रेखीय प्रवृत्ति अनुमान

रैखिक प्रवृत्ति अनुमान डेटा की व्याख्या में सहायता के लिए एक सांख्यिकी तकनीक है। जब किसी प्रक्रिया के मापों की एक श्रृंखला को, उदाहरण के लिए, एक अनुक्रम या समय श्रृंखला के रूप में माना जाता है, तो प्रवृत्ति अनुमान का उपयोग डेटा में प्रवृत्तियों के बारे में बयान देने और उचित ठहराने के लिए किया जा सकता है, मापों को उस समय से संबंधित करके जब वे घटित हुए थे। इस मॉडल का उपयोग देखे गए डेटा के व्यवहार को बिना बताए उसका वर्णन करने के लिए किया जा सकता है।

विशेष रूप से, यह निर्धारित करना उपयोगी हो सकता है कि माप बढ़ती या घटती प्रवृत्ति प्रदर्शित करता है जो सांख्यिकीय रूप से यादृच्छिकता से अलग है। कुछ उदाहरण सर्दियों से गर्मियों तक किसी दिए गए स्थान पर दैनिक औसत तापमान की प्रवृत्ति का निर्धारण कर रहे हैं, और पिछले 100 वर्षों में वैश्विक तापमान श्रृंखला में प्रवृत्ति का निर्धारण कर रहे हैं। बाद के मामले में, एकरूपता (सांख्यिकी) के मुद्दे महत्वपूर्ण हैं (उदाहरण के लिए, इस बारे में कि क्या श्रृंखला अपनी पूरी लंबाई में समान रूप से विश्वसनीय है)।

एक प्रवृत्ति को फिट करना: न्यूनतम-वर्ग
डेटा के एक सेट और उन डेटा के किसी प्रकार के अर्थमितीय मॉडल का उत्पादन करने की इच्छा को देखते हुए, कई प्रकार के फ़ंक्शन हैं जिन्हें फिट के लिए चुना जा सकता है। यदि डेटा की कोई पूर्व समझ नहीं है, तो फिट करने के लिए सबसे सरल फ़ंक्शन y अक्ष पर डेटा मानों के साथ एक सीधी रेखा है, और x अक्ष पर समय (t = 1, 2, 3, ...) है।

एक बार एक सीधी रेखा में फिट करने का निर्णय लेने के बाद, ऐसा करने के कई तरीके हैं, लेकिन सबसे सामान्य विकल्प कम से कम वर्ग फिट है। यह विधि डेटा श्रृंखला y में वर्ग त्रुटियों के योग को कम करती है।

समय में बिंदुओं का एक सेट दिया गया है $$t$$, और डेटा मान $$y_t$$ समय में उन बिंदुओं, मूल्यों के लिए अवलोकन किया गया $$a$$ और $$b$$ इसलिए चुना जाता है


 * $$\sum_t \left[ y_t - \left( \hat{a}t + \hat{b} \right) \right]^2$$

न्यूनतम किया गया है. यहां + बी प्रवृत्ति रेखा है, इसलिए प्रवृत्ति रेखा से वर्ग विचलन का योग न्यूनतम किया जा रहा है। यह हमेशा बंद रूप में किया जा सकता है क्योंकि यह सरल रैखिक प्रतिगमन का मामला है।

इस लेख के शेष भाग के लिए, "रुझान" का अर्थ न्यूनतम वर्ग रेखा का ढलान होगा, क्योंकि यह एक सामान्य परंपरा है।

यादृच्छिक डेटा में रुझान
वास्तविक डेटा में रुझानों पर विचार करने से पहले, यादृच्छिक चर में रुझानों को समझना उपयोगी है।

