General Parameter(s) Estimation using Sine Function-Based Estimators

तकनीकी सारांश: साइन फलन-आधारित अनुमानकों का उपयोग करके सामान्य पैरामीटर(ों) का अनुमान

समस्या विवरण
नमूनाकरण सिद्धांत (sampling theory) में, जनसंख्या के मापदंडों (जैसे माध्य, प्रसरण, मानक विचलन और भिन्नता गुणांक) का अनुमान लगाना एक मौलिक कार्य है। जबकि सहायक चरों (auxiliary variables) के एकीकरण को सटीकता बढ़ाने के एक तरीके के रूप में लंबे समय से पहचाना गया है, सामान्य मापदंडों का अनुमान लगाने के लिए साइन-प्रकार के फलनों के विशिष्ट अनुप्रयोग का अभी भी कम अन्वेषण किया गया है। यद्यपि साइन फलन विभिन्न क्षेत्रों में आवधिक व्यवहारों (periodic behaviors) को मॉडल करने के लिए शक्तिशाली उपकरण हैं, सरल यादृच्छिक नमूनाकरण बिना प्रतिस्थापन के (Simple Random Sampling Without Replacement - SRSWOR) के तहत सामान्य जनसंख्या मापदंडों के कुशल अनुमानक बनाने के लिए उनकी उपयोगिता का पूर्णतः लाभ नहीं उठाया गया है। यह अध्ययन ज्ञात सहायक जानकारी का लाभ उठाकर सामान्य जनसंख्या मापदंडों के अनुमान की सटीकता में सुधार करने के लिए साइन-आधारित अंतर अनुमानकों (sine-based difference estimators) के एक नए वर्ग को विकसित करने की कमी को दूर करता है।

कार्यप्रणाली
लेखक एक नए प्रकार के अनुमानक का प्रस्ताव करते हैं, जिसे $t^*$ द्वारा दर्शाया गया है, जिसे एक सामान्य पैरामीटर $t_{(p,q)} = \bar{Y}^p S_Y^q$ का अनुमान लगाने के लिए डिज़ाइन किया गया है, जहाँ $\bar{Y}$ अध्ययन चर का जनसंख्या माध्य है और $S_Y$ जनसंख्या मानक विचलन है। प्रस्तावित अनुमानक एक सहायक चर $Z$ को शामिल करता है और एक साइन फलन रूपांतरण का उपयोग करता है।

प्रस्तावित अनुमानक को इस प्रकार सूत्रबद्ध किया गया है:
$$t^* = [\hat{t}_{(p,q)} + k(\bar{Z} - \bar{z})] \left[1 + \sin\left\{\frac{w_1(\bar{Z} - \bar{z})}{\bar{Z}}\right\}\right] \left[1 + \sin\left\{\frac{w_2(S_Z^2 - s_Z^2)}{S_Z^2}\right\}\right]$$
जहाँ:

• $\hat{t}_{(p,q)}$ पारंपरिक अनुमानक ($\bar{y}^p s_y^q$) है।
• $\bar{Z}$ और $S_Z^2$ सहायक चर के ज्ञात जनसंख्या पैरामीटर हैं।
• $\bar{z}$ और $s_Z^2$ संगत नमूना सांख्यिकी (sample statistics) हैं।
• $k, w_1,$ और $w_2$ स्केलर हैं, जहाँ $w_1, w_2 \in (0, 1)$ है और $k$ को माध्य वर्ग त्रुटि (Mean Squared Error - MSE) को न्यूनतम करने के लिए चुना गया है।

अनुमानक के सैद्धांतिक गुणों, विशेष रूप से बायस (Bias) और MSE को प्रथम-क्रम सन्निकटन विधियों (first-order approximation methods) का उपयोग करके व्युत्पन्न किया गया है, जिसमें परिमित जनसंख्या सुधार (finite population correction - fpc) पदों और उच्च-क्रम त्रुटि घटकों को अनदेखा किया गया है। यह अध्ययन $p$ और $q$ मापदंडों को समायोजित करके जनसंख्या माध्य ($\bar{Y}$), जनसंख्या प्रसरण ($S_Y^2$), जनसंख्या मानक विचलन ($S_Y$), और भिन्नता गुणांक ($C_Y$) के अनुमान के लिए इस अनुमानक के विशिष्ट मामलों को भी व्युत्पन्न करता है।

