तकनीकी सारांश: अनुषंगी विषमविचलनी संरचनात्मक मॉडल (Ancillary Heteroskedastic Structural Model)

1. समस्या विवरण

यह शोध पत्र स्थानिक-कालिक पैनल डेटा (spatial-time panel data) के मॉडलिंग की चुनौती को संबोधित करता है जहाँ एक विशिष्ट भौगोलिक क्षेत्र के लिए प्रतिक्रिया चर (response variable) अपने स्वयं के सामयिक गतिकी (temporal dynamics), पड़ोसी क्षेत्रों के लैग्ड विविधताओं (lagged variations) और क्षेत्र-विशिष्ट सहचरों (covariates) से प्रभावित होता है। मौजूदा साहित्य अक्सर निम्नलिखित को एक साथ संभालने में संघर्ष करता है:

• क्रॉस-सेक्शनल विषमलक्षणता (Cross-sectional heteroskedasticity): क्षेत्रों के बीच परिवर्तनशीलता (variability) भिन्न होती है।
• जटिल स्थानिक-सामयिक निर्भरता (Complex spatial-temporal dependencies): इसमें पड़ोसियों की विविधताओं के प्रति लैग्ड प्रतिक्रियाएं शामिल हैं।
• विषम प्रभाव (Heterogeneous effects): क्षेत्र-विशिष्ट रैंडम इफेक्ट्स और फिक्स्ड इफेक्ट्स के बीच अंतर करना।
• अवस्था अनुमान (State estimation): क्रॉस-सेक्शनल होमोस्केडैस्टिसिटी की धारणा बनाए बिना स्तर (level), रुझान (trend) और मौसमी घटकों (seasonal components) को अलग करना।

लेखक ध्यान देते हैं कि रुझानों और मौसमी प्रभावों को हटाने के लिए मानक डिफरेंसिंग दृष्टिकोण अक्सर जटिल सीरियल कोरिलेशन पेश करते हैं जो निष्कर्ष (inference) को जटिल बना देते हैं। इसके अलावा, "स्पिन-ऑफ प्रभाव" (स्थानिक स्पिलओवर) का अनुमान लगाने के लिए एक ऐसे मॉडल की आवश्यकता है जो त्रिविमीय संरचनाओं (स्थान, समय और क्षेत्र-विशिष्ट सहचरों) को संभाल सके, जबकि इस तथ्य को भी ध्यान में रखे कि एक क्षेत्र के लिए प्रासंगिक सहचर दूसरे के लिए प्रासंगिक नहीं हो सकते हैं।

2. कार्यप्रणाली

2.1 अनुषंगी विषमलक्षणी संरचनात्मक मॉडल (The Ancillary Heteroskedastic Structural Model)

लेखक एक रैखिक संरचनात्मक मॉडल प्रस्तावित करते हैं जहाँ क्षेत्र $i$ के लिए समय $t$ पर प्रतिक्रिया $Y_{i,t}$ को एक नियतात्मक माध्य ($\mu_{i,t}$), एक मौसमी घटक ($S_{i,t}$), और व्हाइट नॉइज़ ($\epsilon_{i,t}$) में विभाजित किया जाता है:
$$Y_{i,t} = \mu_{i,t} + S_{i,t} + \epsilon_{i,t}$$

माध्य घटक $\mu_{i,t}$ एक गतिशील संरचना का अनुसरण करता है जिसमें शामिल हैं:

• लैग्ड लेवल (Lagged Level): $\mu_{i,t-1}$
• रुझान (Trend): $\beta_{i,t}$ (इसे रैंडम वॉक के रूप में मॉडल किया गया है: $\beta_{i,t} = \beta_{i,t-1} + \xi_{i,t}$)
• स्थानिक लैग (Spatial Lag): पड़ोसी क्षेत्रों की लैग्ड विविधताओं ($Y_{r,t-j} - Y_{r,t-j-1}$) का एक भारित योग (weighted sum), जो गुणांकों $\theta_{i,r,j}$ द्वारा नियंत्रित होता है।
• सहचर (Covariates): क्षेत्र-विशिष्ट रैंडम-इफेक्ट सहचर ($x_{c,t}$ गुणांक $\phi_{i,c}$ के साथ) और फिक्स्ड-इफेक्ट सहचर ($\chi_{q,t}$ गुणांक $\psi_q$ के साथ)।
• मौसमी (Seasonality): $S_{i,t}$ को भी एक रैंडम वॉक के रूप में मॉडल किया गया है ($S_{i,t} = S_{i,t-1} + \nu_{i,t}$)।

