ঈশান কাশ্যপ হাজৰিকা, দশম শ্ৰেণী, উত্তৰ লখিমপুৰ
কাপা

কাপাৰ ছবি
শ্ৰেণী য়'কাই, ক্ৰিপ্টিড্
অন্য নাম গাটাৰ', কাৱাক'
দেশ জাপান

কাপা (জাপানী ভাষাত 河童 বা "নদী-পুত্ৰ") বা কাৱাটাৰ' (川太郎 যাৰ অৰ্থ "নদী-ল'ৰা") বা কাৱাক' (川子 যাৰ অৰ্থ "নদী-সন্তান") জাপানী লোক বিশ্বাসৰ এক য়'কাই (এক প্ৰকাৰৰ ভূত)[1][2][3]। কাপা নাম কাৱা (নদী) আৰু ৱাপা ~ ৱাৰাবে (সন্তান)ৰ পৰা উদ্ভৱ হোৱা। শ্বিণ্ট'ত কাপাক এজন চুইজিন বা জল দেৱতা অথবা য়'ৰিচিৰ বা তেওঁলোকৰ এক অলপ সময়ৰ বাবে লোৱা অৱতাৰ বুলি গণ্য কৰা হয়।[4] নোমাল কাপাক হ্য'চুবে (ひょうすべ) বোলা হয়।[5] বিভিন্ন অঞ্চলত কাপা সম্বন্ধিত ৮০তকৈও অধিক নামৰ প্ৰচলন দেখা গৈছে, যেনে কাৱাপা, গাৱাপা, ক'গ', মিজুশ্বি, মিজুচি, এন্ক', কাৱাচ', চুইটেঙু, ডাঙামে আদি।[3] জাপানত অনি, টেঙু আৰু কাপা আটাইতকৈ জনাজাত য়'কাইৰ মাজত অন্যতম।[6][7]

কাপাৰ ফিনলেণ্ডনেক্কি, জাৰ্মেনি আৰু স্কাণ্ডিভেনিয়ানেক, স্কটলেণ্ডকেল্পি আদিৰ সৈতে মিল আছে। আটাইকে নদী আদিৰ পাৰত থকা বিপদৰ বিষয়ে সৰু ল'ৰা-ছোৱালীক সতৰ্ক কৰিবলৈ ব্যৱহাৰ কৰা হয়।

কোনো কোনোৰ মতে কাপাৰ কাহিনী জাপানৰ বিশাল চেলামেণ্ডাৰ বা হান্জাকিৰ পৰা উদ্ভৱ হোৱা, যি এক আক্ৰমণাত্মক চেলামেণ্ডাৰ, যিয়ে নিজৰ শক্তিশালী মুখেৰে চিকাৰ কৰে।[8]

