World Happiness Report इत्यस्य मूलचराः देशेषु दृष्टैः प्रसन्नता-स्तरैः सह nonlinear-विश्लेषणात्मक-परिप्रेक्ष्ये कथं संयुक्तरूपेण व्यवस्थिताः भवन्ति इति इदं अध्ययनं परीक्षते। Decision Tree Regression (DTR) निरन्तर-फल-चरं व्याख्यायै प्रयुक्तेषु चरेषु विद्यमानाभिः सीमाभिः क्रमशः विभजति, तेन सशर्त-रूपाणि विविधाश्च पर्यवेक्षण-समूहाः दृश्याः भवन्ति; अतः एषः व्याख्येयः machine learning-विधिः अस्ति। अध्ययनं DTR इत्येतत् Necessary Condition Analysis (NCA) इत्यनेन संयोज्य केवलं के चराः प्रसन्नतया दृढं सम्बद्धाः सन्ति इति न, अपि तु उच्चतराः प्रसन्नता-स्तराः द्रष्टुं शक्येरन् चेत् केषां चराणां निश्चिताः सीमाः अतिक्रमणीयाः स्युः इत्यपि परीक्षते।

विश्लेषणं 2022–2024 Gallup World Poll / World Happiness Report-दत्तांशेषु आधारितम् अस्ति। प्रसन्नता Cantril Ladder द्वारा मापिता; व्याख्यात्मक-संरचना प्रतिव्यक्ति GDP, सामाजिक-सहायता, स्वस्थजीवनस्य अपेक्षितावधिः, जीवन-विकल्पानां चयन-स्वातन्त्र्यम्, उदारता, अनुभूतः भ्रष्टाचारः इत्येतैः चरैः निरूपिता। Decision Tree मध्ये सामाजिक-सहायता प्रथमा तथा सर्वाधिक-प्रबला संरचनात्मक-विभाजन-चरा अस्ति; GDP द्वौ मुख्यौ द्वितीय-स्तरीयौ शाखौ निर्माति। Decision Tree-importance-मापने सामाजिक-सहायता %34,6, GDP %27,7, स्वस्थजीवनस्य अपेक्षितावधिः %19,8 इति प्रथमेषु त्रिषु स्थानेषु सन्ति।

NCA तु अन्यं importance-क्रमं दर्शयति। सामाजिक-सहायता सर्वाधिकं प्रबलं necessary-condition-प्रभावं दर्शयति, जीवन-विकल्पानां चयन-स्वातन्त्र्यं तु द्वितीयं प्रबलतमं bottleneck इव प्रकटते। एषः परिणामः महत्त्वपूर्णः; यतः स्वातन्त्र्यस्य Decision Tree मध्ये केवलं %9,9 relative importance अस्ति, किन्तु NCA मध्ये GDP तथा स्वस्थजीवनस्य अपेक्षितावधेः अपेक्षया बृहत्तरः necessary-condition effect size दृश्यते। अतः “कश्चित् चरः प्रसन्नतां कियत् सम्यक् विभजति?” इति प्रश्नः तथा “निश्चितं प्रसन्नता-स्तरं प्राप्तुं अस्मिन् चरे न्यूनतमः स्तरः आवश्यकः किम्?” इति प्रश्नः समानौ न स्तः।

परिणामाः causal policy effect इति न व्याख्येयाः। World Happiness Report-चराः परस्परं सम्बद्धाः सन्ति; अतः NCA-सीमाः परस्परात् स्वतन्त्राणि कारणानि न सन्ति। Cantril Ladder एक-पदात्मकः self-report-मापकः अस्ति, विश्लेषणं च केवलं 2022–2024-कालं व्याप्नोति। अतः निष्कर्षाः दृष्टेषु देश-दत्तांशेषु सशर्त-संरचनां necessary-condition-सम्बन्धान् च वर्णयन्ति; कस्यचित् निश्चितस्य नीति-परिवर्तनस्य प्रसन्नतां यान्त्रिकरूपेण वर्धयिष्यति इति न प्रमाणयन्ति।

प्रसन्नता तथा subjective well-being एक एव संकल्पः किम्?

मूल-अध्ययनं subjective well-being इत्येतत् व्यापकतरं प्रधान-संकल्पं मन्यते, प्रसन्नतां तु तेन निकटसम्बद्धं किन्तु संकीर्णतरं मूल्याङ्कन-वचनं मन्यते। Empirical analysis मध्ये “प्रसन्नता” प्रत्यक्षतया भावनात्मक-आनन्दस्य वा क्षणिक-सकारात्मक-भावस्य मापनं नास्ति; व्यक्तयः स्वजीवनस्य सामान्यावस्थां यत्र मूल्याङ्कयन्ति तस्य Cantril Ladder इत्यस्य देश-स्तरीयः मध्यमानः प्रयुज्यते।

अस्मिन् अध्ययने Cantril Ladder प्रसन्नतां कथं मापयति?

