके लिए भविष्यवाणी क्षितिज (prediction horizon) के लिए भविष्य के कोवेरियेट मानों की आवश्यकता होती है।

प्रमुख योगदान
यह शोध पत्र तीन प्राथमिक योगदान रेखांकित करता है:

नवीन मॉडल सूत्रीकरण: KTARMA मॉडल का परिचय, जो धनात्मक-मान वाली टाइम सीरीज़ के लिए विशेष रूप से KTD को ARMA संरचना के साथ एकीकृत करता है।
सामान्यीकृत क्वांटाइल ढांचा: पारंपरिक माध्य-आधारित डायनेमिक मॉडलिंग (जैसा कि KARMA में देखा गया है) को एक सामान्य सशतीय क्वांटाइल सूत्रीकरण में विस्तारित करना। यह शोधकर्ताओं को $\rho$ को बदलकर वर्षा वितरण के विभिन्न क्षेत्रों का परीक्षण करने की अनुमति देता है।
अनुभवजन्य अनुप्रयोग और सत्यापन: नॉर्थवेस्ट हिमालय (NWH) में स्थानिक रूप से विषम वर्षा डेटा पर मॉडल का अनुप्रयोग, जिसमें डायग्नोस्टिक प्रक्रियाओं का विकास और तुलनात्मक पूर्वानुमान विश्लेषण शामिल है।

परिणाम

सिमुलेशन अध्ययन: $n=50$ से $n=500$ के नमूना आकार और दो पैरामीटर परिदृश्यों तथा तीन क्वांटाइल स्तरों ( $\rho = 0.25, 0.50, 0.75$ ) के साथ एक मोंटे कार्लो सिमुलेशन अध्ययन किया गया। परिणामों ने प्रदर्शित किया कि जैसे-जैसे नमूना आकार बढ़ा, अनुभवजन्य माध्य अनुमान वास्तविक पैरामीटर मानों की ओर अभिसरित (converge) हुए, जबकि बायस (bias) और मीन स्क्वेर्ड एरर (MSE) निरंतर रूप से कम हुए। यह परिमित नमूनों (finite samples) में CMLE अनुमानकों की स्पर्शोन्मुख स्थिरता (asymptotic consistency) और दक्षता को सत्यापित करता है।
वास्तविक दुनिया का अनुप्रयोग (NWH वर्षा):
- डेटा: NWH के 525 ग्रिड से मासिक वर्षा डेटा (2001-2025) को सेल्फ-ऑर्गनाइजिंग मैप्स (SOM) का उपयोग करके चार समरूप क्षेत्रों (homogeneous zones) में एकत्रित किया गया।
- मॉडल फिट: प्रत्येक क्षेत्र के लिए विभिन्न क्वांटाइल स्तरों का उपयोग करके KTARMA मॉडल को फिट किया गया। रैंडमाइज्ड क्वांटाइल रेसिडुअल्स पर लंग-बॉक्स टेस्ट के डायग्नोस्टिक चेक ने कोई महत्वपूर्ण क्रमिक सहसंबंध नहीं दिखाया, जो पर्याप्त मॉडल फिट का संकेत देता है।
- कोवेरियेट प्रभाव: विश्लेषण ने क्षेत्रों के बीच विशिष्ट वर्षा प्रतिक्रियाओं को प्रकट किया। उदाहरण के लिए, ज़ोन 1 और ज़ोन 4 ने तापमान और विशिष्ट पवन घटकों के साथ विपरीत संबंध दिखाया, जबकि ज़ोन 3 (लद्दाख) लैग्ड नॉर्थ अटलांटिक ऑसिलेशन (NAO) और जियोपोटेंशियल हाइट से महत्वपूर्ण रूप से प्रभावित था।
- पूर्वानुमान प्रदर्शन: 2025 के लिए आउट-ऑफ-सैंपल पूर्वानुमान में, KTARMA मॉडल की तुलना माध्य-आधारित KARMA और $\beta$ $β$ ARMA मॉडलों से की गई।
  - ज़ोन 1 और 4: KTARMA ने सबसे कम MSE प्राप्त किया।
  - ज़ोन 2: KARMA का MAE मामूली रूप से कम था, लेकिन KTARMA ने सबसे कम MSE प्राप्त किया, जो बड़े विचलन पर बेहतर नियंत्रण का संकेत देता है।
  - ज़ोन 3: KTARMA ने दोनों प्रतिस्पर्धियों (KARMA और $\beta$ ARMA) को MAE और MSE दोनों में पछाड़ा, विशेष रूप से कम-मात्रा, अत्यधिक विषम वर्षा शासन को संभालने में, जहाँ $\beta$ ARMA ने पर्याप्त त्रुटियां दिखाईं।

महत्व
शोध पत्र का दावा है कि KTARMA मॉडल विषम वितरण, अस्थायी निर्भरता और मौसमी प्रभावों के साथ धनात्मक-मान वाली टाइम सीरीज़ के मॉडलिंग के लिए एक लचीला, ऑब्जर्वेशन-ड्रिवन ढांचा प्रदान करता है। पारंपरिक माध्य-आधारित मॉडल से सामान्य क्वांटाइल सूत्रीकरण की ओर बढ़कर, यह मॉडल वर्षा की गतिशीलता के सूक्ष्म विश्लेषण की अनुमति देता है, विशेष रूप से नॉर्थवेस्ट हिमालय जैसे उच्च स्थानिक विषमता वाले क्षेत्रों में। अध्ययन दर्शाता है कि KTARMA मॉडल लगातार मौजूदा KARMA और $\beta$ ARMA मॉडलों की तुलना में कम मीन स्क्वेर्ड एरर प्राप्त करके अत्यधिक प्रतिस्पर्धी पूर्वानुमान प्रदर्शन प्रदान करता है, जिससे यह विभिन्न जलवायु शासन में वर्षा के पूर्वानुमान और जोखिम मूल्यांकन के लिए एक मजबूत उपकरण बन जाता है।

इसी तरह के और पेपर