Kappa imagery depicted by notable artists

কাপাক দেখিবলৈ "প্ৰায় মানৱৰ দৰে" বুলি কোৱা হয়, কাপাৰ আকাৰ এটি সৰু ল'ৰাৰ সমান। কাপাৰ বৰণ সেউজীয়াৰ পৰা হালধীয়ালৈকে হ'ব পাৰে।[9][10][11] কাপা জাপানৰ পুখুৰী আৰু নদী আদিত থাকে বুলি কোৱা হয়। নিজৰ বাসস্থলৰ সৈতে মিলাকৈ কাপাৰ হাত আৰু ভৰি জাল-আকাৰৰ।[12] কাপাৰ গন্ধ মাছৰ দৰে আৰু তেওঁলোকে তেনেদৰে সাতুৰিবলৈও জানে। জাপানী ভাষাত "কাপা ন' কাৱা নাগাৰে" ("এটা কাপা নদীত ডুবা")ই এই কথা বুজাবলৈ ব্যৱহাৰ কৰা হয় যে "পাৰ্গত লোকেও ভুল কৰিব পাৰে"।[13] যদিও ঠাই বিশেষে কাপাৰ বিৱৰণ ভিন ভিন ধৰণে দিয়া হয়, কাপাৰ ঠোঁট, থালিৰ দৰে এটি অংগ, মূৰৰ ওপৰত এটা চুলি-হীন তিতা অংশ-- যি তাৰ শক্তিৰ উৎস আদি সাধাৰণ অংগ। গাটৰ আকাৰৰ সেই অংশ সদায় পানীৰে ভৰি থাকে, আৰু পানীৰ বাহিৰত থাকোতে যদি সেই অংশ কেতিয়াবা খালি হয়, শক্তি শেষ হোৱাৰ লগতে কাপাৰ মৃত্যু পৰ্যন্ত হ'ব পাৰে।[3][9][10] কেইবাটাও কাহিনীত কোৱা হয় যে কাপাৰ দুয়ো হাত শৰীৰৰ মাজেৰে সংযুক্ত আৰু এফালৰ পৰা আনফাললৈ সৰকিব পাৰে।[3] পানীত থাকিলেও, তেওঁলোক কেতিয়াবা ভূমিলৈ আহে। যেতিয়া তেওঁলোকে তেনে কৰে, তেওঁলোকৰ থালিখন সুৰক্ষাৰ বাবে এক ধাতুৰে ঢকা হয়। [14] কিছুমান সাধুতটো কাপাই গ্ৰীষ্ম আৰু বসন্ত ঋতু পানীত পাৰ কৰি বছৰৰ আন সময় পাহাৰত অতিবাহিত কৰে, য়ামা-ন'-কামি (山の神, পৰ্বতৰ দেৱতা)ৰ ৰূপত।[3] যদিও কাপাৰ কাহিনী সমগ্ৰ জাপান বিয়পা আৰু কাপা সমগ্ৰ জাপানতে থাকে, কাপাক প্ৰায় চাগা অঞ্চলৰ বুলি কোৱা হয়।[15]

কাপাসকলক প্ৰায় দুষ্ট আৰু কষ্টদায়ক বুলি কোৱা হয়। কাপাসকলে ডাঙৰকৈ পদা বা মহিলাসকলৰ কিম'ন' পিন্ধি চোৱাৰ দৰে সাধাৰণ দুষ্টালিৰ পৰা আৰম্ভ কৰি মানুহক ডুবাই মৰা, শিশুক অপহৰণ কৰা, মহিলাক ধৰ্ষণ কৰাৰ দৰে গভীৰ অপৰাধো কৰাৰ কথা কোৱা হয়।[14] তেওঁলোকে প্ৰায় নিজৰ চিকাৰৰ তেজ বা কলিজা ভক্ষণ কৰিবলৈ, অথবা মানুহৰ আত্মাই বাস কৰা চিৰিক'ডামা (尻子玉) কাঢ়ি ল'বলৈ মানুহক অপহৰণ কৰে।[14][16][17][18] আজিও জাপানৰ বিভিন্ন গাওঁত কাপাৰ বিষয়ে সাৱধান কৰা ফলক জলাশয় আদিৰ কাষত দেখা যায়।

কাপাই মানুহৰ লগতে জন্তুবোৰকো আমণি কৰে, বিশেষকৈ ঘোঁৰা আৰু গৰুক। কাপাই ঘোঁৰাক পানীত ডুবাবলৈ চেষ্টা কৰাৰ কাহিনী সমগ্ৰ জাপানত পোৱা যায়।[19] তেনে কৰোতে ধৰা পৰিলে, কাপাক লিখিতকৈ ক্ষমা খোজিবলৈও বাধ্য কৰাব পৰা যায়।[19] তেনে কাপাটোৱে ঘোঁৰাটোক চুৰি কৰা আস্তাবলটোত কৰিব পাৰি, য'ত কাপা আটাইতকৈ দুৰ্বল হয়।[3]

কাপাই মহিলাক ধৰ্ষণ কৰাৰ কথাও কোৱা হয়। ১৮ শতিকাৰ এক উকিয়'-এ ছবিত কাপা এটাই এজনী আমা ডুবাৰুক পানীৰ তলত ধৰ্ষণ কৰাৰ ঘটনা দৰ্শোৱা হৈছে। নিজৰ ট'ন' ম'ন'গটাৰিকুনিয়' য়ানাগিটাই জাপানৰ ট'ন' অঞ্চলত প্ৰচলিত কাপাই বিভিন্ন মহিলাক আক্ৰমণ কৰা আৰু গৰ্ভৱতী পৰ্যন্ত কৰাৰ বিশ্বাসৰ কথা উল্লেখ কৰিছে।[20] তেনেকৈ জন্মা সন্তান সদায় ঘৃণনীয়। তেনে সন্তানক পুতি থোৱা হয়।[20]

 
Statues of male and female kappa at a shrine in Tokyo.