Cantril Ladder एक-पदात्मकः subjective life evaluation-मापकः अस्ति, यस्मिन् जनाः वर्तमानजीवनं 0 तः 10 पर्यन्तं सोपाने मूल्याङ्कयन्ति; 0 व्यक्तेः कृते सम्भाव्यं निकृष्टतमं जीवनं, 10 तु सम्भाव्यं श्रेष्ठतमं जीवनं सूचयति, अध्ययनं च व्यक्तिगत-उत्तराणां देश-स्तरीयं मध्यमानं HAPPY-चररूपेण प्रयुङ्क्ते।

अस्य मापनस्य महत्त्वपूर्णं वैशिष्ट्यं यत् एतत् व्यक्तेः केवलं कस्यचित् दिवसस्य सकारात्मकं वा नकारात्मकं वा भावं न पृच्छति, अपि तु तस्य जीवनस्य सामान्यावस्थायाः बौद्धिकं मूल्याङ्कनं पृच्छति। अतः अध्ययनं Cantril Ladder इत्येतत् प्रसन्नतायाः सर्वेषां मनोवैज्ञानिक-आयामानां सम्पूर्ण-मापनरूपेण न, किन्तु World Happiness Report-परिप्रेक्ष्ये अन्तर्राष्ट्रीयतया तुलनीयस्य subjective life evaluation इत्यस्य मापकरूपेण प्रयुङ्क्ते।

World Happiness Report-model मध्ये षट् व्याख्यात्मक-चराः

वर्णनात्मक-सांख्यिकी

चराणां पर्यवेक्षण-सङ्ख्याः समानाः न सन्ति। अध्ययनं प्रत्येकस्य विश्लेषणात्मक-block इत्यस्य कृते अनुपलब्ध-मूल्यानि पृथक् listwise deletion-विधिना निष्कासयति। अतः correlation, Decision Tree, NCA इत्यादिषु विभिन्नेषु विश्लेषणेषु उपयोजनीयानां पर्यवेक्षणानां सङ्ख्या समानैव भवेत् इति न आवश्यकम्; एतत् विशेषतः ध्याननीयम्।

अध्ययनस्य द्वौ मुख्यौ उद्देशौ

प्रथमः उद्देश्यः षट् WHR-चराः विभिन्नैः प्रसन्नता-स्तरैः सह कथं संयुक्तरूपेण व्यवस्थिताः भवन्ति तथा nonlinear-interactions Decision Tree मध्ये कथं प्रकटन्ते इति निर्धारयितुम्। द्वितीयः उद्देश्यः तेषामेव चराणां मध्ये के उच्चतर-प्रसन्नता-स्तराणां कृते empirical necessary conditions वा bottlenecks वा भवन्ति इति NCA द्वारा परीक्षितुम्।

Decision Tree Regression तथा Necessary Condition Analysis इत्येतयोः भेदः कः?

Decision Tree Regression व्याख्यात्मक-चरेषु विद्यमानाभिः सीमाभिः sample इत्येतत् विभज्य विभिन्न-प्रसन्नता-regimes इत्येतैः सम्बद्धाः सशर्त-configurations प्रकटयति; Necessary Condition Analysis तु निश्चितः प्रसन्नता-स्तरः दृश्येत इति प्रत्येकस्य चरस्य अतिक्रमणीयाः न्यूनतमाः empirical-सीमाः, अथवा अनुभूत-भ्रष्टाचारादिषु नकारात्मक-सम्बद्ध-चरेषु अधस्तात् स्थातव्याः अधिकतमाः empirical-सीमाः परीक्षते। एतौ विधी भिन्नान् वैज्ञानिक-प्रश्नान् उत्तरतः; अतः तयोः importance-क्रमौ समानौ भविष्यतः इति अपेक्षा नास्ति।

DTR इत्यस्य मुख्यः लाभः यत् संशोधकेन interaction terms पूर्वं पृथक् पृथक् निर्देष्टुं न अपेक्ष्यते, तथापि दत्तांशेषु hierarchical-splits अन्वेष्टुं शक्यन्ते। उदाहरणतः, स्वातन्त्र्यस्य प्रसन्नतया सम्बन्धः सर्वेषां देशानां कृते एकेन समान-linear-coefficient इत्यनेन निरूप्यते इति न आवश्यकम्; सामाजिक-सहायता तथा आय-स्तरः यां शाखां निर्मातः, तस्याः अन्तः अन्यस्यां सीमायां सः सम्बन्धः दृश्यः भवितुम् अर्हति।