महत्वपूर्ण रूप से, मॉडल क्रॉस-सेक्शनल होमोस्केडैस्टिसिटी का अनुमान नहीं लगाता; प्रत्येक क्षेत्र $i$ का अपना विचरण पैरामीटर (variance parameter) $\sigma^2_i$ होता है।

2.2 अनुषंगी सांख्यिकी का निर्माण (Construction of Ancillary Statistics)

इस शोध पत्र का एक मुख्य नवाचार अनुषंगी सांख्यिकी ($W_{i,u}$) का व्युत्पन्न है, जो अनअवलोकित अवस्थाओं ($\mu_{i,t}, \beta_{i,t}, S_{i,t}$) का पहले अनुमान लगाने की आवश्यकता के बिना मापदंडों का अनुमान लगाने के लिए उपयोग की जाती है।

• लेखक एक विशिष्ट विजातीय अंतर रणनीति (disjoint differencing strategy) का उपयोग करते हैं। साधारण क्रमिक अंतर (consecutive differencing) के बजाय, वे विजातीय अवलोकनों ($V_{i,l}$) के युग्मवार अंतर को परिभाषित करते हैं और फिर उन अंतरों के अंतर ($W_{i,u}$) को निकालते हैं।
• यह विशिष्ट निर्माण यह सुनिश्चित करता है कि परिणामी शोर पद ($a_{i,u}$) स्वतंत्र हैं और $W_{i,u}$ का वितरण अवस्था मापदंडों ($\mu, \beta, S$) पर निर्भर नहीं करता है।
• परिणामी समीकरण $W_{i,u}$ के लिए एक रैखिक प्रतिगमन (linear regression) है जिसमें स्थानिक लैग, सहचर और एक स्वतंत्र त्रुटि पद शामिल है, जो प्रत्यक्ष मापदंड अनुमान की अनुमति देता है।

2.3 निष्कर्ष और अनुमान (Inference and Estimation)

• अधिकतम संभावना अनुमान (Maximum Likelihood Estimation - MLE): लेखक अनुषंगी श्रृंखला $W_{i,u}$ के आधार पर लाइक्लीहुड फंक्शन को व्युत्पन्न करते हैं, यह मानते हुए कि शोर गॉसियन (Gaussian) है। वे $\theta_{i,r,j}$, $\phi_{i,c}$, $\psi_q$, और $\sigma^2_i$ के अनुमान के लिए न्यूटन-रैपसन विधि के उपयोग की सुविधा के लिए स्पष्ट प्रथम और द्वितीय आंशिक डेरिवेटिव प्रदान करते हैं।
• परिकल्पना परीक्षण (Hypothesis Testing): एम्पिरिकल फिशर इंफॉर्मेशन मैट्रिक्स और वाल्ड टेस्ट का उपयोग करके कॉन्फिडेंस इंटरवल और परिकल्पना परीक्षणों का निर्माण किया जाता है।
• अवस्था अनुमान (State Estimation): एक बार मापदंडों का अनुमान लग जाने के बाद, लेखक एक प्रतिगमन घटक $\rho_{i,t}$ को परिभाषित करते हैं और इसे प्रेक्षित डेटा से घटाकर एक डी-रेग्रेस्ड श्रृंखला $Y^*_{i,t}$ बनाते हैं। वे फिर स्तर और मौसमी को संयोजित करने वाले एक कम किए गए दो-अवस्था मॉडल (दो-स्टेट मॉडल) में अवस्थाओं का अनुमान लगाने के लिए कलमन फिल्टर (Kalman Filter) लागू करते हैं।