বিশ্বাস কৰা হয় যে কাপাৰ পৰা নিজক ৰক্ষা কৰাৰ খুব কম উপায় আছে। কাপাসকল অতিকৈ ভদ্ৰ, সেয়ে যদি কোনোৱে কাপাৰ আগত ভালকৈ মূৰ দুৱাই, কাপায়ো তেনে কৰে। তেনে কৰোতে পিচে কাপাৰ মূৰৰ পানী তললৈ পৰি যায় আৰু কাপা লৰাৰ ক্ষমতা হেৰুৱাই। পুনৰ লৰচৰ কৰিবলৈ কাপাই নিজে বাস কৰা জলাশয়ৰ পানী মূৰত দিব লাগিব। কোনো ব্যক্তিয়ে যদি তেনে কৰে, কাপা চিৰ কৃতজ্ঞ হয় আৰু মানুহজনৰ বাবে কাম কৰে।[14] কাপাৰ হাতৰ বিষয়েও তেনেদৰেই ক'ব পাৰি। তেওঁলোকৰ হাত সহজে চিঙি আনিব পাৰি। হাত ঘূৰাই পাবলৈ কাপাই মানুহৰ সকলো কথা মানিবলৈ সাজু হয়।[3] কাপাক পৰাজিত কৰাৰ আন এক উপায় হ'ল চুম' খেলা: তেওঁলোকে কেইবাবাৰো মানুহক চুম' যুঁজ বা আন কোনো প্ৰতিযোগিতাৰ বাবে আহ্বান জনাই।[2] কাপাক এনেদৰে নিজৰ চাৰাৰ পৰা পানী পেলাই দিবলৈ উত্তেজিত কৰিব পাৰি। কাপাই মানুহৰ প্ৰত্যাহ্বানো স্বীকাৰ কৰে। এটি কাহিনীত, এজন খেতিয়কে কাপা এটাক নিজৰ খেতি মাটিত পানী যোগান ধৰাৰ বিনিময়ত নিজৰ জীয়েকক কাপাটোলৈ বিয়া দিয়াৰ প্ৰস্তাৱ দিলে। পিচে টেঙৰ ছোৱালীজনীয়ে কাপাটোক লাউ পানীত ডুবোৱাৰ প্ৰত্যাহ্বান জনালে। বিফল হৈ কাপাটো ঘূৰি গ'ল আৰু ছোৱালীজনীৰ সেই বিবাহৰ পৰা ৰক্ষা পৰিল।[3] কাপাক লোহা, আদা আদিৰ সহায়তো খেদা হয়।[3]

কাপা সদায় কষ্টদায়ক নহয়। কাপাসকল মানুহৰ সভ্যতাক লৈ অতিকৈ কৌতুহলী।


Standard Chinese
普通話 / 普通话 Pǔtōnghuà
國語 / 国语 Guóyǔ
華語 / 华语 Huáyǔ
থলুৱা অঞ্চল China, Taiwan, Singapore
স্থানীয় ভাষিক
(has begun acquiring native speakers, cited 1988)[21]
L2 speakers: c. 10% in China (2014)[22][23]
ভাষা পৰিয়াল
পূৰ্বসূৰী
লিখন প্ৰণালী Traditional Chinese
Simplified Chinese
Mainland Chinese Braille
Taiwanese Braille
Two-Cell Chinese Braille
সংকেতিক ৰূপ
Wenfa Shouyu[24]
আধিকাৰিক স্থিতি
আধিকাৰিক ভাষা
  চীন (as Putonghua)

  টাইৱান (as Guoyu)
  ছিংগাপুৰ (as Huayu)
  ৰাষ্ট্ৰসংঘ
Shanghai Cooperation Organisation