NCA “चरः वर्धते चेत् प्रसन्नता औसततः कियत् वर्धते?” इति न पृच्छति। तस्य स्थाने “निश्चितः प्रसन्नता-स्तरः दृश्येत चेत् अस्मिन् चरे न्यूनतमः कः स्तरः अपेक्षितः?” इति प्रश्नं केन्द्रे स्थापयति। एषा necessary-condition-युक्तिः दर्शयति यत् कस्यचित् चरस्य अपर्याप्तः स्तरः अन्येषां चराणां उच्च-मूल्यैः सर्वथा पूरयितुं न शक्येत।

NCA कारणत्वं किमर्थं न सूचयति?

NCA मध्ये bottlenecks अध्ययनस्य द्विचरीय-ceiling-सम्बन्धैः अनुमानिताः। GDP, SOCSUP, HEALTH, FREE इत्यादयः सूचकाः परस्परं मध्यमेन वा उच्चेन वा स्तरেণ सम्बद्धाः सन्ति; अतः कस्यचित् चरस्य प्राप्ता necessary-सीमा तस्य चरस्य अन्येभ्यः सर्वेभ्यः कारकेभ्यः स्वतन्त्रं causal effect न प्रमाणयति। अध्ययनं एतान् परिणामान् “दृष्ट-दत्तांशेषु चरविशिष्टाः सीमा-सम्बन्धाः” इति व्याख्यायति।

अध्ययनस्य विधिः परिणामाश्च

Correlation-विश्लेषणम्

सरल-correlation-स्तरे सामाजिक-सहायता सर्वाधिकं सकारात्मक-सम्बन्धं दर्शयति, अनुभूतः भ्रष्टाचारः तु अपेक्षितदिशि नकारात्मक-सम्बन्धं दर्शयति। उदारता-चरस्य correlation केवलं 0.068 अस्ति, H5-परिकल्पना च अस्मिन् सरल-correlation-विश्लेषणे समर्थिता न भवति।

तथापि उदारता अनन्तरं Decision Tree मध्ये त्रिवारं मुख्य-split-चररूपेण दृश्यते। एतत् अध्ययनस्य महत्त्वपूर्णेषु methodological-सन्देशेषु एकम् अस्ति: न्यूनं linear correlation इत्यस्य अर्थः नास्ति यत् कश्चित् चरः विशिष्टेषु उपसमूहेषु वा अन्येषां चराणां विशिष्ट-स्तरेषु वा सशर्त-भूमिकां न वहति।

Decision Tree कथं चयनितः?

Decision Tree इत्यस्य मुख्यः उद्देश्यः केवलं prediction-performance अधिकतमं कर्तुं न, अपि तु व्याख्येयां संरचनां प्राप्तुम् अस्ति। अतः terminal node-आकारः तथा terminal node-सङ्ख्या सीमितौ कृतौ।

Hyperparameter-grid:

• cp ∈ {0.0025, 0.0050, 0.0075, 0.0100, 0.0125, 0.0150, 0.0200}
• maxdepth ∈ {3, 4, 5, 6}
• minsplit ∈ {60, 80, 100}
• minbucket ∈ {25, 30, 35}

एते संयोजनाः कुलं 252 candidate trees उत्पादितवन्तः। Model-selection 5-fold cross-validation द्वारा कृतम्; प्रथमं सर्वाधिकं mean validation \(R^2\), ततः न्यूनतरौ RMSE तथा MAE प्राधान्येन गृहीतौ। व्याख्येयतायै terminal node-सङ्ख्या 12 वा ततः न्यूनतरा वा स्थापिता।

एतेषां परिणामानां महत्त्वपूर्णा सीमा एषा यत् पृथक् सर्वथा स्वतन्त्रः hold-out test set नास्ति। मूलस्रोतः performance-evaluation इत्येतत् cross-validation तथा resampling-आधारितैः robustness-checks द्वारा करोति।

Decision Tree मध्ये प्रसन्नतां सर्वाधिकं के चराः संरचयन्ति?

