बैंकिंग डेटा में Correlation और Regression: ABM Numericals आसान तरीके से
हर bank रोज़ आंकड़ों का समंदर पैदा करती है — loan disbursals, NPA levels, customer footfalls, digital transactions — और इस raw data को decisions में बदलने का काम ही banking data में correlation और regression करते हैं। Correlation बताता है कि दो variables साथ move करते हैं या नहीं और कितनी मज़बूती से; regression एक कदम आगे जाकर एक fitted equation की मदद से एक variable से दूसरे का अनुमान लगाने देता है। CAIIB के Advanced Bank Management paper में examiners इसी theory को time pressure में हल करने वाले numerical में बदलना पसंद करते हैं। यह article Karl Pearson की method को समझाता है, एक branch-level example को हर calculation दिखाते हुए step by step हल करता है, और बताता है कि bank managers असल में इन tools का इस्तेमाल काम में कैसे करते हैं।
📊 Bank के लिए Correlation और Regression का मतलब
Correlation और regression bivariate statistics के दो मुख्य tools हैं — यानी दो variables साथ में कैसे व्यवहार करते हैं, इसका अध्ययन। Correlation एक छोटा सवाल पूछता है: क्या ये दो variables साथ move करते हैं, और अगर हां तो एक ही दिशा में या विपरीत दिशा में, और कितनी मज़बूती से? इसका जवाब एक ही number है, correlation coefficient (r), जो हमेशा -1 और +1 के बीच रहता है। +1 के पास की value का मतलब है कि variables साथ बढ़ते-घटते हैं; -1 के पास का मतलब है कि एक बढ़ने पर दूसरा घटता है; zero के पास का मतलब है कि linear relationship लगभग है ही नहीं।
Regression एक बड़ा सवाल पूछता है: एक variable की एक value दी हो, तो दूसरे की कौन-सी value expect करनी चाहिए? यह data में से एक सीधी line fit करता है ताकि branch manager कोई जानी-पहचानी figure — जैसे marketing spend — डालकर एक predicted output पा सके, जैसे नए CASA accounts। जहां correlation सिर्फ relationship को describe करता है, वहीं regression उसी से forecast करने देता है। ये दोनों ideas business statistics के उस बड़े syllabus का हिस्सा हैं जिसे IIBF statistics की definition, importance और limitations chapter के ज़रिए test करता है।
CAIIB ABM syllabus इस जोड़ी को एक ही integrated topic की तरह treat करता है, और dedicated Correlation & Regression chapter में formulas और solved illustrations पूरी तरह दिए गए हैं। नीचे दी गई numerical technique ही exam hall में असल में marks decide करती है।
🧮 Karl Pearson का Coefficient: पूरा हल किया गया Example
Karl Pearson का correlation coefficient सबसे ज़्यादा exam में आने वाली method है क्योंकि यह ranks की बजाय actual values (या mean से deviations) इस्तेमाल करती है। Mean से deviations इस्तेमाल करने वाला formula है:
r = Σ(dx·dy) ÷ √[Σdx² × Σdy²]
जहां dx = X − X̄ और dy = Y − Ȳ। किसी bank की पांच branches लीजिए जहां X average loan processing time (दिनों में) है और Y customer satisfaction score (10 में से) है:
X (दिन): 6, 2, 10, 4, 8 | Y (score): 9, 11, 5, 8, 7
Step 1 — Means: X̄ = (6+2+10+4+8) ÷ 5 = 30 ÷ 5 = 6। Ȳ = (9+11+5+8+7) ÷ 5 = 40 ÷ 5 = 8।
Step 2 — Deviations: dx values हैं 0, -4, 4, -2, 2। dy values हैं 1, 3, -3, 0, -1।