प्रमुख योगदान

1. सामान्यीकृत ढांचा: यह शोध पत्र एक एकीकृत साइन-आधारित अनुमानक वर्ग प्रस्तुत करता है जो केवल स्केलर मापदंडों $p$ और $q$ को बदलकर विभिन्न जनसंख्या मापदंडों (माध्य, प्रसरण, मानक विचलन, भिन्नता गुणांक) का अनुमान लगाने में सक्षम है।
2. नवीन अनुमानक संरचना: प्रस्तावित अनुमानक एक अंतर घटक (difference component) को दो साइन-फलन घटकों के साथ जोड़ता है, जिनमें से एक माध्य के अंतर का उपयोग करता है और दूसरा सहायक चर के प्रसरण के अंतर का उपयोग करता है।
3. सैद्धांतिक व्युत्पत्ति: लेखक प्रस्तावित अनुमानक के बायस और MSE के लिए बंद-रूप अभिव्यक्ति (closed-form expressions) प्रदान करते हैं और MSE को न्यूनतम करने के लिए अनुकूलतम भार ($w_1$ और $w_2$) के मान निर्धारित करते हैं।
4. दक्षता स्थितियाँ: सैद्धांतिक स्थितियाँ स्थापित की गई हैं जो यह दर्शाती हैं कि प्रस्तावित अनुमानक $t^*$ (और $t_1^*$ एवं $t_2^*$ जैसे इसके विशिष्ट रूप) पारंपरिक अनुमानक $\hat{t}_{(p,q)}$ और अन्य प्रतिस्पर्धी साइन-प्रकार के अनुमानकों की तुलना में कम MSE प्रदान करता है।

परिणाम
प्रस्तावित अनुमानक के प्रदर्शन का मूल्यांकन दो अलग-अलग दृष्टिकोणों के माध्यम से किया गया:

• अनुभवजन्य चित्रण (Empirical Illustration): दो वास्तविक दुनिया के डेटासेटों का विश्लेषण किया गया:

  • जनसंख्या 1: सुजुकी मोटर कॉर्पोरेशन (2025) के दैनिक स्टॉक मूल्य।
  • जनसंख्या 2: कॉक्रेन (Cochran) से संबंधित व्यक्तियों और ब्लॉकों में कमरों का एक डेटासेट।
    दोनों मामलों में, प्रस्तावित अनुमानक ($t^*$ या $t@$) ने पारंपरिक माध्य अनुमानक और अन्य साइन-आधारित वेरिएंट की तुलना में सबसे कम MSE और उच्चतम प्रतिशत सापेक्ष दक्षता (Percentage Relative Efficiency - PRE) प्रदर्शित की। जनसंख्या 1 के लिए, प्रस्तावित अनुमानक ने 212.99% का PRE प्राप्त किया, और जनसंख्या 2 के लिए, इसने 195.16% का PRE प्राप्त किया।

• सिमुलेशन अध्ययन: Bivariate Normal और Gamma वितरणों से $N=1000$ अवलोकनों के लिए R सॉफ्टवेयर का उपयोग करके व्यापक सिमुलेशन किए गए। अध्ययन ने सहसंबंध गुणांकों ($\rho_{zy} = 0.3, 0.5, 0.7, 0.9$) और नमूना आकारों ($n = 40, 50, 60$) को परिवर्तित किया।

  • परिणामों ने लगातार दिखाया कि प्रस्तावित अनुमानक ने सभी परीक्षण किए गए परिदृश्यों में पारंपरिक अनुमानक और प्रतिस्पर्धी साइन अनुमानकों को पछाड़ दिया।
  • दक्षता लाभ (PRE) अध्ययन और सहायक चरों के बीच सहसंबंध बढ़ने के साथ महत्वपूर्ण रूप से बढ़ गया। उदाहरण के लिए, $\rho=0.9$ के साथ गामा वितरण के तहत, प्रस्तावित अनुमानक ने कुछ विन्यासों में 500% से अधिक PRE मान प्राप्त किए।

महत्व और दावे
यह शोध पत्र दावा करता है कि प्रस्तावित साइन-आधारित अंतर अनुमानक मौजूदा विधियों की तुलना में अनुमान सटीकता में महत्वपूर्ण सुधार प्रदान करता है। लेखक तर्क देते हैं कि साइन-फलन रूपांतरण के माध्यम से ज्ञात सहायक जानकारी को शामिल करके, अनुमानक प्रभावी रूप से माध्य वर्ग त्रुटि (MSE) को कम करता है। अध्ययन इस निष्कर्ष पर पहुँचता है कि प्रस्तावित वर्ग के अनुमानक पारंपरिक नमूना माध्य और अन्य प्रतिस्पर्धी साइन अनुमानकों की तुलना में श्रेष्ठ हैं, जो उन्हें व्यावहारिक अनुप्रयोगों के लिए एक अनुशंसित उपकरण बनाता है। निष्कर्षों को सैद्धांतिक व्युत्पत्ति और मजबूत अनुभवजन्य एवं सिमुलेशन साक्ष्य द्वारा समर्थित किया गया है।

भावी दिशाएँ
लेखक सुझाव देते हैं कि भविष्य के अनुसंधान इस कार्यप्रणाली का विस्तार कर सकते हैं:

1. कई सहायक चरों का उपयोग करके।
2. मापन त्रुटियों (measurement errors) और गैर-प्रतिक्रिया प्रभावों (non-response effects) को शामिल करके।
3. वैकल्पिक नमूनाकरण डिजाइनों जैसे कि स्तरीकृत (stratified), रैंक सेट (ranked set), और दोहरी नमूनाकरण (double sampling) तकनीकों को अपनाकर।
4. दो-चरणीय (two-phase) और स्तरीकृत दो-चरणीय नमूनाकरण तकनीकों को लागू करके।