सामाजिक-सहायता Decision Tree इत्यस्य root split निर्माय सर्वाधिक-प्रबलः संरचनात्मक-चरः भवति, GDP तु मुख्ययोः द्वयोः शाखयोः द्वितीय-स्तरीय-splits निर्धारयति; अधिकगभीर-स्तरेषु उदारता, स्वातन्त्र्यम्, अनुभूतः भ्रष्टाचारः, पुनश्च सामाजिक-सहायता विशिष्टानां देश-समूहानां विभेदने योगदानं कुर्वन्ति।

Root node मध्ये `SOCSUP = 0.71` सीमा दर्शयति यत् वृक्षः प्रथमं देशान् सामाजिक-सहायतायाः स्तरानुसारं विभजति। एषा सीमा “0.71 अतिक्रम्यते चेत् प्रसन्नता निश्चितं वर्धते” इति causal-अर्थेन न व्याख्येया; एषः अस्मिन् sample मध्ये त्रुटिं न्यूनीकर्तुं वृक्षेण चयनितः data-split-point अस्ति।

चर-importance-क्रमः

उभौ विधी सामाजिक-सहायतां GDP च प्रथम-द्वितीय-स्थाने स्थापयतः। HEALTH मुख्य-split-रूपेण Decision Tree मध्ये न दृश्यते तथापि %19,8 importance वहति; मूलस्रोतः एतत् surrogate splits तथा अन्यैः चरैः सह अंशतः समान-सूचनया व्याख्यायति।

मूलस्रोतस्य पाठे अस्मिन् स्थाने HEALTH इत्यस्य प्रसन्नतया “low correlation” अस्ति इति वचनम् अस्ति। किन्तु तस्यैव अध्ययनस्य correlation matrix `r = 0.670` दर्शयति। अतः युक्ता व्याख्या HEALTH-correlation न्यूनम् इति न, किन्तु उच्च-correlation सति अपि मुख्य-splits मध्ये तस्य अदर्शनम् इति।

Decision Tree-परिणामानां robustness

श्रेष्ठेषु 10 व्याख्येय-tree-specifications मध्ये cross-validation \(R^2\)-मूल्यानि 0.698–0.702 मध्ये, RMSE-मूल्यानि 0.644–0.647 मध्ये च परिवर्तन्ते। सर्वेषु एतेषु वृक्षेषु ऊर्ध्व-संरचना समाना अस्ति: root split SOCSUP, द्वौ द्वितीय-स्तरीय-splits GDP।

500-पुनरावृत्ति-bootstrap-विश्लेषणे SOCSUP %96,8 samples मध्ये पुनः root split-रूपेण प्रकटितः। GDP द्वितीय-स्तरे %72,7 प्रमाणेन प्रमुखः चरः। Bootstrap out-of-bag मध्यमानानि `RMSE = 0.6573`, `MAE = 0.4964`, `R² = 0.6905`; terminal nodes इत्येषां मध्यम-सङ्ख्या `10.204` इति प्रतिवेदिता।

Random forest केवलं बाह्य-robustness-check-रूपेण उपयुक्तम्। चयनितं random forest-configuration `mtry = 4`, `splitrule = extratrees`, `min.node.size = 3` मूल्यानि प्रयुज्य 5-fold cross-validation मध्ये `RMSE = 0.4880`, `R² = 0.8294`, `MAE = 0.3705` उत्पादितवत्। Random forest उच्चतरं prediction-performance दर्शयति तथापि अध्ययनं तत् मुख्य-व्याख्या-model-रूपेण न प्रयुक्तवत्; visualization तथा सीमा-व्याख्यायै Decision Tree एव रक्षितः।

प्रसन्नतायाः दश भिन्नाः संरचनात्मक-regimes

चयनितः Decision Tree 10 terminal nodes निर्माति। देशानां 2022–2024-कालस्य व्याख्यात्मक-चर-मध्यमानानि वृक्षस्य नियमेषु प्रयुक्तानि, प्रत्येकः देशः च एतेषु nodes मध्ये एकस्मै नियुक्तः।

मूलस्रोतः दर्शयति यत् न्यून-प्रसन्नता-nodes मध्ये सामाजिक-सहायता, आयः, स्वास्थ्यं च न्यून-मूल्येषु अधिकं दृश्यन्ते; सर्वाधिक-प्रसन्नता-node मध्ये तु सामाजिक-सहायता, आयः, स्वास्थ्यं, स्वातन्त्र्यं च संयुक्तरूपेण उच्च-स्तरेषु दृश्यन्ते। एते भौगोलिक-clusters “कश्चित् प्रदेशः स्वभावतः अधिकं प्रसन्नः” इति न व्याख्येयाः; nodes केवलं चयनित-WHR-चराणां दृष्ट-संयोजनैः निर्मिताः संरचनात्मक-समूहाः सन्ति।

Necessary Condition Analysis कथं विन्यस्तम्?

NCA मध्ये HAPPY व्याख्येय-चरः। GDP, SOCSUP, HEALTH, FREE, GENER सकारात्मक-सम्बद्धाः conditions; CORRUP तु नकारात्मक-सम्बद्धः condition इति गृहीतः।

Necessary-condition effect sizes द्वाभ्यां पृथक् ceiling-विधिभ्यां अनुमानिताः:

• CE-FDH: Ceiling Envelopment-Free Disposal Hull.
• CR-FDH: Ceiling Regression-Free Disposal Hull; quantile regression मध्ये \(\tau = 0.95\).

