شماریات میں جیک نائف کا طریقہ

شماریات میں جیک نائف کا طریقہ

جیک نائف کا طریقہ شماریات میں دوبارہ نمونے لینے کی ایک اہم تکنیک ہے، خاص طور پر تخمینہ کی غیر یقینی صورتحال کی پیمائش کے لیے۔ جیک نائف کا استعمال اکثر تخمینہ لگانے والے کے تعصب اور تغیر کا اندازہ لگانے کے لیے کیا جاتا ہے اور ساتھ ہی معیاری خرابی جیسے درست اقدامات کی تعمیر کے لیے بھی استعمال کیا جاتا ہے۔ یہ تکنیک نسبتاً آسان ہے، ضرورت سے زیادہ سخت تقسیمی مفروضوں کی ضرورت نہیں ہے، اور کلاسیکی اعداد و شمار سے لے کر جدید اعداد و شمار کے تجزیہ تک وسیع پیمانے پر مسائل پر لاگو کیا جا سکتا ہے۔

پس منظر اور بنیادی خیالات

جیک نائف کو مورس کوئنوئیل نے متعارف کرایا تھا اور بعد میں جان ٹوکی نے اسے مقبول بنایا۔ "جیک نائف" نام ایک ورسٹائل پاکٹ نائف سے متاثر ہے، کیونکہ یہ طریقہ لچکدار ہے اور اسے مختلف سیاق و سباق میں استعمال کیا جا سکتا ہے۔ بنیادی خیال یہ ہے: اگر ہمارے پاس سائز n کا نمونہ ہے، تو ہم ہر بار ایک مشاہدے کو ہٹا کر کئی "ڈمی نمونے" بناتے ہیں، اور پھر ہر نمونے پر تخمینہ لگانے والے کا دوبارہ حساب لگاتے ہیں۔ یہ دیکھ کر کہ جب ایک مشاہدہ ہٹا دیا جاتا ہے تو تخمینہ کنندہ کیسے تبدیل ہوتا ہے، ہم اعداد و شمار میں تغیر پر تخمینہ لگانے والے کے استحکام کے بارے میں بصیرت حاصل کرتے ہیں۔

مثال کے طور پر، فرض کریں کہ ہمارے پاس ڈیٹا \(x_1, x_2, \dots, x_n\) ہے اور ہم تخمینہ لگانے والے \(\hat{\theta}=t(x_1,\dots,x_n)\) کا استعمال کرتے ہوئے پیرامیٹر \(\theta\) کا اندازہ لگانا چاہتے ہیں۔ جیک نائف میں، ہم سائز کے n ذیلی نمونے بناتے ہیں \(n-1\)، یعنی \(i\)واں ذیلی نمونہ جو \(x_i\) کو حذف کر دیتا ہے۔ پھر ہم حساب لگاتے ہیں:

\[
\hat{\theta}_{(i)} = t(x_1,\dots,x_{i-1},x_{i+1},\dots,x_n)
\]

قدر \(\hat{\theta}_{(i)}\) کو لیو ون آؤٹ تخمینہ کہا جاتا ہے۔

جیک نائف کے طریقہ کار کے اقدامات

طریقہ کار سے، jacknife کو درج ذیل مراحل میں بیان کیا جا سکتا ہے:

1. مکمل ڈیٹا پر تخمینہ لگانے والے کا حساب لگائیں۔
پورے نمونے پر \(\hat{\theta}\) کا حساب لگائیں۔

2. ایک چھوڑنے والے ذیلی نمونے بنائیں
ہر ایک \(i = 1,2,\dots,n\) کے لیے، مشاہدہ کو ہٹا دیں \(x_i\) اور تخمینہ لگانے والے کی گنتی کریں \(\hat{\theta}_{(i)}\)۔

3. جیک نائف تخمینہ لگانے والے کی اوسط کا حساب لگائیں۔
اوسط چھٹی ایک آؤٹ:
\[
\bar{\theta}_{(\cdot)} = frac{1}{n}\sum_{i=1}^n \hat{\theta}_{(i)}
\]