यदि एक श्रृंखला जिसे यादृच्छिक माना जाता है, का विश्लेषण किया जाता है - निष्पक्ष पासा गिरता है, या कंप्यूटर-जनित छद्म-यादृच्छिक संख्याएं - और डेटा के माध्यम से एक प्रवृत्ति रेखा फिट की जाती है, तो बिल्कुल शून्य अनुमानित प्रवृत्ति की संभावना नगण्य है। लेकिन यह प्रवृत्ति छोटी रहने की उम्मीद होगी। यदि सिमुलेशन से अवलोकनों की एक व्यक्तिगत श्रृंखला उत्पन्न होती है जो शोर के एक दिए गए विचरण को नियोजित करती है जो हमारी रुचि की डेटा श्रृंखला के देखे गए विचरण और एक निश्चित लंबाई (मान लीजिए, 100 अंक) के बराबर होती है, तो बड़ी संख्या में ऐसी अनुरूपित श्रृंखला (मान लीजिए, 100,000 श्रृंखला) उत्पन्न की जा सकती है। फिर प्रत्येक श्रृंखला में अनुमानित रुझानों की गणना करने के लिए इन 100,000 श्रृंखलाओं का व्यक्तिगत रूप से विश्लेषण किया जा सकता है, और ये परिणाम अनुमानित रुझानों का एक वितरण स्थापित करते हैं जो ऐसे यादृच्छिक डेटा से अपेक्षित होते हैं - आरेख देखें। पैथोलॉजिकल मामलों को छोड़कर ऐसा वितरण केंद्रीय सीमा प्रमेय के अनुसार सामान्य वितरण होगा। सांख्यिकीय निश्चितता का एक स्तर, एस, अब चुना जा सकता है - 95% आत्मविश्वास विशिष्ट है; 99% सख्त होगा, 90% ढीला - और निम्नलिखित प्रश्न पूछा जा सकता है: सीमा रेखा प्रवृत्ति मूल्य V क्या है जिसके परिणामस्वरूप S% रुझान −V और +V के बीच होंगे?

उपरोक्त प्रक्रिया को क्रमपरिवर्तन परीक्षण द्वारा प्रतिस्थापित किया जा सकता है। इसके लिए, 100,000 उत्पन्न श्रृंखला के सेट को प्रेक्षित डेटा श्रृंखला को यादृच्छिक रूप से फेरबदल करके निर्मित 100,000 श्रृंखला से प्रतिस्थापित किया जाएगा; स्पष्ट रूप से ऐसी निर्मित श्रृंखला प्रवृत्ति-मुक्त होगी, इसलिए सिम्युलेटेड डेटा का उपयोग करने के दृष्टिकोण के साथ इन श्रृंखलाओं का उपयोग सीमा रेखा प्रवृत्ति मान V और −V उत्पन्न करने के लिए किया जा सकता है।

उपरोक्त चर्चा में बड़ी संख्या में परीक्षणों से, सिमुलेशन द्वारा रुझानों के वितरण की गणना की गई थी। साधारण मामलों में (सामान्य रूप से वितरित यादृच्छिक शोर एक क्लासिक है) रुझानों के वितरण की गणना सिमुलेशन के बिना बिल्कुल की जा सकती है।

रेंज (−V, V) का उपयोग यह तय करने में किया जा सकता है कि क्या वास्तविक डेटा से अनुमानित प्रवृत्ति उस डेटा श्रृंखला से आने की संभावना नहीं है जिसमें वास्तव में शून्य प्रवृत्ति है। यदि प्रतिगमन पैरामीटर का अनुमानित मूल्य इस सीमा के बाहर है, तो ऐसा परिणाम केवल वास्तविक शून्य प्रवृत्ति की उपस्थिति में हो सकता है, उदाहरण के लिए, बीस में से एक बार यदि विश्वास मूल्य एस = 95% का उपयोग किया गया था; इस मामले में, यह कहा जा सकता है कि, निश्चितता की डिग्री एस पर, हम शून्य परिकल्पना को अस्वीकार करते हैं कि वास्तविक अंतर्निहित प्रवृत्ति शून्य है।

हालाँकि, ध्यान दें कि हम S का जो भी मान चुनते हैं, तो वास्तव में यादृच्छिक श्रृंखला के दिए गए अंश, 1 - S को एक महत्वपूर्ण प्रवृत्ति के रूप में घोषित किया जाएगा (झूठा, निर्माण द्वारा)। इसके विपरीत, श्रृंखला का एक निश्चित अंश जिसमें वास्तव में गैर-शून्य प्रवृत्ति होती है, उसे प्रवृत्ति घोषित नहीं किया जाएगा।

ट्रेंड प्लस शोर के रूप में डेटा
डेटा की (समय) श्रृंखला का विश्लेषण करने के लिए, हम मानते हैं कि इसे प्रवृत्ति प्लस शोर के रूप में दर्शाया जा सकता है:


 * $$y_t = at + b + e_t\,$$

कहाँ $$a$$ और $$b$$ अज्ञात स्थिरांक हैं और $$e$$आँकड़ों में बेतरतीब ढंग से वितरित त्रुटियाँ और अवशेष हैं। यदि कोई शून्य परिकल्पना को अस्वीकार कर सकता है कि त्रुटियाँ इकाई मूल|गैर-स्थिर हैं, तो गैर-स्थिर श्रृंखला {yt } प्रवृत्ति-स्थिर प्रक्रिया|ट्रेंड-स्टेशनरी कहलाती है। न्यूनतम वर्ग विधि यह मानती है कि त्रुटियों को सामान्य वितरण के साथ स्वतंत्र रूप से वितरित किया जाता है। यदि यह मामला नहीं है, तो अज्ञात मापदंडों ए और बी के बारे में परिकल्पना परीक्षण गलत हो सकते हैं। यह सबसे सरल है यदि $$e$$सभी का वितरण समान है, लेकिन यदि नहीं (यदि कुछ में विषमलैंगिकता है, जिसका अर्थ है कि वे डेटा बिंदु प्रभावी रूप से कम निश्चित हैं) तो प्रत्येक बिंदु को उस बिंदु के विचरण के व्युत्क्रम द्वारा भारित करके, न्यूनतम वर्ग फिटिंग के दौरान इसे ध्यान में रखा जा सकता है।

ज्यादातर मामलों में, जहां विश्लेषण के लिए केवल एक ही समय श्रृंखला मौजूद होती है, वहां का विचरण होता है $$e$$अनुमानित पैरामीटर मान प्राप्त करने के लिए एक प्रवृत्ति को फिट करके इसका अनुमान लगाया जाता है $$\hat a$$ और $$\hat b,$$ इस प्रकार अनुमानित मूल्यों की अनुमति मिलती है
 * $$\hat y =\hat at+\hat b$$ डेटा से घटाया जाना है $$y_t$$ (इस प्रकार डेटा को ट्रेंड करना) और आंकड़ों में त्रुटियों और अवशेषों को छोड़ना $$\hat e_t$$ ट्रेंडेड डेटा के रूप में, और इसके विचरण का अनुमान लगाना $$e_t$$'अवशेषों से - यह अक्सर भिन्नता का अनुमान लगाने का एकमात्र तरीका है $$e_t$$'एस।

एक बार जब हम श्रृंखला के शोर को जान लेते हैं, तो हम शून्य परिकल्पना बनाकर प्रवृत्ति के महत्व का आकलन कर सकते हैं कि प्रवृत्ति, $$a$$, 0 से भिन्न नहीं है। ज्ञात विचरण के साथ यादृच्छिक डेटा में रुझानों की उपरोक्त चर्चा से, हम यादृच्छिक (ट्रेंडलेस) डेटा से अपेक्षित गणना किए गए रुझानों के वितरण को जानते हैं। यदि अनुमानित प्रवृत्ति, $$\hat a$$, एक निश्चित महत्व स्तर के लिए महत्वपूर्ण मूल्य से बड़ा है, तो अनुमानित प्रवृत्ति को उस महत्व स्तर पर शून्य से काफी अलग माना जाता है, और शून्य अंतर्निहित प्रवृत्ति की शून्य परिकल्पना खारिज कर दी जाती है।

एक रेखीय प्रवृत्ति रेखा का उपयोग आलोचना का विषय रहा है, जिससे मॉडल अनुमान में इसके उपयोग से बचने के लिए वैकल्पिक दृष्टिकोण की खोज की जा रही है। वैकल्पिक दृष्टिकोणों में से एक में अर्थमितीय अध्ययन में यूनिट रूट परीक्षण और सह-एकीकरण तकनीक शामिल है।

समय जैसे रैखिक प्रवृत्ति चर से जुड़े अनुमानित गुणांक की व्याख्या समय की एक इकाई पर आश्रित चर पर कई अज्ञात या ज्ञात लेकिन मापे न जा सकने वाले कारकों के प्रभाव के माप के रूप में की जाती है। कड़ाई से कहें तो, यह व्याख्या केवल अनुमान समय सीमा के लिए लागू है। उस समय सीमा के बाहर, कोई नहीं जानता कि वे मापे जाने योग्य कारक गुणात्मक और मात्रात्मक दोनों रूप से कैसे व्यवहार करते हैं। इसके अलावा, समय की प्रवृत्ति की रैखिकता कई प्रश्न उठाती है:

(i) यह रैखिक क्यों होना चाहिए?

