Evaluation of Policy-Relevant Forecasting Advantage of Machine and Deep Learning Models over Classical Econometrics: Evidence from Ghanaian Headline Inflation
यह अध्ययन प्रदर्शित करता है कि संरचनात्मक अस्थिरता की अवधि के दौरान घाना की हेडलाइन मुद्रास्फीति के पूर्वानुमान के लिए, एक सरल ARIMA मॉडल जटिल मशीन लर्निंग और डीप लर्निंग दृष्टिकोणों से बेहतर प्रदर्शन करता है, जो यह सुझाव देता है कि शासन परिवर्तन (रेजीम शिफ्ट) का सामना करते समय कार्यात्मक लचीलेपन पर निर्भर रहने की तुलना में मुद्रास्फीति की उच्च निरंतरता का लाभ उठाना अधिक प्रभावी है।
मूल पेपर CC BY 4.0 (https://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 अगले सप्ताह के मौसम का अनुमान लगाने की कोशिश कर रहे हैं। आपके पास अपने टूलबॉक्स में दो उपकरण हैं। पहला एक सरल, पुराने ज़माने का नियम है: "यदि कल बारिश हुई थी, तो आज भी बारिश होने की संभावना है।" यह सोचने का "शास्त्रीय" तरीका है, जो उन पैटर्न पर निर्भर करता है जिन्हें आपने बार-बार दोहराते हुए देखा है। दूसरा एक सुपर-जटिल, हाई-टेक कंप्यूटर दिमाग है जिसने मौसम की हर किताब पढ़ ली है और वह बादलों में उन अदृश्य, टेढ़े-मेढ़े पैटर्न को पहचान सकता है जिन्हें कोई इंसान कभी नहीं देख सकता। यह "मशीन लर्निंग" का तरीका है। वर्षों तक, कई लोगों ने माना कि सुपर-जटिल कंप्यूटर दिमाग हमेशा जीतेगा क्योंकि वह बहुत स्मार्ट और लचीला है। लेकिन क्या होगा अगर मौसम इस तरह बदल जाए जैसा उसने पहले कभी नहीं देखा? क्या होगा अगर एक विशाल तूफान आए जो सभी पुराने नियमों को तोड़ दे? यही वह बड़ा सवाल है जिसे यह अध्ययन सुलझाता है। यह पूछता है: जब चीजें पागलपन भरी और अप्रत्याशित हो जाती हैं, तो क्या फैंसी नया कंप्यूटर दिमाग वास्तव में सरल, स्थिर नियम से बेहतर काम करता है? यह सिर्फ मौसम के बारे में नहीं है; यह कुछ ऐसे चीज़ की भविष्यवाणी करने के बारे में है जो हर किसी की जेब को प्रभावित करती है: कीमतें कितनी बढ़ रही हैं, जिसे मुद्रास्फीति (इन्फ्लेशन) के रूप में जाना जाता है।
यह शोध पत्र एक उच्च-दांव वाली कुकिंग प्रतियोगिता की तरह है यह देखने के लिए कि घाना में किराने के सामान की कीमतों की भविष्यवाणी कौन सबसे अच्छी तरह कर सकता है। जजों ने एक बहुत ही कठिन टेस्ट सेट किया: उन्होंने नौ अलग-अलग "शेफ" (जो वास्तव में कंप्यूटर मॉडल हैं) से 42 महीनों की अवधि के लिए मुद्रास्फीति दर की भविष्यवाणी करने के लिए कहा, जिसमें कीमतों में एक बड़ी, चौंकाने वाली उछाल शामिल थी। लक्ष्य यह देखना था कि क्या फैंसी, जटिल शेफ जो मशीन लर्निंग का उपयोग करते हैं, सरल, क्लासिक शेफ को मात दे सकते हैं जो पारंपरिक गणित का उपयोग करते हैं।
परिणाम एक बहुत बड़ा आश्चर्य थे। शोध पत्र में पाया गया कि सरल, पुराने ज़माने का शेफ जीत गया। विशेष रूप से, ARIMA नामक एक मॉडल (जो केवल एक फैंसी नाम है उस मॉडल के लिए जो देखता है कि कीमतें अतीत में कैसे बढ़ी थीं) ने भविष्य की कीमतों की सबसे कम त्रुटि के साथ भविष्यवाणी की, जिसका औसत अंतर 2.41 प्रतिशत अंक था। यह सबसे सरल संभावित अनुमान से थोड़ा बेहतर था (जो केवल यह मान लेना है कि अगले महीने की कीमत पिछले महीने के समान ही होगी), और इसने हर एक फैंसी मशीन लर्निंग मॉडल को पछाड़ दिया।
फैंसी मॉडल, जैसे कि XGBoost और न्यूरल नेटवर्क, उन छात्रों की तरह थे जिन्होंने पाठ्यपुस्तक को पूरी तरह से रट लिया था लेकिन परीक्षा में फेल हो गए जब प्रश्न बदल गए। प्रशिक्षण चरण के दौरान, वे अद्भुत दिखे, लगभग पूर्ण स्कोर प्राप्त किया। लेकिन जब वास्तविक परीक्षा आई—2022-2023 के मुद्रास्फीति उछाल के दौरान जहाँ कीमतें लगभग 10 प्रतिशत से बढ़कर 50 प्रतिशत से ऊपर चली गईं—इन जटिल मॉडलों ने बुरी तरह से गलती की। उन्होंने ऐसे जटिल पैटर्न खोजने की कोशिश की जो मौजूद ही नहीं थे, जिसे "ओवरफिटिंग" नामक गलती कहा जाता है, और अंततः बहुत बड़ी त्रुटियों के साथ समाप्त हुआ, कुछ मामलों में लक्ष्य से 9.04 प्रतिशत अंक या उससे अधिक पीछे रह गए।
लेखक बताते हैं कि ऐसा इसलिए हुआ क्योंकि घाना में मुद्रास्फीति बहुत "चिपचिपी" या निरंतर रहने वाली है; यह उसी दिशा में चलती रहती है जिसमें यह पहले से चल रही थी। सरल मॉडल उस गति (मोमेंटम) के साथ चलने के लिए बने हैं, जबकि जटिल मॉडलों ने इसे ज़रूरत से ज़्यादा समझने की कोशिश की और जब अर्थव्यवस्था अचानक दिशा बदलने लगी तो वे भ्रमित हो गए। अध्ययन सुझाव देता है कि अर्थव्यवस्था को प्रबंधित करने की कोशिश कर रहे एक केंद्रीय बैंक के लिए, नवीनतम, चमकदार तकनीक के पीछे भागने के बजाय विश्वसनीय, पारदर्शी और सरल मॉडल पर टिके रहना वास्तव में समझदारी भरा कदम है, खासकर जब डेटा इतना बड़ा न हो कि जटिल मॉडलों को संकट को संभालने के लिए सिखाया जा सके। हालांकि जटिल मॉडल एक दिन उपयोगी हो सकते हैं यदि हमारे पास अधिक डेटा या अलग उपकरण हों, लेकिन अभी के लिए, सरल, स्थिर दृष्टिकोण ही चैंपियन 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।