बायेसियन संरचनात्मक समय श्रृंखला

बायेसियन स्ट्रक्चरल टाइम सीरीज़ (BSTS) समय श्रृंखला पूर्वानुमान और कारण अनुमान के लिए एक सांख्यिकीय विधि है, जो अनिश्चितता और लापता डेटा को संभालने के लिए राज्य-स्थान मॉडल को बायेसियन अनुमान के साथ जोड़ती है।

बायेसियन स्ट्रक्चरल टाइम सीरीज़ (BSTS) समय श्रृंखला डेटा के मॉडलिंग और पूर्वानुमान के लिए एक सांख्यिकीय ढांचा है। यह राज्य-स्थान मॉडल को बायेसियन अनुमान के साथ एकीकृत करता है, जिससे श्रृंखला को प्रवृत्ति, मौसमी और प्रतिगमन घटकों में विघटित किया जा सकता है, साथ ही सभी मापदंडों के लिए पूर्ण पश्च वितरण प्रदान किया जा सकता है। यह दृष्टिकोण विशेष रूप से लापता डेटा को संभालने, पूर्व जानकारी को शामिल करने और भविष्यवाणियों और कारण प्रभाव अनुमानों में अनिश्चितता को मापने की क्षमता के लिए मूल्यवान है।

इस विधि को 2010 के दशक के मध्य में शैक्षणिक कार्य और ओपन-सोर्स कार्यान्वयनों के माध्यम से लोकप्रिय बनाया गया, विशेष रूप से Google द्वारा विकसित CausalImpact पैकेज के माध्यम से। BSTS अर्थमिति, महामारी विज्ञान और विपणन विश्लेषण जैसे क्षेत्रों में एक मानक उपकरण बन गया है, जहाँ समय श्रृंखला पर हस्तक्षेप या घटनाओं के प्रभाव को समझना महत्वपूर्ण है। इसकी लचीलापन और संभाव्य प्रकृति इसे ARIMA जैसी शास्त्रीय समय श्रृंखला विधियों से अलग करती है, जिन्हें अक्सर स्थिरता की आवश्यकता होती है और मापदंडों को निश्चित मानते हैं।

मुख्य घटक

BSTS मॉडल राज्य-स्थान प्रतिनिधित्व पर आधारित होते हैं, जहाँ एक प्रेक्षित समय श्रृंखला \( y_t \) को एक गुप्त राज्य सदिश \( \alpha_t \) के फलन के रूप में व्यक्त किया जाता है। प्रेक्षण समीकरण आमतौर पर \( y_t = Z_t^T \alpha_t + \varepsilon_t \) होता है, और राज्य \( \alpha_{t+1} = T_t \alpha_t + R_t \eta_t \) के अनुसार विकसित होता है, जिसमें त्रुटि पद \( \varepsilon_t \) और \( \eta_t \) गाऊसी माने जाते हैं। राज्य सदिश में कई घटक शामिल हो सकते हैं: एक स्थानीय रैखिक प्रवृत्ति, एक मौसमी घटक (अक्सर फूरियर पदों या डमी चर के साथ मॉडलित), और बाहरी भविष्यवक्ताओं के लिए प्रतिगमन गुणांक।

एक प्रमुख विशेषता प्रतिगमन गुणांक पर स्पाइक-एंड-स्लैब पूर्व वितरण का उपयोग है। यह पूर्व वितरण मॉडल को स्वचालित रूप से चर चयन करने की अनुमति देता है, अप्रासंगिक गुणांक को शून्य पर सिकोड़ता है जबकि महत्वपूर्ण भविष्यवक्ताओं को बनाए रखता है। यह विशेष रूप से तब उपयोगी होता है जब संभावित सहचरों की संख्या नमूना आकार के सापेक्ष बड़ी होती है, जो अवलोकनात्मक अध्ययनों में एक सामान्य परिदृश्य है।

बायेसियन अनुमान और गणना

BSTS में अनुमान मार्कोव चेन मोंटे कार्लो (MCMC) विधियों के माध्यम से किया जाता है, आमतौर पर गिब्स सैंपलिंग का उपयोग करके। राज्य-स्थान संरचना कलमन फिल्टर और स्मूथर के माध्यम से गुप्त राज्यों के कुशल सैंपलिंग की अनुमति देती है, जबकि प्रतिगमन गुणांक और विचरण मापदंडों को सशर्त रूप से अद्यतन किया जाता है। बायेसियन दृष्टिकोण हर मात्रा के लिए एक पश्च वितरण उत्पन्न करता है, जिससे पूर्वानुमानों और प्रभाव अनुमानों के लिए विश्वसनीय अंतराल सक्षम होते हैं।