চিত্ৰ:Flag of Wa.svg Wa State, Myanmar
নিয়মাধীন হয়
  National Language Regulating Committee[25]
  টাইৱান National Languages Committee
  Promote Mandarin Council
  Chinese Language Standardisation Council
ভাষা সংকেত
ISO 639-3
ISO 639-6 goyu (Guoyu)
huyu (Huayu)
cosc (Putonghua)
গ্লোটোলগ নাই
এই প্ৰবন্ধত IPA-ৰ ধ্বনি চিহ্নসমূহ আছে। কোনো সঠিক সহায় নললে আপুনি ধ্বনি চিহ্নসমূহৰ সলনি প্ৰশ্নবোধক চিন বা বাকচ বা আন চিহ্ন দেখা পাব পাৰে।
IKHazarika/পৰীক্ষাগাৰ
পৰম্পৰাগত চীনা লিপি 普通話
সৰলীকৃত চীনা লিপি 普通话
আক্ষৰিক অৰ্থ Common speech
Taiwan
পৰম্পৰাগত চীনা লিপি 國語
সৰলীকৃত চীনা লিপি 国语
আক্ষৰিক অৰ্থ National language
Malaysia, Singapore, and Philippines
পৰম্পৰাগত চীনা লিপি 華語
সৰলীকৃত চীনা লিপি 华语
আক্ষৰিক অৰ্থ Chinese language

মান্য চীনা ভাষা বা মাণ্ডাৰিন বা পুটংঘুৱা বা গুৱয়ু চীন আৰু টাইৱানৰ একমাত্ৰ আনুষ্ঠানিক ভাষা আৰু চিংগাপুৰৰ চাৰিটা আনুষ্ঠানিক ভাষাৰ অন্যতম। এই ভাষাৰ উচ্চাৰণ চীনা ভাষাবেইজিং উপভাষাৰ ওপৰত আধাৰিত, শব্দাৱলী উত্তৰ চীনৰ বিভিন্ন চীনা উপভাষাৰ পৰা গ্ৰহণ কৰা আৰু ব্যাকৰণ বিংশ শতিকাৰ আধুনিক চীনা সাহিত্যৰ পৰা গ্ৰহণ কৰা, যিয়ে পূৰ্বৰ শাস্ত্ৰীয় চীনা ভাষাৰ স্থান গ্ৰহণ কৰিলে।

অন্য চীনা ভাষীয় প্ৰকাৰসমূহৰ দৰেই মান্য চীনা ভাষাও এটা 'সুৰীয়া ভাষা'। দক্ষিণৰ প্ৰকাৰসমূহতকৈ মান্য চীনা ভাষাত কম স্বৰধ্বনি, আৰু অন্তিম ব্যঞ্জনধ্বনি আছে, পিচে অধিক আৰম্ভণিৰ স্বৰধ্বনি আছে। অন্য চীনা ভাষাৰ প্ৰকাৰসমূহৰ দৰেই এই ভাষাও এটি বিষয়-ভিত্তিক ভাষা, ইয়াৰ ক্ৰম বিষয়-ক্ৰিয়া-বস্তু।

এই ভাষা সৰল চীনা লিপি, পৰম্পৰাগত চীনা লিপি আৰু বিশেষ কাৰণত হান্যু পিন্যিন ৰোমানিকৃত লিপিত লিখা হয়।

চীনা ভাষাত মান্য প্ৰকাৰটোক তলত উল্লেখিত নামেৰে জনা যায়:

ইংৰাজীত এই ভাষাক সূচাবলৈ চীনা আৰু হংকং চৰকাৰে পুটংঘুৱা,[27][28] পুটংঘুৱা চাইনিজ,[29] আৰু মাণ্ডাৰিন[30][31][32] while those of Taiwan,[33][34] Singapore,[35][36] ব্যৱহাৰ কৰে। মালেইছিয়া চৰকাৰে এই ভাষাৰ বাবে মাণ্ডাৰিন ব্যৱহাৰ কৰে।[37]