Significance कृते 1000-पुनरावृत्ति-permutation test तथा %5 significance-level प्रयुक्तम्। Bottleneck-table केवलं CE-FDH-विधिना, चराणां मूल-units उपयुज्य निर्मितम्।

NCA effect sizes

SOCSUP उभयोः विध्योः `d > 0.3` इत्यनेन बृहत् necessary-condition-effect दर्शयति। GDP, HEALTH, FREE `0.1 < d < 0.3` अन्तरे मध्यम-परिमाणस्य effects दर्शयन्ति। GENER तथा CORRUP इत्येतयोः p-values सार्थकाः सन्ति तथापि effect sizes `d < 0.1` सन्ति; अतः मूलस्रोतः एतौ प्रबलौ practical bottlenecks इति न मन्यते।

Decision Tree मध्ये महत्त्वपूर्णत्वं तथा NCA मध्ये Necessary Condition-त्वं समानम् किम्?

न। Decision Tree importance दर्शयति यत् कश्चित् चरः sample इत्येतत् प्रसन्नता-स्तरानुसारं कियत् प्रभावेण विभजति तथा prediction-error न्यूनीकरोति; NCA effect size तु निश्चितानां उच्च-प्रसन्नता-स्तराणां दर्शनाय सः चरः कियत् बाध्यकारीं सीमां निर्माति इति मापयति। अतः FREE Decision Tree मध्ये चतुर्थ-स्थाने सन् NCA मध्ये सामाजिक-सहायतायाः अनन्तरं द्वितीयं प्रबलतमं bottleneck भवितुम् अर्हति।

त्रयाणाम् analytical-approaches इत्येषां क्रमाः परस्परं उच्चं किन्तु असम्पूर्णं सामञ्जस्यं दर्शयन्ति। मूलस्रोतस्य rank-comparison मध्ये Pearson correlation-क्रमस्य Decision Tree importance-क्रमेण सह Spearman-सम्बन्धः `0.943`, Pearson-क्रमस्य NCA सह सम्बन्धः `0.829`, Decision Tree-NCA सम्बन्धः च `0.771` इति दत्तः।

उच्च-प्रसन्नता-स्तराणां कृते NCA कानि bottlenecks दर्शयति?

CE-FDH bottleneck-परिणामाः दर्शयन्ति यत् सामाजिक-सहायता तथा स्वातन्त्र्यं निम्नतर-प्रसन्नता-सीमाभ्यः आरभ्य बाध्यकारी भवतः, स्वस्थजीवनस्य अपेक्षितावधिः प्रायः %60-प्रसन्नता-स्तरात् तथा GDP प्रायः %70-प्रसन्नता-स्तरात् necessary-सीमारूपेण प्रकटते, अनुभूतः भ्रष्टाचारः तु दृष्ट-प्रसन्नता-वितरणस्य सर्वोच्चभागे एव प्रबलं प्रतिबन्धं निर्मातुम् आरभते।

सारण्यां GDP, SOCSUP, HEALTH, FREE, GENER इत्येषां मूल्यानि सकारात्मक-सम्बद्धानां conditions इत्येषां न्यूनतम-सीमाः सन्ति। CORRUP नकारात्मक-सम्बद्धः अस्ति; अतः तस्य मूल्यं अधिकतम-स्वीकार्य-सीमा अस्ति। उदाहरणतः `HAPPY = 7.13` स्तरे CORRUP-मूल्यं `0.686` वा ततः न्यूनतरं वा भवेत् इति necessary-condition-boundary रूपेण प्रतिवेदितम्।

GENER-चरे नकारात्मक-सीमाः “नकारात्मकं दान-परिमाणम्” इति न अर्थयन्ति इति विशेषतः वक्तव्यम्। उदारता-चरः दान-उत्तरस्य प्रतिव्यक्ति GDP इत्यस्य उपरि regression कृत्वा प्राप्तः residual इति परिभाषितः; अतः नकारात्मक-मूल्यानि देशस्य आय-स्तरानुसारं अपेक्षित-दान-प्रवृत्तेः अधः स्थितिं दर्शयन्ति।

सामाजिक-सहायतायाः स्वातन्त्र्यस्य च भिन्नाः भूमिकाः

सामाजिक-सहायता Decision Tree तथा NCA उभयत्र प्रमुखः चरः। सा वृक्षस्य प्रथमं split निर्माति, relative importance-क्रमे %34,6 इत्यनेन प्रथम-स्थाने अस्ति, NCA मध्ये च सर्वाधिकं necessary-condition effect size धारयति।