4. تخمینہ تغیر (یا معیاری غلطی)
جیک نائف کے فرق کا حساب عام طور پر اس طرح کیا جاتا ہے:
\[
\widehat{\mathrm{Var}}_{J}(\hat{\theta}) = \frac{n-1}{n}\sum_{i=1}^n \left(\hat{\theta}_{(i)} - \bar{\theta}_{(\cdot)}\right)^2
\]
معیاری خرابی متغیر کا مربع جڑ ہے۔

5. تعصب کا تخمینہ اور تعصب کی اصلاح (اختیاری)
جیک نائف تعصب کا اندازہ اس کے ذریعے بھی لگا سکتا ہے:
\[
\widehat{\mathrm{Bias}}_{J}(\hat{\theta}) = (n-1)\left(\bar{\theta}_{(\cdot)} - ​​\hat{\theta}\right)
\]
تعصب کی اصلاح اس کے ذریعہ کی جاسکتی ہے:
\[
\hat{\theta}_{J} = \hat{\theta} - \widehat{\mathrm{Bias}}_{J}(\hat{\theta})
\]
تشریح: اگر لیو ون آؤٹ کا مطلب مکمل تخمینہ لگانے والے سے منظم طریقے سے مختلف ہے، تو تعصب کا ایک اشارہ ہے جسے درست کیا جا سکتا ہے۔

بدیہی مثال: نمونہ کا مطلب

جیک نائف کو بدیہی طور پر سمجھنے کے لیے، نمونے کے اوسط تخمینہ پر غور کریں:

\[
\hat{\mu} = \frac{1}{n}\sum_{i=1}^n x_i
\]

اگر ہم ایک مشاہدے کو ہٹا دیں \(x_i\)، تو مطلب بن جاتا ہے:

\[
\hat{\mu}_{(i)} = frac{1}{n-1}\sum_{j\ne i} x_j
\]

اوسط کے معاملے میں، جیک نائف کوئی بڑا "سرپرائز" فراہم نہیں کرتا ہے کیونکہ اوسط مستحکم ہے اور تعصب چھوٹا ہے (کئی سیاق و سباق میں)۔ تاہم، زیادہ پیچیدہ تخمینہ لگانے والوں کے لیے — جیسے کہ میڈین، ایک مخصوص ریگریشن گتانک، ایک ارتباط، یا ایک نان لائنر شماریات — ایک واحد ڈیٹا پوائنٹ کو ہٹانے کے نتیجے میں ہونے والی تبدیلی تخمینہ لگانے والے کی حساسیت کو ظاہر کر سکتی ہے اور اس کی معیاری غلطی کا ایک مفید تخمینہ پیدا کر سکتی ہے۔

سیڈو ویلیو: جیک نائف میں ایک اہم تصور

کچھ مباحثوں میں، jackknife ہر مشاہدے کے لیے ایک pseudovalue متعارف کراتا ہے:

\[
\theta_i^{ } = n\hat{\theta} – (n-1)\hat{\theta}_{(i)}
\]

پھر jackknife تخمینہ لگانے والے کو pseudovalues ​​کی اوسط کے طور پر لکھا جا سکتا ہے:

\[
\hat{\theta}_{J} = \frac{1}{n}\sum_{i=1}^n \theta_i^{ }
\]

pseudovalue نقطہ نظر اس بات کی وضاحت کرنے میں مدد کرتا ہے کہ کس طرح ہر مشاہدہ حتمی تخمینہ میں "مطابقت" کرتا ہے اور تعصب کے تجزیے میں سہولت فراہم کرتا ہے۔

جیک نائف اور بوٹسٹریپ کے درمیان تعلق

جیک نائف کا موازنہ اکثر بوٹسٹریپ سے کیا جاتا ہے، کیونکہ دونوں ہی دوبارہ نمونے لینے کے طریقے ہیں۔ تاہم، اہم اختلافات ہیں:

- جیک نائف ایک ڈیٹا کو ہٹا کر سب سیمپلنگ کا استعمال کرتا ہے (لیو ون آؤٹ)۔ نقل کی تعداد تعییناتی ہے: بالکل n ۔
- بوٹسٹریپنگ متبادل کے ساتھ ایک نمونہ بناتی ہے، عام طور پر کئی بار (مثلاً 1000 یا 10.000 بار)، اس طرح تخمینہ لگانے والے کی تجرباتی تقسیم کا تخمینہ فراہم کرتا ہے۔

عام طور پر، بوٹسٹریپ پیچیدہ مسائل کے لیے زیادہ لچکدار اور اکثر زیادہ درست ہوتا ہے، لیکن جیک نائف آسان اور کمپیوٹیشنل طور پر کم مہنگا ہے۔ بڑے ڈیٹا سیٹس پر، جیک نائف کسی نہ کسی معیاری غلطیوں کو حاصل کرنے کے لیے ایک فوری متبادل ہو سکتا ہے، خاص طور پر جب تخمینہ لگانے والے کی کمپیوٹنگ کرنا مہنگا ہے لیکن پھر بھی ممکن ہے۔

جیک نائف طریقہ کے فوائد

جیک نائف کے کچھ فوائد میں شامل ہیں:

1. سادہ اور لاگو کرنے میں آسان
لیو ون آؤٹ کا تصور بدیہی ہے، اور تغیر کا فارمولا سیدھا ہے۔

2. تقسیم کے چند مفروضے۔
جیک نائف کو ہمیشہ معمول کے مفروضے یا کسی خاص تقسیم کی شکل کی ضرورت نہیں ہوتی ہے۔

3. بعض حسابات کے لیے موثر
چونکہ اس کے لیے تخمینہ لگانے والے حسابات کے صرف n اوقات کی ضرورت ہوتی ہے، جیک نائف اکثر بوٹسٹریپنگ سے ہلکا ہوتا ہے جس کے لیے ہزاروں نقلیں درکار ہوتی ہیں۔

4. تعصب کے تخمینے کے لیے مفید ہے۔
خاص طور پر غیر لکیری تخمینہ لگانے والوں میں جن کا تجزیہ عام طور پر حساب لگانا آسان نہیں ہوتا ہے۔

دھیان کے لیے حدود اور چیزیں

اگرچہ طاقتور، جیک نائف کی حدود ہیں:

1. انتہائی غیر ہموار تخمینہ لگانے والوں کے لیے کم درست
مثال کے طور پر، کچھ حالات میں میڈین یا کوانٹائلز، یا اعدادوشمار جو انتہائی قدروں پر منحصر ہوتے ہیں، جیک نائف بعض اوقات تغیر کا کم درست تخمینہ فراہم کرتا ہے۔

2. انحصار کے ساتھ ڈیٹا کے لیے ہمیشہ موزوں نہیں ہوتا
ٹائم سیریز یا مقامی ڈیٹا میں، مشاہدات آزاد نہیں ہوتے ہیں۔ ایک نقطہ کو ہٹانے سے انحصار کا ڈھانچہ ٹوٹ سکتا ہے۔ اس طرح کے معاملات کے لیے، بلاک جیک نائف (ایک وقت میں ڈیٹا کے ایک بلاک کو ہٹانا) جیسے تغیرات استعمال کیے جاتے ہیں۔

3. اعلی اثر والے مشاہدات کے لیے حساس
اگر آؤٹ لیرز یا "لیوریجڈ" ڈیٹا موجود ہیں، تو چھوڑنے کا تخمینہ کافی حد تک تبدیل ہو سکتا ہے۔ یہ ہمیشہ کمزوری نہیں ہوتی — درحقیقت، یہ ایک اہم اشارہ ہو سکتا ہے — لیکن نتیجے میں آنے والا تغیر بڑا ہو سکتا ہے اور اسے محتاط تشریح کی ضرورت ہوتی ہے۔

