13 Econometrics (Frequently Asked Supporting Concepts)
📊 Frequently Asked Supporting Concepts – UGC NET Economics
यह सामग्री UGC NET Economics (Unit 3: Econometrics) के उन Supporting Concepts पर केंद्रित है जो अक्सर परीक्षा में प्रश्नों के साथ आते हैं। इसमें इन अवधारणाओं का सरल स्पष्टीकरण और उनसे संबंधित PYQs (2011-2024) समाधान सहित दिए गए हैं।
📘 1. Dummy Variables (डमी वेरिएबल) – बिल्कुल आसान भाषा में
यह क्या है? (Concept)
Dummy Variable (जिसे Binary, Indicator, या Categorical Variable भी कहा जाता है) एक ऐसा Variable है जो Qualitative (गुणात्मक) जानकारी को Quantitative (संख्यात्मक) रूप में बदलता है। यह केवल दो मान लेता है: 0 या 1.
सरल उदाहरण:
| Qualitative Information | Dummy Variable Value |
|---|---|
| Gender: Male | 1 |
| Gender: Female | 0 |
| City: Urban | 1 |
| City: Rural | 0 |
Dummy Variable का उपयोग क्यों करते हैं? (Why Use?)
हम Regression Model में ऐसी जानकारी (जैसे लिंग, शहर, नीति परिवर्तन) शामिल करना चाहते हैं जो संख्याओं में न हो। Dummy Variable इसे संभव बनाता है।
Dummy Variable की व्याख्या (Interpretation)
मान लीजिए आपका Regression Model है:
जहां Gender_i = 1 for Male और 0 for Female है।
- Female (Gender = 0) के लिए: Model बन जाता है \( Salary = \beta_0 + \beta_1 Experience \).
- Male (Gender = 1) के लिए: Model बन जाता है \( Salary = (\beta_0 + \beta_2) + \beta_1 Experience \).
यहाँ β₂ (Dummy का Coefficient) Intercept में अंतर (Intercept Shift) को दर्शाता है। यह बताता है कि Experience समान होने पर पुरुषों और महिलाओं के वेतन में कितना अंतर है।
📘 2. Dummy Variable Trap – परीक्षा का सबसे महत्वपूर्ण हिस्सा
यह क्या है? (Concept)
Dummy Variable Trap Perfect Multicollinearity की एक स्थिति है। यह तब होती है जब आप Intercept Term के साथ 'm' Categories के लिए सभी 'm' Dummy Variables को Regression Model में शामिल कर लेते हैं।
समस्या क्या है? (The Problem)
यदि आपके पास 3 शहर (Delhi, Mumbai, Kolkata) हैं और आप सभी तीनों के लिए Dummy बना लेते हैं, तो इन तीनों Dummy का योग हमेशा 1 (Intercept) के बराबर होगा। इससे Perfect Multicollinearity पैदा होती है, जिससे OLS Estimates अद्वितीय (Uniquely) निर्धारित नहीं किए जा सकते।
समाधान क्या है? (Solution)
हमेशा 'm-1' Dummy Variables + Intercept Term का उपयोग करें। जिस Category के लिए Dummy नहीं बनाई गई, वह Reference Category (Base Category) बन जाती है और उसका प्रभाव Intercept में समा जाता है।
UGC NET PYQ (Official, 3 Jan 2025 Shift 2)
प्रश्न (Question): "If a variable has 'm' categories, we can run the regression using:"
✅ सही उत्तर (Correct Answer): 'm-1' dummy variables and an intercept term
📘 3. Dimensionality Reduction – Principal Component Analysis (PCA)
यह क्या है? (Concept)
Principal Component Analysis (PCA) एक Linear Dimensionality Reduction तकनीक है। इसका उपयोग तब किया जाता है जब डेटा में कई Correlated Variables हों। PCA इन Variables को कुछ नए, Uncorrelated Variables में बदल देता है, जिन्हें Principal Components कहा जाता है।
PCA कैसे काम करता है?
- First Principal Component (PC1): डेटा में सबसे अधिक Variation (फैलाव) वाली दिशा को पकड़ता है।
- Second Principal Component (PC2): PC1 के लंबवत (Orthogonal) होता है और शेष बचे Variation को पकड़ता है।
PCA का उपयोग क्यों करते हैं?
- Multicollinearity कम करने के लिए: Correlated Variables को Uncorrelated Components में बदलकर.
- Data Visualization के लिए: High-Dimensional Data को 2D या 3D में प्लॉट करने के लिए.
- Data Compression के लिए: कम Components रखकर Data को आसान बनाने के लिए.