एक व्यावहारिक लाभ लापता प्रेक्षणों का प्राकृतिक संचालन है। राज्य-स्थान ढांचे में, लापता मानों को गुप्त चर के रूप में माना जाता है और सैंपलिंग प्रक्रिया के दौरान उनका प्रतिस्थापन किया जाता है, जिससे अलग प्रतिस्थापन चरणों की आवश्यकता समाप्त हो जाती है। यह रिपोर्टिंग देरी या डेटा संग्रह समस्याओं के कारण अंतराल वाले वास्तविक-विश्व डेटासेट के लिए विशेष रूप से फायदेमंद है।

कारण प्रभाव विश्लेषण

BSTS का एक प्रमुख अनुप्रयोग कारण प्रभाव अनुमान है, जैसा कि CausalImpact R पैकेज में लागू किया गया है। यह विधि हस्तक्षेप-पूर्व अवधि के दौरान नियंत्रण समय श्रृंखला के एक सेट पर BSTS मॉडल फिट करके उपचारित इकाई के लिए एक सिंथेटिक नियंत्रण बनाती है। मॉडल उपचारित श्रृंखला और नियंत्रणों के बीच संबंध सीखता है, फिर हस्तक्षेप-पश्चात अवधि के लिए प्रति-तथ्यात्मक परिणाम की भविष्यवाणी करता है। प्रेक्षित और भविष्यवाणी किए गए मानों के बीच का अंतर कारण प्रभाव का अनुमान प्रदान करता है, जिसमें अनिश्चितता अंतराल शामिल होते हैं।

इस दृष्टिकोण का व्यापक रूप से विपणन अभियानों, नीति परिवर्तनों या सार्वजनिक स्वास्थ्य हस्तक्षेपों के प्रभाव का मूल्यांकन करने में उपयोग किया गया है। उदाहरण के लिए, शोधकर्ताओं ने बिक्री पर विज्ञापन व्यय के प्रभाव या यातायात दुर्घटनाओं पर एक नए कानून के प्रभाव को मापने के लिए इसे लागू किया है। विधि की ताकत यादृच्छिक प्रयोग की आवश्यकता के बिना प्रवृत्तियों और मौसमी को ध्यान में रखने की क्षमता में निहित है।

सॉफ्टवेयर कार्यान्वयन

कई सॉफ्टवेयर पैकेज BSTS लागू करते हैं। 2014 में Google द्वारा जारी मूल CausalImpact पैकेज R में लोकप्रिय बना हुआ है। Google का bsts R पैकेज भी कस्टम राज्य-स्थान मॉडल बनाने के लिए एक अधिक सामान्य ढांचा प्रदान करता है। Python में, pycausalimpact लाइब्रेरी CausalImpact का एक पोर्ट प्रदान करती है, और statsmodels लाइब्रेरी में कुछ राज्य-स्थान कार्यक्षमता शामिल है, हालाँकि बायेसियन चर चयन पर कम जोर देती है।

इन उपकरणों ने प्रवेश की बाधा को कम किया है, जिससे बायेसियन सांख्यिकी में गहरी विशेषज्ञता के बिना व्यवसायी BSTS लागू कर सकते हैं। हालाँकि, उपयोगकर्ताओं को अभी भी मॉडलिंग विकल्प बनाने होंगे, जैसे मौसमी घटकों की संख्या या प्रतिगमन गुणांक के लिए पूर्व वितरण, जो परिणामों को प्रभावित कर सकते हैं।

सीमाएँ और विचार

BSTS शास्त्रीय विधियों की तुलना में कम्प्यूटेशनल रूप से गहन है, विशेष रूप से लंबी श्रृंखलाओं या कई सहचरों के लिए, MCMC सैंपलिंग के कारण। विश्वसनीय पश्च अनुमान सुनिश्चित करने के लिए अभिसरण निदान आवश्यक हैं। यह विधि रैखिकता और गाऊसी त्रुटियों को भी मानती है, जो गणना डेटा या अत्यधिक विषम वितरणों के लिए मान्य नहीं हो सकती है, हालाँकि पॉइसन और अन्य परिवारों के लिए विस्तार मौजूद हैं।

एक और सीमा कारण अनुप्रयोगों में नियंत्रण श्रृंखला की पसंद पर निर्भरता है। यदि नियंत्रण खराब भविष्यवक्ता हैं या स्वयं हस्तक्षेप से प्रभावित हैं, तो प्रति-तथ्यात्मक अनुमान पक्षपाती हो सकते हैं। इन चुनौतियों के बावजूद, BSTS एक मजबूत और लचीला उपकरण बना हुआ है, जो पारंपरिक अर्थमिति और आधुनिक मशीन लर्निंग दृष्टिकोणों के बीच की खाई को पाटता है।