स्वातन्त्र्यं तु भिन्नतरं profile दर्शयति। Decision Tree मध्ये %9,9 इत्यनेन चतुर्थ-स्थाने सति, NCA मध्ये द्वितीयं सर्वाधिकं necessary-condition effect size दर्शयति। एषः परिणामः सूचयति यत् कश्चित् चरः सम्पूर्णं sample सम्यक् न विभजति चेदपि उच्च-प्रसन्नता-स्तराणां कृते critical lower bound निर्मातुं शक्नोति।

Decision Tree मध्ये स्वास्थ्यस्य अदृश्यः किन्तु महत्त्वपूर्णः भागः

HEALTH मुख्येषु Decision Tree nodes मध्ये primary split रूपेण न दृश्यते। तथापि Decision Tree variable importance इत्यस्य %19,8 भागं वहति, तृतीय-स्थाने च अस्ति। कारणं यत् variable-importance-गणना केवलं primary splits न, अपि तु surrogate splits द्वारा प्राप्तं error-reduction अपि गणयति।

HEALTH इत्यस्य GDP सह `0.688`, SOCSUP सह `0.639` correlation अस्ति। अतः स्वास्थ्येन वह्यमानस्य सूचनाभागस्य उच्चतर-स्तरे चयनितैः आर्थिक-सामाजिक-चरैः सह अंशतः overlap भवितुम् अर्हति।

अध्ययनेन समर्थिताः निष्कर्षाः

• सामाजिक-सहायता तथा प्रतिव्यक्ति GDP प्रसन्नता-भेदान् संरचयतः सर्वाधिक-महत्त्वपूर्णौ Decision Tree-चरौ स्तः।
• सामाजिक-सहायता Decision Tree इत्यस्य root split अस्ति तथा bootstrap-samples इत्येषां महत्यां बहुसङ्ख्यायां एतत् स्थानं रक्षति।
• यस्य linear correlation प्रायः शून्यम् अस्ति सा उदारता केषुचित् गभीरतर-Decision Tree-शाखासु सशर्त-महत्त्वं दर्शयितुं शक्नोति।
• सामाजिक-सहायता NCA मध्ये सर्वाधिकं प्रबलं necessary-condition-effect दर्शयति।
• स्वातन्त्र्यं NCA मध्ये GDP तथा स्वास्थ्यात् बृहत्तरं necessary-condition effect size दर्शयति।
• उच्चतर-प्रसन्नता-लक्ष्याणां कृते अपेक्षिताः सामाजिक-सहायता, आयः, स्वास्थ्यं, स्वातन्त्र्यं च सीमाः सामान्यतः वर्धन्ते।
• अनुभूतः भ्रष्टाचारः प्रबल-bottleneck-रूपेण मुख्यतः वितरणस्य सर्वोच्च-प्रसन्नता-स्तरेषु दृश्यते।
• Random forest तथा bootstrap-परिणामाः सामाजिक-सहायतायाः GDP च importance-क्रमे उच्च-स्थानं केवलं एकस्य Decision Tree-specification इत्यस्य आश्रितं नास्ति इति समर्थयन्ति।

अध्ययनेन न समर्थिताः निष्कर्षाः

• अध्ययनं न प्रमाणयति यत् सामाजिक-सहायतायाः वा स्वातन्त्र्यस्य वा वृद्धिः प्रसन्नतां निश्चितेन परिमाणेन causally वर्धयति।
• NCA मध्ये न्यूनतम-मूल्यानि policy targets वा prescribed doses वा न सन्ति।
• Decision Tree split-सीमाः सार्वत्रिकाः मनोवैज्ञानिक-नियमाः न सन्ति; ताः 2022–2024-sample इत्यस्मात् प्राप्ताः data-split-points सन्ति।
• कस्यचित् देशस्य निश्चित-terminal-node मध्ये स्थितिः तस्य संस्कृतेः वा जनानां वा अपरिवर्तनीयः प्रसन्नता-स्वभावः अस्ति इति न सूचयति।
• Random forest इत्यस्य उच्चतरं prediction-performance Decision Tree-सीमानां वा NCA-bottlenecks इत्येषां causality न प्रमाणयति।
• Cantril Ladder भावनात्मक-well-being, जीवन-उद्देश्यम्, क्षेत्रविशिष्ट-जीवन-सन्तोषम्, सांस्कृतिक-प्रसन्नता-बोधांश्च सर्वान् न मापयति।
• 2022–2024-परिणामाः दीर्घकाले अपरिवर्तनीयाः वैश्विक-प्रसन्नता-सम्बन्धाः सन्ति इति न प्रमाणयन्ति।