Step 3 — Products और squares: dx·dy = (0×1)=0, (-4×3)=-12, (4×-3)=-12, (-2×0)=0, (2×-1)=-2। Sum Σdx·dy = 0-12-12+0-2 = -26। अब dx² = 0, 16, 16, 4, 4, तो Σdx² = 40। और dy² = 1, 9, 9, 0, 1, तो Σdy² = 20।
Step 4 — Formula लगाइए: r = -26 ÷ √(40 × 20) = -26 ÷ √800 = -26 ÷ 28.28 = -0.92 (दो decimals तक rounded)।
-0.92 का r एक strong negative correlation है: जैसे-जैसे processing time बढ़ता है, इन पांच branches में satisfaction तेज़ी से और लगातार गिरता है। यही exact calculation style Correlation and Regressions के illustrations में test होती है, इसलिए इसे हाथ से, deviation-दर-deviation practice करना ज़रूरी है।
💡 Exam Tip: आगे बढ़ने से पहले हमेशा हर deviation column (Σdx और Σdy) को अलग-अलग total करके देखें कि वे zero के बराबर आते हैं या नहीं — यही built-in check बताता है कि आपका mean और deviations सही हैं।
📈 Correlation से Regression तक: Prediction Line बनाना
एक बार r पता चल जाए, तो वही deviation totals दोनों regression equations दे देते हैं। Y on X का regression coefficient byx = Σdx·dy ÷ Σdx² = -26 ÷ 40 = -0.65 है। X on Y का regression coefficient bxy = Σdx·dy ÷ Σdy² = -26 ÷ 20 = -1.30 है।
Y on X की regression line Y − Ȳ = byx(X − X̄) है, जो बनती है Y − 8 = -0.65(X − 6), यानी Y = 11.9 − 0.65X। इसे check करें: X = 6 पर, Y = 11.9 − 3.9 = 8, जो mean से बिल्कुल match करता है — हर regression line को point (X̄, Ȳ) से होकर गुज़रना ही होता है। इसी तरह, X on Y की regression line X − X̄ = bxy(Y − Ȳ) है, जो देती है X = 16.4 − 1.30Y।
ABM syllabus में सिखाया गया एक useful cross-check यह है कि r² = byx × bxy। यहां byx × bxy = -0.65 × -1.30 = 0.845, और √0.845 = 0.919, जो Step 4 की r value से मेल खाता है (negative sign वापस लगाने पर, क्योंकि दोनों regression coefficients का sign एक जैसा है)। यह relationship exam में correlation formula को शुरू से दोबारा calculate किए बिना पूरे numerical को verify करने का तेज़ तरीका है, और यह Estimation chapter के solved sums में बार-बार आता है, जहां भी किसी population parameter का अनुमान लगाने के लिए fitted line इस्तेमाल होती है।
⚠️ आम गलती: उम्मीदवार अक्सर byx और bxy को आपस में बदल देते हैं या गलत sum of squares से divide कर देते हैं। याद रखें: byx, Σdx² से divide होता है (Y predict करने के लिए), जबकि bxy, Σdy² से divide होता है (X predict करने के लिए) — जो coefficient आप calculate कर रहे हैं वह उसी variable से match होना चाहिए जिसे आप predict करना चाहते हैं।
🏦 Bank Managers असल फैसलों में इन Tools का इस्तेमाल कैसे करते हैं
Exam hall के बाहर, banking data में correlation और regression सच में operational फैसलों को चलाते हैं। कोई retail head branches में marketing spend को नए CASA account openings से correlate करके तय कर सकता है कि अगला campaign रुपया कहां लगाना है। कोई credit risk team NPA levels को advances growth के against regress करके उन branches को flag कर सकती है जिनकी loan books उनके recovery systems की क्षमता से तेज़ी से बढ़ रही हैं। Treasury desks deposit growth को मौजूदा interest rates से correlate करके repricing decisions का समय तय करते हैं, और HR analytics teams training hours को productivity outcomes से जोड़ने के लिए वही regression logic इस्तेमाल करती हैं।