(ii) यदि प्रवृत्ति गैर-रैखिक है तो किन परिस्थितियों में इसका समावेशन मॉडल में अन्य मापदंडों के अनुमानों के परिमाण के साथ-साथ सांख्यिकीय महत्व को प्रभावित करता है?

(iii) एक मॉडल में एक रैखिक समय की प्रवृत्ति को शामिल करने से समय के साथ आश्रित चर की प्रवृत्ति में उतार-चढ़ाव की उपस्थिति को रोका जा सकता है; क्या यह किसी विशेष संदर्भ में आवश्यक रूप से मान्य है?

(iv) और, क्या मॉडल में एक नकली संबंध मौजूद है क्योंकि एक अंतर्निहित प्रेरक चर स्वयं समय-प्रवृत्ति है?

उन सवालों के जवाब में गणितज्ञों, सांख्यिकीविदों, अर्थशास्त्रियों और अर्थशास्त्रियों के शोध परिणाम प्रकाशित किए गए हैं। उदाहरण के लिए, प्रतिगमन मॉडल में रैखिक समय प्रवृत्तियों के अर्थ पर विस्तृत नोट्स कैमरून (2005) में दिए गए हैं; ग्रेंजर, एंगल और कई अन्य अर्थशास्त्रियों ने स्थिरता, यूनिट रूट परीक्षण, सह-एकीकरण और संबंधित मुद्दों पर लिखा है (इस क्षेत्र में कुछ कार्यों का सारांश एक सूचना पत्र में पाया जा सकता है) रॉयल स्वीडिश एकेडमी ऑफ साइंसेज द्वारा (2003); और हो-ट्राइयू और टकर (1990) ने लॉगरिदमिक समय प्रवृत्तियों पर लिखा है, जिसके परिणाम दर्शाते हैं कि रैखिक समय प्रवृत्तियाँ चक्र (अनुक्रम) के विशेष मामले हैं।

उदाहरण: शोर वाली समय श्रृंखला
शोर-शराबे वाली समय श्रृंखला में किसी प्रवृत्ति को देखना कठिन है। उदाहरण के लिए, यदि वास्तविक श्रृंखला 0, 1, 2, 3 है, साथ ही मानक विचलन ई का कुछ स्वतंत्र सामान्य रूप से वितरित शोर ई है, और हमारे पास लंबाई 50 की एक नमूना श्रृंखला है, तो यदि ई = 0.1 प्रवृत्ति स्पष्ट होगी; यदि E=100 प्रवृत्ति संभवतः दिखाई देगी; लेकिन यदि E=10000 तो रुझान शोर में दब जाएगा।

यदि हम एक ठोस उदाहरण पर विचार करें, तो जलवायु परिवर्तन पर अंतर सरकारी पैनल द्वारा प्रस्तुत पिछले 140 वर्षों का वैश्विक सतह तापमान रिकॉर्ड: तब अंतरवार्षिक भिन्नता लगभग 0.2°C है और प्रवृत्ति 140 वर्षों में लगभग 0.6°C है, 95% विश्वास सीमा 0.2°C के साथ (संयोग से, अंतरवार्षिक भिन्नता के समान मूल्य के बारे में)। इसलिए प्रवृत्ति सांख्यिकीय रूप से 0 से भिन्न है। हालाँकि, जैसा कि अन्यत्र उल्लेख किया गया है इस बार की श्रृंखला न्यूनतम वर्गों के वैध होने के लिए आवश्यक मान्यताओं के अनुरूप नहीं है।

फिट की अच्छाई (आर-वर्ग) और प्रवृत्ति
न्यूनतम-वर्ग फिटिंग प्रक्रिया एक मान उत्पन्न करती है - निर्धारण का गुणांक | आर-वर्ग (आर)।2) - जो कि अवशिष्टों के प्रसरण और आश्रित चर के प्रसरण के अनुपात से 1 घटा है। यह बताता है कि डेटा के विचरण का कौन सा अंश फिट ट्रेंड लाइन द्वारा समझाया गया है। यह प्रवृत्ति रेखा के सांख्यिकीय महत्व से संबंधित नहीं है (ग्राफ़ देखें); प्रवृत्ति का सांख्यिकीय महत्व उसके टी-सांख्यिकी द्वारा निर्धारित होता है। अक्सर, किसी श्रृंखला को फ़िल्टर करने से r बढ़ जाता है2फिटेड ट्रेंड में थोड़ा फर्क डालते हुए।