मुख्याः सीमाः

प्रथमा सीमा Decision Tree इत्यस्य sampling-sensitivity अस्ति। दत्तांशेषु लघवः परिवर्तनाः वृक्ष-संरचनां परिवर्तयितुं शक्नुवन्ति। अध्ययनं श्रेष्ठ-वैकल्पिक-वृक्षाणां तुलना, 500-पुनरावृत्ति-bootstrap, random forest-robustness-check इत्येतैः एतां समस्यां न्यूनीकर्तुं प्रयतितम्; ऊर्ध्वस्तरीया सामाजिक-सहायता–GDP संरचना दृढतया रक्षिता।

द्वितीया सीमा व्याख्येयतायाः prediction-power इत्यस्य च मध्ये संतुलनम्। Terminal nodes इत्येषां सङ्ख्यां सीमितां कृत्वा संरचना बोधगम्या भवति, किन्तु जटिलतर-model इत्येन ज्ञातुं शक्यानि कानिचित् उपरूपाणि सचेतनं बहिः स्थापयितुं शक्यन्ते।

तृतीया सीमा NCA-चराणां स्वतन्त्रत्वाभावः। WHR-सूचकानां केचन परस्परं सह चलन्ति; अतः पृथक् NCA-bottlenecks स्वतन्त्र-causal-factors इति न व्याख्येयाः।

चतुर्थी सीमा यत् प्रसन्नता Cantril Ladder द्वारा एकेन एव पदेन माप्यते। मापनं बौद्धिक-जीवन-मूल्याङ्कनं गृह्णाति, किन्तु भावनात्मक-well-being, अर्थबोधः, उद्देश्यं, जीवनस्य विभिन्न-क्षेत्रेषु सन्तोषं च पूर्णतया न गृह्णाति। देशान्तर-सांस्कृतिक-उत्तर-शैलयः अपि तुलनां प्रभावितुं शक्नुवन्ति।

पञ्चमी सीमा यत् GENER प्रत्यक्षतया दृष्टः शुद्ध-उदारता-मापकः नास्ति, किन्तु आयस्य उपरि regression कृत्वा प्राप्तः residual इति निर्मितः। एषा संरचना measurement noise वर्धयितुं शक्नोति तथा वृक्षस्य अधःशाखासु उदारता-splits इत्येषां व्याख्यायां सावधानतां अपेक्षते।

षष्ठी सीमा काल-अन्तरालः। 2022–2024-कालः लघुः अस्ति तथा महामारी-अनन्तर-सामाजिक-आर्थिक-अनुकूलन-प्रक्रियाः अंशतः प्रतिबिम्बयितुं शक्नोति। अतः दृष्टाः सीमाः वा देश-समूहाः वा दीर्घकालीन-अपरिवर्तनीय-सम्बन्धाः इति न द्रष्टव्याः।

भावि-अध्ययनानि

मूलस्रोतः दीर्घतर-कालश्रेणीः, महामारी-पूर्वोत्तर-तुलनाः, प्रसन्नतायाः उदारतायाश्च वैकल्पिक-मापनानि, बहुआयामी-well-being-सूचकाः, संस्कृतिः, संस्थाः, असमानता इत्यादयः अतिरिक्त-व्याख्यात्मक-चराश्च मूल्याङ्कयितुं सूचयति।

अपि च necessary-condition-युक्तिम्, sufficiency/configuration-युक्तिम्, causal identification च एकस्मिन् शोध-कार्यक्रमे अधिकं स्पष्टतया संयोजयन्तः hybrid designs भाविनः महत्त्वपूर्ण-methodological-दिशारूपेण विचार्यन्ते।

स्रोतसः विधेश्च टिप्पणी

मूल-अध्ययनम्: Explaining Global Happiness: Evidence from Decision Trees and Necessary Condition Analysis

लेखकौ: Teresa Torres-Coronas; Jorge de Andrés-Sánchez.

उत्तरदायी लेखकः: Jorge de Andrés-Sánchez.

संस्थाः: Social and Business Research Laboratory, Department of Business Management, Universitat Rovira i Virgili, Tarragona तथा Reus, स्पेन.

पत्रिका: Economies.

प्रकाशकः: MDPI, Basel, Switzerland.

ग्रन्थसूची-विवरणम्: Economies 2026, 14(5), 172.

DOI: 10.3390/economies14050172.

आधिकारिक DOI: 10.3390/economies14050172.

प्रकाशन-प्रक्रिया: प्राप्तम् 31 March 2026; संशोधनम् 29 April 2026; स्वीकृतम् 6 May 2026; प्रकाशितम् 11 May 2026.