আগতে অনা-হান চীনা শাসকসকলে এই ভাষা বুজাবলৈ গুৱয়ু ব্যৱহাৰ কৰিছিল। পিচে ১৯০৯ চনত চিং ৰাজকীয় শিক্ষা মন্ত্ৰণালয়ে এই ভাষাক বুজাবলৈ আনুষ্ঠানিকভাৱএ গুৱয়ু শব্দ ব্যৱহাৰ কৰিলে আৰু এই ভাষাক নতুন ৰাষ্ট্ৰীয় ভাষা ঘোষণা কৰিলে।[38] পুটংঘুৱা নামৰ ব্যৱহাৰো অনানুষ্ঠানিকভাৱে পুৰণি। ১৯০৬ চনতেই ঝু ৱেংঝিয়ঙে এই নামৰ ব্যহাৰ কৰিছিল, আধুনিক চীনা ভাষাক অন্য চীনা প্ৰকাৰৰ পৰা বেলেগ কৰিবলৈ।

বিংশ শতিকাৰ কোনো কোনো ভাষাবিদৰ বাবে পুটংঘুৱা বা 'সাধাৰণ ভাষা' আছিল গুৱয়ু বা 'ৰাষ্ট্ৰীয় ভাষা'ৰ পৰা পৃথক। আগৰটো ৰাষ্ট্ৰীয় সন্মানীয় প্ৰকাৰ, আৰু পিছৰটো আইনী মান। সেই সময়ৰ সাধাৰণ ধাৰণাৰ মতে দুয়োটা ভাষা আছিল 'বেলেগ'। গুৱয়ুক শাস্ত্ৰীয় চীনা ভাষাৰ ওচৰৰ এটি ভাষা বুলি গণ্য কৰা হৈছিল, আৰয় পুটংঘুৱাক "আধিনিক যুগৰ মানুহৰ সাধাৰণ ভাষা", যাক ৰাইজে ৰাষ্ট্ৰীয় কথিত ভাষাৰ ৰূপত স্বীকাৰ কৰিছিল। পুটংঘুৱা শব্দ বাওঁপন্থী নেতা যেনে চু চিউবাই আৰু লু চুনেও ব্যৱহাৰ কৰিছিল ,সেয়ে ১৯৫৬ নত গণপ্ৰজাতন্ত্ৰী চীনৰ চৰকাৰে এই শব্দক মাণ্ডাৰিন ভাষা বুজাবলৈ স্বীকাৰ কৰিলা। তাৰ পূৰ্বে চৰকাৰে দুয়োটা শব্দ সলনা-সলনি কৰি ব্যৱহাৰ কৰিছিলে।[39]