UGC NET PYQ (Official, Based on 2023-24 Pattern)
प्रश्न (Question): "Principal Component Method is used for:"
✅ सही उत्तर (Correct Answer): Dimensionality Reduction and Multicollinearity Removal
📘 4. Time Series Components, Moving Averages and Deseasonalisation
Time Series के मुख्य 4 Components:
| Component | अर्थ (Meaning) | उदाहरण (Example) |
|---|---|---|
| Trend (T) | दीर्घकालिक दिशा (Long-term direction) | GDP का हर साल बढ़ते जाना |
| Seasonal (S) | एक साल के अंदर दोहराया जाने वाला पैटर्न | गर्मियों में AC, सर्दियों में हीटर की बिक्री बढ़ना |
| Cyclical (C) | व्यापार चक्र (उछाल और मंदी) के कारण उतार-चढ़ाव | मंदी में बेरोजगारी बढ़ना |
| Irregular (I) | संयोग या अप्रत्याशित घटना (Random) | Covid-19 महामारी का प्रभाव |
Moving Averages (चलती औसतें)
Moving Averages एक सरल तकनीक है जो डेटा के उतार-चढ़ाव (Fluctuations) को हटाकर Trend को साफ़-साफ़ दिखाने में मदद करती है।
सरल उदाहरण:
| Day | Price | 3-Day Moving Average |
|---|---|---|
| 1 | 100 | - |
| 2 | 120 | (100+120+130)/3 = 116.67 |
| 3 | 130 | (120+130+110)/3 = 120.00 |
| 4 | 110 | (130+110+140)/3 = 126.67 |
| 5 | 140 | - |
यह डेटा को Smooth करता है और Trend को स्पष्ट करता है।
Deseasonalisation (Decomposition मॉडल)
Multiplicative Decomposition Model में Time Series के चारों Components (T, S, C, I) आपस में गुणा होते हैं:
Deseasonalisation का अर्थ है इनमें से Seasonal (S) Component को हटाना। यह Time Series Data से मौसमी प्रभाव (Festivals, Weather) निकालकर सिर्फ Trend और Cycle को देखने के लिए किया जाता है, ताकि Quarter-to-Quarter, Month-to-Month तुलना सही हो सके।
UGC NET PYQ (Official, June 2019)
प्रश्न (Question): "Multiplicative decomposition model is used to:"
✅ सही उत्तर (Correct Answer): Deseasonalise the time series data
📘 5. Degrees of Freedom (df) – स्वतंत्रता की कोटि
यह क्या है? (Concept)
Degrees of Freedom (df) को "स्वतंत्र रूप से बदलने वाली सूचनाओं की संख्या" के रूप में समझा जा सकता है।
सरल उदाहरण: मान लीजिए आपको 5 संख्याएँ (n=5) चुननी हैं, लेकिन उनका औसत (Mean) पहले से तय है। आप पहली 4 संख्याएँ कोई भी रख सकते हैं (Free to Vary), लेकिन 5वीं संख्या अपने आप तय हो जाएगी। यहाँ आपके पास केवल 4 (n-1) Degrees of Freedom हैं।
Multiple Regression में df (सबसे महत्वपूर्ण)
A Multiple Regression Model में:
- कुल df (Total) = n - 1 (यह तय Mean के कारण 1 df खो देता है).
- Model (Explained) df = k (जहाँ k = Independent Variables की संख्या).
- Residual (Error) df = n - k - 1 (यह Model में Estimate किए गए k+1 Coefficients के कारण खो जाता है).
यह सूत्र df = n - k - 1 परीक्षा में बार-बार आता है।
🎯 UGC NET परीक्षा के लिए महत्वपूर्ण (Important PYQs)
| Year/Shift | Topic | Question (प्रश्न) | Correct Answer (सही उत्तर) |
|---|---|---|---|
| Jan 2025, Shift 2 | Dummy Variable Trap | "If a variable has 'm' categories, we can run the regression using:" | 'm-1' dummy variables and an intercept term |
| 2023-24 (Pattern) | Principal Component Analysis (PCA) | "Principal Component Method is used for:" | Dimensionality Reduction and Multicollinearity Removal |
| June 2019 | Multiplicative Decomposition | "Multiplicative decomposition model is used to:" | Deseasonalise the time series data |
| Multiple Years | Degrees of Freedom (df) | "In a regression model with 'n' observations and 'k' independent variables, the Residual degrees of freedom is:" | n - k - 1 |
| Multiple Years | Dummy Variable Interpretation | "In a regression model Y = a + bD + cX, where D is a dummy variable, the coefficient 'b' measures:" | Intercept shift (difference in means between the two categories) |
🔥 परीक्षा टिप्स (Exam Tips) – Final Revision
| यदि प्रश्न पूछे... | तो सीधा उत्तर है... |
|---|---|
| "Dummy Variable किस Information को Model में लाता है?" | Qualitative / Categorical |
| "Dummy Variable Trap किस समस्या का उदाहरण है?" | Perfect Multicollinearity |
| "'m' Categories के लिए कितनी Dummies डालनी चाहिए?" | m-1 |
| "PCA का मुख्य उद्देश्य क्या है?" | Dimensionality Reduction |
| "PCA किस समस्या को कम करने में मदद करता है?" | Multicollinearity |
| "Multiplicative Decomposition Model का उपयोग क्यों किया जाता है?" | Deseasonalise (मौसमी प्रभाव हटाना) |
| "Time Series से Seasonal Effect हटाने की प्रक्रिया क्या कहलाती है?" | Deseasonalisation |
| "Regression Model में Residual df का Formula क्या है?" | n - k - 1 |
टिप्पणियाँ
एक टिप्पणी भेजें