2.4 पूर्वानुमान (Forecasting)

पूर्वानुमान दो चरणों में किया जाता है:

1. प्रतिगमन घटक (Regression Component): अनुमानित स्थानिक लैग गुणांकों और अनुमानित सहचर मूल्यों का उपयोग करके $\rho_{i,t+h}$ की भविष्यवाणी करना।
2. अवस्था घटक (State Component): कलमन फिल्टर समीकरणों का उपयोग करके अवस्थाओं $L^*_{i,t}$ और $\beta_{i,t}$ का पुनरावृत्ति (iteratively) पूर्वानुमान लगाना, यह मानते हुए कि रुझान एक रैंडम वॉक का पालन करता है (कोई ड्रिफ्ट नहीं)।
   अंतिम पूर्वानुमान अनुमानित प्रतिगमन घटक और अनुमानित अवस्था घटकों का योग है।

3. प्रमुख योगदान

• नवाचारी अंतर रणनीति (Novel Differencing Strategy): एक विजातीय अंतर प्रक्रिया का परिचय जो अनअवलोकित अवस्थाओं पर निर्भरता को समाप्त करते हुए त्रुटियों की स्वतंत्रता को बनाए रखते हुए अनुषंगी श्रृंखलाएँ उत्पन्न करती है।
• विषमलक्षणता हैंडलिंग (Heteroskedasticity Handling): यह मॉडल क्षेत्र-विशिष्ट विचरणों का स्पष्ट रूप से अनुमान लगाता है, जो स्थानिक पैनल मॉडलों में सामान्य क्रॉस-सेक्शनल होमोस्केडैस्टिसिटी की धारणा को शिथिल करता है।
• व्यापक ढांचा (Comprehensive Framework): यह मॉडल स्थानिक निर्भरता (लैग्ड पड़ोसी विविधताओं के माध्यम से), सामयिक गतिकी (रुझान, मौसमी, ऑटोकोरिलेशन) और विषम सहचर प्रभावों (दोनों फिक्स्ड और रैंडम) को संयुक्त रूप से कैप्चर करता है।
• दो-चरणीय अनुमान (Two-Stage Estimation): अनुषंगी श्रृंखला (वाया ancillary series) के माध्यम से मापदंड अनुमान और अवस्था अनुमान (वाया Kalman filtering) के बीच एक स्पष्ट अलगाव, जो कम्प्यूटेशनल बोझ को कम करता है और अवस्थाओं एवं मापदंडों के संयुक्त अनुकूलन (joint optimization) की आवश्यकता को समाप्त करता है।

4. परिणाम

4.1 सिमुलेशन अध्ययन

लेखकों ने 4 क्षेत्रों और 1,000 सामयिक चरणों (time steps) वाले एक सिमुलेशन का उपयोग करके कार्यप्रणाली को मान्य किया।

• पैरामीटर रिकवरी: स्थानिक लैग गुणांक ($\theta$), सहचर लोडिंग ($\phi, \psi$) और शोर विचरण के लिए अधिकतम संभावना अनुमान (MLE) वास्तविक मानों के बहुत करीब पाए गए।
• कॉन्फिडेंस इंटरवल: वास्तविक पैरामीटर मान गणना किए गए 95% वाल्ड-प्रकार के कॉन्फिडेंस इंटरवल के भीतर थे।
• अवस्था अनुमान: कलमन फिल्टर ने रुझान ($\beta_{i,t}$) और स्तर ($L_{i,t}$) अवस्थाओं को सफलतापूर्वक पुनः प्राप्त किया। वास्तविक और अनुमानित अवस्थाओं के बीच पियर्सन सहसंबंध लगभग पूर्ण था (जैसे, स्तर के लिए >0.99) और रूट मीन स्क्वेर्ड एरर (RMSE) बहुत कम था।
• पूर्वानुमान: मॉडल ने उच्च सटीकता के साथ 10 भविष्य के सामयिक चरणों का सफलतापूर्वक पूर्वानुमान लगाया, जो दो-चरणीय दृष्टिकोण की प्रभावकारिता को प्रदर्शित करता है।