তথ্য সংগ্ৰহ

সম্পাদনা কৰক
  1. Bush, Laurence C. (2001). Asian Horror Encyclopedia: Asian Horror Culture in Literature, Manga and Folklore. Laurence C. Bush. পৃষ্ঠা. 94. ISBN 0-595-20181-4. http://books.google.com/books?id=lesg5YSXckQC&pg=PA94&dq=kappa+Kawako&cd=4#v=onepage&q=kappa%20Kawako&f=false. 
  2. 2.0 2.1 Foster, Michael Dylan (2009). Pandemonium and Parade: Japanese Monsters and the Culture of Yōkai. University of California Press. পৃষ্ঠা. 46. ISBN 978-0-520-25361-2. http://books.google.com/books?id=Z5WQy5Q6Hj4C&pg=PA46&dq=kappa+kawataro&num=100&cd=1#v=onepage&q=kappa%20kawataro&f=false. 
  3. 3.0 3.1 3.2 3.3 3.4 3.5 3.6 3.7 3.8 Foster, M. D. (1998). "The Metamorphosis of the Kappa: Transformation of Folklore to Folklorism in Japan". Asian Folklore Studies, 57:1, 1-24.
  4. Frédéric, Louis (2002). Japan Encyclopedia. President and Fellows of Harvard College. পৃষ্ঠা. 910. ISBN 0-674-00770-0. http://books.google.com/books?id=p2QnPijAEmEC&pg=PA910&dq=kappa+suijin&num=100&cd=6#v=onepage&q=kappa%20suijin&f=false. 
  5. "[Folktale Data of Strange Phenomena and Yōkai]" (Japanese ভাষাত). International Research Center for Japanese Studies. http://www.nichibun.ac.jp/YoukaiCard/2220015.shtml. 
  6. Kyōgoku, Natsuhiko; Tada, Katsumi (2000) (Japanese ভাষাত). Yōkai zuka. প্ৰকাশক Tōkyō: Kokusho Kankōkai. পৃষ্ঠা. 147. ISBN 978-4-336-04187-6. 
  7. Tada, Katsumi (1990) (Japanese ভাষাত). Truth In Fantasy. IV. 新紀元社. পৃষ্ঠা. 110. ISBN 978-4-915146-44-2. 
  8. River Monsters, series 3, episode 6, directed by Duncan Chard, ITV 1 (UK) 14 February 2012.
  9. 9.0 9.1 Davis, F. Hadland (1992). Myths and Legends of Japan. Dover Publications. পৃষ্ঠা. 350. ISBN 0-486-27045-9. http://books.google.com/books?id=10WXp8fNeqwC&pg=PA350&dq=kappa&num=100&cd=1#v=onepage&q=kappa&f=false. 
  10. 10.0 10.1 Volker, T. (1975). The Animal in Far Eastern Art and Especially in the Art of the Japanese. E.J.Brill. পৃষ্ঠা. 110. ISBN 90-04-04295-4. http://books.google.com/books?id=XyEVAAAAIAAJ&pg=PA110&dq=kappa&num=100&cd=5#v=onepage&q=kappa&f=false. 
  11. Frédéric, Louis (2002). Japan Encyclopedia. President and Fellows of Harvard College. পৃষ্ঠা. 480. ISBN 0-674-00770-0. http://books.google.com/books?id=p2QnPijAEmEC&pg=PA480&dq=kappa&num=100&cd=6#v=onepage&q=kappa&f=false. 
  12. Mack, Dinah (1998). A Field Guide to Demons, Fairies, Fallen Angels, and Other Subversive Spirits. Carol K. Mack and Dinah Mack. পৃষ্ঠা. 17. ISBN 1-55970-447-0. http://books.google.com/books?id=1IDS3UUrqAIC&pg=PA17&dq=kappa+japan&num=100&cd=4#v=onepage&q=kappa%20japan&f=false. 
  13. Buchanan, Daniel Crump (1965). Japanese Proverbs and Sayings. University of Oklahoma Press. পৃষ্ঠা. 42. ISBN 0-8061-1082-1. http://books.google.com/books?id=wGb4zNqYj10C&pg=PA42&dq=kappa-no-kawa-nagare&num=100&cd=1#v=onepage&q=kappa-no-kawa-nagare&f=false. 
  14. 14.0 14.1 14.2 14.3 Ashkenazi, Michael (2003). Handbook of Japanese Mythology. ABC-CLIO. পৃষ্ঠা. 195–196. ISBN 1-57607-467-6. http://books.google.com/books?id=gqs-y9R2AekC&printsec=frontcover&cad=0#v=onepage&q&f=false। আহৰণ কৰা হৈছে: December 22, 2010. 
  15. Metropolis, "Fortean Japan", 27 June 2008, p. 12.