ये techniques ABM toolkit के दूसरे quantitative methods के साथ आती हैं, जिनमें representative branch data निकालने के लिए sampling methods और resource-allocation problems के लिए linear programming शामिल हैं — साथ मिलकर ये evidence-based bank management की statistical backbone बनाते हैं। नीचे दी गई table मुख्य फर्क को summarise करती है ताकि यह फिर कभी confuse न हो:
| पहलू | Correlation | Regression |
|---|---|---|
| उद्देश्य | Association की strength और दिशा मापता है | एक variable की value दूसरे से predict करता है |
| Output | एक ही coefficient (r) | एक सीधी line का equation |
| X, Y बदलने पर symmetric? | ✅ हां (rxy = ryx) | ❌ नहीं (byx ≠ bxy आम तौर पर) |
| Cause and effect साबित करता है? | ❌ नहीं | ⚠️ dependence संकेत करता है, proof नहीं |
| Forecasting के लिए सीधे इस्तेमाल होता है? | ❌ नहीं | ✅ हां |
इस तरह के analysis के लिए real-world data Reserve Bank of India अपने Database on Indian Economy (DBIE) के ज़रिए नियमित रूप से publish करता है, जो textbook के आंकड़ों से आगे practice करने के लिए एक असली source है।
🎯 Exam Strategy: आम गलतियां और CAIIB इस Topic को कैसे Test करता है
इस topic पर CAIIB ABM numericals शायद ही कभी सिर्फ conceptual एक-लाइन सवाल होते हैं; ये लगभग हमेशा 2-4 marks की पूरी deviation-table calculation होते हैं, कभी-कभी उसी dataset पर एक follow-up regression question के साथ बंधे हुए। Marks कटने की सबसे आम वजह arithmetic है: किसी deviation का गलत sign, किसी product में miss हुआ negative, या correlation formula के आखिरी step में square root लेना भूल जाना। दूसरी सबसे आम गलती गलत axis पढ़ना है — कौन-सा variable X है और कौन-सा Y, यह mix हो जाए तो कौन-सी regression equation quote करनी है, वह बदल जाता है।
अपनी exam speed इसी article की तरह बनाइए: पहले raw data लिखिए, दोनों means पहले निकालिए, dx और dy को दो साफ columns में tabulate कीजिए, ध्यान से multiply और square कीजिए, हर column का sum लीजिए, और उसके बाद ही formula में substitute कीजिए। अगर आपको इसी style में और solved sums चाहिए, तो statistics में measures of dispersion guide और CAIIB ABM PYQ practice set, दोनों उसी statistics block से आते हैं और इन्हें साथ revise करना फायदेमंद रहेगा।
📌 याद रखें: r कभी भी -1 से +1 की range से बाहर नहीं जा सकता। अगर आपका final answer 1.4 या -2.3 आ रहा है, तो deviation columns में कहीं calculation की गलती हुई है — आगे बढ़ने से पहले वापस जाकर sums दोबारा check कीजिए।
ये numericals historically कैसे आते रहे हैं, इसका बड़ा overview पाने के लिए Modules C और D की CAIIB ABM previous year questions compilation एक अच्छा साथी है, और जो उम्मीदवार ABM के साथ HRM भी तैयार कर रहे हैं उन्हें अक्सर यह देखना उपयोगी लगता है कि quantitative models अलग-अलग papers में कैसे test होते हैं, जैसे CAIIB HRM में इस्तेमाल होने वाला Kirkpatrick model of training evaluation।
🧠 Practice MCQs: Banking Data में Correlation और Regression
Q1. Worked example में, loan processing time और customer satisfaction के बीच r ≈ -0.92 का correlation coefficient क्या दिखाता है? (a) एक strong positive relationship (b) एक strong negative relationship (c) कोई relationship नहीं (d) एक perfect positive relationship