4.2 वास्तविक डेटा अनुप्रयोग

मॉडल को 1994 से 2023 तक सात दक्षिण अमेरिकी देशों (अर्जेंटीना, ब्राजील, चिली, कोलंबिया, इक्वाडोर, पेरू, वेनेजुएला) के डेटा पर लागू किया गया।

• चर (Variables): प्रतिक्रिया तापमान विसंगति (temperature anomaly) थी; फिक्स्ड इफेक्ट्स कार्बन उत्सर्जन और जीवाश्म ईंधन का उपयोग थे।
• निष्कर्ष:
  • डिफरेंस्ड मॉडल में कार्बन उत्सर्जन और जीवाश्म ईंधन के लिए फिक्स्ड इफेक्ट गुणांक सांख्यिकीय रूप से महत्वपूर्ण नहीं थे, हालांकि लेखक मूल (गैर-डिफरेंस्ड) मानों में एक मजबूत सहसंबंध का उल्लेख करते हैं।
  • स्थानिक प्रभाव: महत्वपूर्ण स्थानिक स्पिलओवर की पहचान की गई। उदाहरण के लिए, चिली में लैग्ड तापमान विविधताओं ने अर्जेंटीना को महत्वपूर्ण रूप से प्रभावित किया, और इसके विपरीत भी। कोलंबिया और इक्वाडोर की लैग्ड विविधताओं का पेरू के लिए महत्व था।
  • विश्लेषण ने पड़ोसी देशों के तापमान विसंगतियों के बीच विशिष्ट स्थानिक जुड़ाव का पता लगाने की मॉडल की क्षमता की पुष्टि की।

5. महत्व और दावे

शोध पत्र का दावा है कि प्रस्तावित अनुषंगी विषमलक्षणी संरचनात्मक मॉडल (Ancillary Heteroskedastic Structural Model) स्थानिक-सामयिक पैनल डेटा के लिए एक लचीला और मजबूत ढांचा प्रदान करता है। इसका प्राथमिक महत्व है:

1. अनुमान समस्या का समाधान: अनुषंगी सांख्यिकी का व्युत्पन्न करके, लेखक एक ऐसी विधि प्रदान करते हैं जिससे अनअवलोकित अवस्थाओं को एक साथ अनुमानित करने की जटिलता के बिना संरचनात्मक मापदंडों का अनुमान लगाया जा सकता है, जो संरचनात्मक टाइम सीरीज़ मॉडलों में एक सामान्य बाधा है।
2. यथार्थवादी विचरण मॉडलिंग: यह वास्तविकता को स्वीकार करता है और विभिन्न भौगोलिक क्षेत्रों के अलग-अलग उतार-चढ़ाव के स्तर (विषमलक्षणता) को मॉडल करता है, जिसे अक्सर मानक स्थानिक मॉडलों में अनदेखा कर दिया जाता है।
3. उपयोगिता: मॉडल को आर्थिक स्पिलओवर या जलवायु परिवर्तन चरों की स्थानिक गतिशीलता (जैसा कि यहाँ प्रदर्शित किया गया है) जैसी जटिल घटनाओं को समझने के उपकरण के रूप में प्रस्तुत किया गया है।

लेखक अपनी सीमाओं के संबंध में विनम्र रहते हैं, यह नोट करते हुए कि निष्कर्ष के लिए उपयोग किए गए एसिम्प्टोटिक सिद्धांत (asymptotic theory) तब लागू नहीं हो सकते हैं यदि सहचर अत्यधिक सह-संबंधित हों, और यह धारणा कि रुझान और मौसमी शुद्ध रैंडम वॉक हैं, सभी टाइम सीरीज़ के लिए फिट नहीं हो सकती है (जो इन घटकों के लिए AR(1) प्रक्रियाओं पर भविष्य के कार्य का सुझाव देती है)। उन्होंने वेरिएबल चयन और मल्टीवेरिएट विस्तार को संभावित भविष्य की दिशाओं के रूप में भी पहचाना है।