वास्तविक डेटा को अधिक जटिल मॉडल की आवश्यकता हो सकती है
अब तक डेटा को प्रवृत्ति प्लस शोर से युक्त माना गया है, प्रत्येक डेटा बिंदु पर शोर स्वतंत्र और समान रूप से वितरित यादृच्छिक चर और एक सामान्य वितरण है। वास्तविक डेटा (उदाहरण के लिए जलवायु डेटा) इन मानदंडों को पूरा नहीं कर सकता है। यह महत्वपूर्ण है, क्योंकि इससे डेटा श्रृंखला से अधिकतम जानकारी निकालने के लिए आंकड़ों का विश्लेषण करने में आसानी होती है। यदि ऐसे अन्य गैर-रैखिक प्रभाव हैं जिनका स्वतंत्र चर से संबंध है (जैसे कि चक्रीय प्रभाव), तो प्रवृत्ति के न्यूनतम-वर्ग अनुमान का उपयोग मान्य नहीं है। साथ ही जहां परिणामी सीधी रेखा प्रवृत्ति की तुलना में विविधताएं काफी बड़ी हैं, वहां प्रारंभ और अंत बिंदुओं का चुनाव परिणाम को महत्वपूर्ण रूप से बदल सकता है। यानी मॉडल गणितीय रूप से सांख्यिकीय मॉडल विनिर्देश है। सांख्यिकीय अनुमान (प्रवृत्ति की उपस्थिति के लिए परीक्षण, प्रवृत्ति के लिए विश्वास अंतराल, आदि) तब तक अमान्य हैं जब तक कि मानक मान्यताओं से विचलन का ठीक से हिसाब नहीं लगाया जाता है, उदाहरण के लिए निम्नानुसार:

आर (प्रोग्रामिंग भाषा) में, 'पूर्वानुमान' पैकेज के 'टीएसएलएम' फ़ंक्शन का उपयोग करके डेटा में रैखिक प्रवृत्ति का अनुमान लगाया जा सकता है।
 * निर्भरता: ऑटोसहसंबंधित समय श्रृंखला को ऑटोरेग्रेसिव मूविंग एवरेज मॉडल का उपयोग करके तैयार किया जा सकता है।
 * गैर-स्थिर विचरण: सरलतम मामलों में भारित न्यूनतम वर्गों का उपयोग किया जा सकता है।
 * त्रुटियों के लिए गैर-सामान्य वितरण: सरलतम मामलों में एक सामान्यीकृत रैखिक मॉडल लागू हो सकता है।
 * यूनिट रूट: डेटा के पहले (या कभी-कभी दूसरे) अंतर को लेना, विभिन्न यूनिट रूट परीक्षणों के माध्यम से अंतर के स्तर की पहचान की जाती है।