  16. "Shirikodama". tangorin.com. http://tangorin.com/words/shirikodama. 
  17. Nara, Hiroshi (2007). Inexorable Modernity: Japan's Grappling with Modernity in the Arts. Lexington Books. পৃষ্ঠা. 33. ISBN 0-7391-1841-2. http://books.google.com/books?id=bMMusu0O4zAC&pg=PA33&dq=kappa+shirikodama&num=100&cd=1#v=onepage&q=kappa%20shirikodama&f=false. 
  18. Rose, C. (2000). Giants, Monsters, and Dragons: An Encyclopedia of Folklore, Legend, and Myth. ABC-CLIO.
  19. 19.0 19.1 Eiichirô, Ishida (1950). "The Kappa Legend". Folklore Studies খণ্ড 9: 1–2. 
  20. 20.0 20.1 Tatsumi, Takayuki (1998). "Deep North Gothic: A Comparative Cultural Reading of Kunio Yanagita's Tono Monogatari and Tetsutaro Murano's The Legend of Sayo". Newsletter of The Council for the Literature of the Fantastic খণ্ড 1 (5). http://www.uri.edu/artsci/english/clf/n5_a1.html। আহৰণ কৰা হৈছে: December 22, 2010. 
  21. Norman (1988), পৃষ্ঠা. 251.
  22. Luo, Chris (22 September 2014). "One-third of Chinese do not speak Putonghua, says Education Ministry". South China Morning Post. http://www.scmp.com/news/china-insider/article/1598040/3-10-chinese-citizens-do-not-speak-putonghua-says-education. 
  23. Only 7% of people in China speak proper Putonghua: PRC MOE, Language Log, 2014 Sept. 24
  24. 台灣手語簡介 (Taiwan) (2009)
  25. http://www.china-language.gov.cn/ (Chinese)
  26. Kane, Daniel (2006). The Chinese Language: Its History and Current Usage. Tuttle Publishing. পৃষ্ঠা. 22–23, 93. ISBN 978-0-8048-3853-5. 
  27. Chinese Central Government Official Web Portal. "Constitution". 2012. Accessed 6 November 2013.
  28. "About Hong Kong". Government of Hong Kong. April 2007. Archived from the original on 26 February 2009. http://web.archive.org/web/20090226065201/http://www.info.gov.hk/info/hkbrief/eng/ahk.htm। আহৰণ কৰা হৈছে: 9 April 2013. 
  29. Chinese Central Government Official Web Portal. "Spoken and Written Languages". 2012. Accessed 6 November 2013.
  30. Chinese Central Government Official Web Portal. "State Councilor urges more efforts to popularize Chinese language". 21 January 2011. Accessed 6 November 2013.
  31. Chinese Central Government Official Web Portal. "Languages". 8 November 2012. Accessed 6 November 2013.
  32. Chinese Central Government Official Web Portal. "China-US relations pioneer praised in Beijing meeting". 30 August 2012. Accessed 6 November 2013.
  33. Taiwanese Government Entry Point. Ministry of Foreign Affairs. "Languages". 24 May 2013. Accessed 6 November 2013.
  34. Taiwan Culture Portal. Ministry of Culture. "About Taiwan". 2012. Accessed 6 November 2013.
  35. Ministry of Defense Singapore. PACC PAMS Singapore. "About Singapore". 28 July 2011. Accessed 6 November 2013.
  36. Singapore Tourism Board. "Singapore Culture, Language, and People". 2013. Accessed 6 November 2013.
  37. Official Portal of the Government of Malaysia. "About Malaysia: Language". Accessed 6 November 2013.
  38. Norman (1988), পৃষ্ঠা. 133–134.
  39. Yuan, Zhongrui. (2008) "国语、普通话、华语 (Guoyu, Putonghua, Huayu)". China Language National Language Committee, People's Republic of China