स्रोतः-प्रकारः: समीक्षितः वैज्ञानिक-अनुसन्धान-लेखः.

अनुज्ञा: Creative Commons Attribution (CC BY).

दत्तांश-कालः: 2022–2024.

मुख्य-दत्तांश-परिप्रेक्ष्यम्: Gallup World Poll / World Happiness Report.

मुख्य-फल-चरः: Cantril Ladder द्वारा मापितं देश-स्तरीयं औसतं subjective life evaluation.

व्याख्यात्मक-चराः: प्रतिव्यक्ति GDP, सामाजिक-सहायता, स्वस्थजीवनस्य अपेक्षितावधिः, जीवन-विकल्पेषु स्वातन्त्र्यम्, उदारता, अनुभूतः भ्रष्टाचारः।

मुख्य-विधिः: Pearson correlation; Decision Tree Regression; 5-fold cross-validation; 252 tree hyperparameter specifications; bootstrap stability analysis; random forest robustness check; Necessary Condition Analysis; CE-FDH तथा CR-FDH; 1000-पुनरावृत्ति-permutation test; CE-FDH bottleneck analysis.

Software: R 4.4.2. अध्ययने caret, rpart, rpart.plot, dplyr, ranger, NCA packages प्रयुक्ताः। Resampling-procedures कृते स्थिराः random seeds प्रयुक्ताः।

पुनरुत्पादनीयता: Annotated R scripts तथा प्रयुक्त-package/version-information Supplementary Materials एवं अध्ययनसम्बद्ध-GitHub-repository मध्ये सार्वजनिकरूपेण उपलब्धानि इति प्रतिवेदितम्।

वित्तपोषणम्: Telefónica तथा Universitat Rovira i Virgili एवं Universitat de Barcelona अन्तर्गत Telefónica Chair on Smart Cities; project number 42.DB.00.18.00.

नैतिक-वक्तव्यम्: Institutional Review Board Statement तथा Informed Consent Statement विषये “Not applicable” इति निर्दिष्टम्।

दत्तांश-उपलब्धता: मूलस्रोतः वदति यत् दत्तांशाः World Happiness Report data-sharing-system द्वारा उपलब्धाः, access date च 25 February 2026 आसीत्।

AI-उपयोग-वक्तव्यम्: लेखकौ स्पष्टतया उक्तवन्तौ यत् ChatGPT 5.5 लेखस्य भाषिक-गुणवत्तां सुधारयितुं प्रयुक्तम्।

हित-संघर्षः: लेखकौ हित-संघर्षं न प्रतिवेदितवन्तौ।

लेखक-योगदानानि: Conceptualization, methodology, software, validation, formal analysis, investigation, resources, data curation, visualization, supervision, project administration, funding acquisition च उभाभ्यां लेखकाभ्यां संयुक्ततया कृतानि। मूल-प्रारूपम् Teresa Torres-Coronas द्वारा; पुनरीक्षणं सम्पादनं च Jorge de Andrés-Sánchez द्वारा कृतम् इति प्रतिवेदितम्।

मूलस्रोत-अन्तर्गत-तकनीकी-टिप्पणी: मूलपाठः HEALTH चरः primary split रूपेण किमर्थं न दृश्यते इति व्याख्याय एकस्मिन् स्थाने तस्य प्रसन्नतया correlation “low” इति वदति; तस्यैव लेखस्य Pearson-table मध्ये HEALTH–HAPPY correlation 0.670 अस्ति। Verianla सङ्ख्यात्मक-सारणीम् आधारं कृत्वा एतं correlation न्यूनम् इति न वर्णयति।

पद्धतिगत-व्याख्या-सीमा: DTR-सीमाः, variable importances, NCA bottleneck-मूल्यानि च 2022–2024-sample इत्यस्य सांख्यिकीय-संरचनां निरूपयन्ति। एतानि स्वतन्त्र-causal-effect-estimates वा सार्वत्रिक-policy-thresholds वा न सन्ति।

दृश्यस्य पुनर्रेखाङ्कन-योग्यता: उच्चा। Decision Tree इत्यस्य upper structure, variable-importance comparison, bottleneck-table च मौलिक-Verianla-graphs/schemes द्वारा पुनर्निर्मातुं शक्यन्ते।

Verianla Live / Live Figure-योग्यता: उपयुक्तम्। Decision Tree split-क्रमः, variable-importance hierarchy, NCA-सीमानां क्रमशः दृश्यीकरणं च स्थिर-मूलस्रोत-मूल्यैः कर्तुं शक्यते; उपयोक्त्रा नूतनं वैज्ञानिकं परिणामं गणयितुं न दातव्यम्।