नैदानिक ​​​​डेटा में रुझान
मेडिकल और जैव चिकित्सा  अध्ययन अक्सर डेटा के सेट में एक लिंक निर्धारित करने की कोशिश करते हैं, जैसे कि (जैसा कि ऊपर बताया गया है) तीन अलग-अलग बीमारियाँ। लेकिन डेटा को समय से भी जोड़ा जा सकता है (जैसे कि बेसलाइन से दवा के प्रभाव में बदलाव, महीने 1 से महीने 2 तक), या किसी बाहरी कारक से जो शोधकर्ता और/या उनके विषय द्वारा निर्धारित किया जा सकता है या नहीं भी किया जा सकता है (जैसे कि कोई दर्द नहीं, हल्का दर्द, मध्यम दर्द, गंभीर दर्द)। इन मामलों में किसी को प्रभाव परीक्षण के आँकड़े (उदाहरण के लिए कोलेस्ट्रॉल के स्तर पर स्टैटिन का प्रभाव, दर्द की डिग्री पर एक  दर्दनिवारक, या मापने योग्य सूचकांक पर दवा की बढ़ती खुराक) के प्रभाव विकसित होने के साथ सीधे क्रम में बदलने की उम्मीद होगी। मान लीजिए कि स्टैटिन के नुस्खे से पहले और बाद में कोलेस्ट्रॉल का औसत स्तर बेसलाइन पर 5.6 mmol/L से गिरकर एक महीने में 3.4 mmol/L और दो महीने में 3.7 mmol/L हो जाता है। पर्याप्त शक्ति दिए जाने पर, एनोवा में एक और दो महीने में महत्वपूर्ण गिरावट आने की संभावना है, लेकिन गिरावट रैखिक नहीं है। इसके अलावा, पोस्ट-हॉक परीक्षण की आवश्यकता हो सकती है। डेटा की प्रकृति के आधार पर एक वैकल्पिक परीक्षण दोहराया गया उपाय (दो-तरफा) एनोवा, या फ्रीडमैन परीक्षण हो सकता है। फिर भी, क्योंकि समूह क्रमबद्ध हैं, एक मानक एनोवा अनुपयुक्त है। क्या कोलेस्ट्रॉल 5.4 से गिरकर 4.1 से 3.7 हो जाना चाहिए, एक स्पष्ट रैखिक प्रवृत्ति है। समान सिद्धांत को एलील/जीनोटाइप आवृत्ति के प्रभावों पर लागू किया जा सकता है, जहां यह तर्क दिया जा सकता है कि न्यूक्लियोटाइड्स XX, XY, YY में एकल-न्यूक्लियोटाइड बहुरूपता वास्तव में कोई Y नहीं, एक Y और फिर दो Y की प्रवृत्ति है।

रैखिक प्रवृत्ति अनुमान का गणित मानक एनोवा का एक प्रकार है, जो अलग-अलग जानकारी देता है, और यह सबसे उपयुक्त परीक्षण होगा यदि शोधकर्ता अपने परीक्षण आंकड़ों में प्रवृत्ति प्रभाव की परिकल्पना कर रहे हैं। एक उदाहरण [1] उम्र के दशक (10-19 वर्ष से 60-69 वर्ष तक) के अनुसार क्रमबद्ध विषयों के छह समूहों में सीरम ट्रिप्सिन के स्तर का है। ट्रिप्सिन (एनजी/एमएल) का स्तर 128, 152, 194, 207, 215, 218 की सीधी रैखिक प्रवृत्ति में बढ़ता है। आश्चर्य की बात नहीं है कि, एक 'मानक' एनोवा पी <0.0001 देता है, जबकि रैखिक प्रवृत्ति अनुमान पी = 0.00006 देता है। संयोग से, यह उचित रूप से तर्क दिया जा सकता है कि चूंकि उम्र एक प्राकृतिक निरंतर परिवर्तनशील सूचकांक है, इसलिए इसे दशकों में वर्गीकृत नहीं किया जाना चाहिए, और सहसंबंध द्वारा उम्र और सीरम ट्रिप्सिन का प्रभाव मांगा जाना चाहिए (यह मानते हुए कि कच्चा डेटा उपलब्ध है)। एक और उदाहरण विभिन्न समूहों में चार समय बिंदुओं पर मापे गए पदार्थ का है: माध्य [एसडी] (1) 1.6 [0.56], (2) 1.94 [0.75], (3) 2.22 [0.66], (4) 2.40 [0.79], जो एक स्पष्ट प्रवृत्ति है। एनोवा p = 0.091 देता है, क्योंकि समग्र विचरण साधन से अधिक है, जबकि रैखिक प्रवृत्ति अनुमान p = 0.012 देता है। हालाँकि, क्या डेटा को एक ही व्यक्ति में चार समय बिंदुओं पर एकत्र किया जाना चाहिए, रैखिक प्रवृत्ति अनुमान अनुचित होगा, और दो-तरफा (बार-बार उपाय) एनोवा लागू किया जाएगा।

यह भी देखें

 * अनुमान आँकड़े
 * एक्सट्रपलेशन
 * भविष्यवाणी
 * कम से कम वर्गों
 * न्यूनतम-वर्ग वर्णक्रमीय विश्लेषण
 * लाइन फिटिंग
 * भविष्यवाणी अंतराल
 * प्रतिगमन विश्लेषण

संदर्भ

 * DOI:10.22004/ag.econ.12288
 * DOI:10.22004/ag.econ.12288
 * DOI:10.22004/ag.econ.12288
 * DOI:10.22004/ag.econ.12288