Answer: (b) — -1 के पास का r एक strong negative (inverse) relationship संकेत करता है: जैसे-जैसे processing time बढ़ता है, satisfaction घटता है।
Q2. Karl Pearson की method के तहत, correlation coefficient r हमेशा किस range में रहना चाहिए? (a) 0 से 1 (b) -1 से 0 (c) -1 से +1 (d) कोई fixed range नहीं है
Answer: (c) — Pearson का r गणितीय रूप से -1 और +1 के बीच (inclusive) bound होता है।
Q3. किसी dataset के लिए Σdx² = 40, Σdy² = 20 और Σdx·dy = -26 दिया गया है, तो r की value (दो decimals तक rounded) क्या है? (a) -0.65 (b) -0.92 (c) 0.92 (d) -1.30
Answer: (b) — r = -26 ÷ √(40×20) = -26 ÷ 28.28 = -0.92।
Q4. Regression coefficient byx (Y on X का regression) कैसे calculate होता है: (a) Σdx·dy ÷ Σdx² (b) Σdx·dy ÷ Σdy² (c) Σdx² ÷ Σdx·dy (d) Σdy² ÷ Σdx·dy
Answer: (a) — byx, cross-products के sum को Σdx² से divide करता है क्योंकि यह X से Y predict करता है।
Q5. अगर byx = -0.65 और bxy = -1.30 है, तो coefficient of determination r² क्या होगा? (a) 0.845 (b) -0.845 (c) 1.95 (d) 0.65
Answer: (a) — r² = byx × bxy = (-0.65) × (-1.30) = 0.845।
100+ MCQs वाले chapter-wise mock tests चाहिए? Free practice शुरू करें →
❓ अक्सर पूछे जाने वाले सवाल
Correlation और regression में क्या फर्क है?
Correlation दो variables के बीच association की strength और दिशा को एक ही coefficient (r) से मापता है; regression एक mathematical equation fit करता है जिससे आप एक variable की value दूसरे से predict कर सकें।
CAIIB के ABM paper में correlation और regression क्यों शामिल हैं?
Advanced Bank Management quantitative decision-making test करता है, और advances, NPAs, deposits तथा transaction volumes जैसा bank data नियमित रूप से इन्हीं tools से analyse किया जाता है, इसलिए CAIIB यह check करता है कि उम्मीदवार इन्हें सही तरीके से calculate और interpret कर पाते हैं या नहीं।
क्या r की value 1 से ज़्यादा या -1 से कम हो सकती है?
नहीं। Karl Pearson correlation coefficient गणितीय रूप से -1 और +1 के बीच bound होता है; इस range से बाहर आई कोई भी calculated value हमेशा एक arithmetic error का संकेत होती है जिसे दोबारा check करना ज़रूरी है।
क्या byx और bxy हमेशा बराबर होते हैं?
नहीं, ये आम तौर पर अलग-अलग होते हैं क्योंकि byx, X से Y predict करता है और bxy, Y से X predict करता है; ये दोनों सिर्फ उस खास स्थिति में बराबर होते हैं जब X और Y के standard deviations बिल्कुल एक जैसे हों।
Banking data में correlation और regression abstract formulas नहीं रह जाते, जैसे ही आप एक पूरा numerical हाथ से हल कर लेते हैं, ठीक वैसे जैसे इस article ने deviation-दर-deviation किया। और solved sums के लिए Advanced Bank Management article archive पर बार-बार जाते रहिए, और जब exam की condition में अपनी speed test करने के लिए तैयार हों, तो एक structured revision plan शुरू करने के लिए CAIIB course page पर जाइए।
Quick quiz on this topic
5 exam-style questions from our free test bank — check yourself before you move on.
Practice this topic
मुफ़्त मॉक टेस्ट दें, चैप्टर PDF डाउनलोड करें या वीडियो क्लास देखें — सब iibf.store पर मुफ़्त है।
पढ़ना जारी रखें