4. بہت بڑے این پر اسکیل ایبلٹی
بوٹسٹریپنگ سے سستا ہونے کے باوجود، jackknife کو اب بھی n تخمینہ لگانے والے کی تشخیص کی ضرورت ہوتی ہے۔ اگر n لاکھوں میں ہے اور تخمینہ لگانے والے مہنگے ہیں، تو یہ پریشانی کا باعث ہو سکتا ہے۔

تغیرات: ڈیلیٹ-ڈی جیک نائف اور بلاک جیک نائف

لیف ون آؤٹ کے علاوہ، مختلف حالتیں ہیں:

– Delete-d jacknife : d مشاہدات فی نقل (صرف 1 کی بجائے) کو حذف کرتا ہے۔ یہ بعض حالات میں درستگی کو بہتر بنا سکتا ہے، خاص طور پر غیر ہموار تخمینہ لگانے والوں کے لیے۔
- بلاک جیک نائف: متعدد ملحقہ مشاہدات پر مشتمل ایک بلاک کو ہٹاتا ہے، جو ڈیٹا کے لیے موزوں ہے جس میں خود کار تعلق ہے (جیسے روزانہ، ہفتہ وار، یا مقامی ڈیٹا)۔

ڈی یا بلاک سائز کا انتخاب ڈیٹا کے ڈھانچے اور قیاس مقصد پر منحصر ہے۔

عملی طور پر جیک نائف کا استعمال

جیک نائف کو مختلف شعبوں میں استعمال کیا جاتا ہے:

– حیاتیاتی شماریات اور وبائی امراض: خطرے کے اقدامات یا ماڈل پیرامیٹرز کے لیے معیاری غلطیوں کا اندازہ لگانا جب تجزیاتی فارمولے مشکل ہوں۔
- معاشیات: پیرامیٹر کے استحکام کی تشخیص، خاص طور پر محدود نمونوں میں۔
- کمپیوٹر سائنس اور مشین لرننگ: لیو ون آؤٹ کا تصور کراس توثیق سے گہرا تعلق رکھتا ہے، حالانکہ اہداف مختلف ہیں (پیش گوئی کی توثیق بمقابلہ پیرامیٹر کی درستگی کا تخمینہ)۔
- ایکولوجی اور سروے: تنوع یا مخصوص اشاریوں کا تخمینہ اور پیچیدہ اعدادوشمار کی غیر یقینی صورتحال۔

بند کرنا

جیک نائف کا طریقہ ایک کلاسک ری سیمپلنگ تکنیک ہے جو آج بھی متعلقہ ہے۔ ایک سادہ خیال کو استعمال کرتے ہوئے — ایک مشاہدے کو چھوڑ کر اور تخمینہ لگانے والے کا دوبارہ حساب لگا کر — جیک نائف پیچیدہ ریاضیاتی حساب کے بغیر تغیر، معیاری غلطی، اور تعصب کا تخمینہ فراہم کر سکتی ہے۔ تاہم، اس کے استعمال کے لیے تخمینہ لگانے والے کی نوعیت، نمونے کے سائز، اور ڈیٹا کے انحصار کی ساخت پر غور کرنے کی ضرورت ہے۔ عملی طور پر، جیک نائف اکثر ایک تیز اور شفاف آپشن ہوتا ہے، یا بوٹسٹریپنگ جیسے مزید مضبوط دوبارہ نمونے لینے کے طریقوں کو استعمال کرنے کے لیے ایک تکمیلی ہوتا ہے۔

اگر آپ چاہیں تو، میں ایک چھوٹی عددی حساب کی مثال بھی شامل کر سکتا ہوں (مثلاً ارتباط یا رجعت کے لیے) یا درخواست کو واضح کرنے کے لیے R/Python میں jackknife کا نفاذ شامل کر سکتا ہوں۔