 
When time series X Granger-causes time series Y, the patterns in X are approximately repeated in Y after some time lag (two examples are indicated with arrows). Thus, past values of X can be used for the prediction of future values of Y.

গ্ৰেঞ্জাৰ কাৰ্যকাৰিতা পৰীক্ষা এটি পৰিসাংখ্যিক প্ৰকল্প পৰীক্ষা এই কথা নিৰ্ণয় কৰিবলৈ যে এটি সময় শ্ৰেণী আন সময় শ্ৰেণীৰ আগজাননীৰ বাবে সহায়ক হয় নে নহয়। গ্ৰেঞ্জাৰ কাৰ্যকাৰিতাৰ ধাৰণা পোণপ্ৰথমবাৰৰ বাবে অৰ্থনীতিবিদ ক্লাইভ গ্ৰেঞ্জাৰে আগবঢ়াইছিল ১৯৬৯ত।[1] সাধাৰণতে, সমাশ্ৰয়ণ বিশ্লেষণে দুই চলক মাজৰ সহসম্বন্ধহে উজাগৰ কৰে। কিন্তু গ্ৰেঞ্জাৰে যুক্ত আগবঢ়ালে যে কোনো চলকৰ অতীতৰ মূল্যৰ সহায়ত যদি আন চলকৰ ভৱিষ্যতৰ মূল্য অনুমান কৰিব পৰা যায়, তেন্তে ই অৰ্থনীতিত কাৰ্যকাৰিতাৰ অনুমান দিব পাৰে। পিচে, "প্ৰকৃত কাৰ্যকাৰিতা"ৰ প্ৰশ্নৰ উত্তৰ দৰ্শনত এতিয়াও উপলব্ধ নহয়। সেয়ে, ইকনমেত্ৰিচিয়ানসকলৰ মতে, গ্ৰেঞ্জাৰৰ পৰীক্ষা কেৱল "আগজাননীগত কাৰ্যকাৰিতা"ৰহে পৰীক্ষা। কোনো ঘটনা আন ঘটনাৰ পাছত হ'লেই এই কথা নুবুজাই যে পূৰ্বৰ ঘটনাটো পাছৰ ঘটনাটোৰ কাৰণ। ভুলকৈ কাৰ্যকাৰিতাৰ দাবী কৰিলে, "পষ্ট হক এৰ্গ' প্ৰপ্টাৰ হক" (পাছত হ'ল, সেইবাবে, কাৰণে হ'ল) ভ্ৰান্তিৰ শংকা থাকি যায়।[2] সেয়ে "কাৰ্যকাৰিতা" শব্দৰ ঠাইত "পূৰ্বগামিতা"[3] বা গ্ৰেঞ্জাৰে নিজেই ১৯৭৭ত সমৰ্থন দিয়া "সাময়িকভাৱে সম্পৰ্কিত"[4] শব্দ অধিক সঠিক। "Xৰ কাৰণে Y হয় নে নহয়, সেই প্ৰশ্নৰ ঠাইত, Xএৰে Yৰ আগজাননী দিব পৰা যায় নে নাযায়" সেই প্ৰশ্নৰহে উত্তৰ গ্ৰেঞ্জাৰৰ পৰীক্ষাই দিয়ে।[5]

এটি সময় শ্ৰেণী Yৰ গ্ৰেঞ্জাৰ কাৰণ সময় শ্ৰেণী X যদিহে t-পৰীক্ষা আৰু F-পৰীক্ষাৰ এটি শ্ৰেণীৰে দৰ্শাব পৰা যায় যে (Yৰ পূৰ্বৰ মূল্যৰ উপৰিও) Xৰ পূৰ্বৰ মূল্যই Yৰ ভৱিষ্যতৰ মূল্যৰ বিষয়ে statistically significant তথ্য প্ৰদান কৰে।

গ্ৰেঞ্জাৰে নিজেই উল্লেখ কৰিছিল যে, কোনো কোনো গৱেষকে অৰ্থনীতি বিষয়ৰ বাহিৰত এই পৰীক্ষা ব্যৱহাৰ কৰি "হাস্যাস্পদ" ফল লাভ কৰিছিল, সময় শৃংখলৰ ওপৰত তেওঁৰ গৱেষণাৰ বাবে অৰ্থনীতিৰ ন'বেল বঁটা লাভ কৰাৰ পাছৰ, ন'বেল বক্তৃতাত।[6] পিচে এনে কিছু ঘটনাৰ পাছতো, বৰ্তমানেও অৰ্থনীতি বিষয়ৰ বাহিৰৰ অনেক বিষয়ত সময় শৃংখলেৰে কাৰ্যকাৰিতা নিৰ্ণয় কৰিবলৈ গ্ৰেঞ্জাৰৰ পদ্ধতি ব্যৱহাৰ কৰা হয়, বিশেষকৈ এই পদ্ধতিৰ সংগাণনিক সৰলতাৰ বাবে।[7][8] গ্ৰেঞ্জাৰ কাৰ্যকাৰিতাৰ প্ৰথম সংজ্ঞাৰ কিছু ত্ৰুতি পাছলৈ অনেক গৱেষকে সমাধান কৰিছে।[7]

We say that a variable X that evolves over time Granger-causes another evolving variable Y if predictions of the value of Y based on its own past values and on the past values of X are better than predictions of Y based only on Y's own past values.

Granger defined the causality relationship based on two principles:[7][9]

  1. The cause happens prior to its effect.
  2. The cause has unique information about the future values of its effect.

Given these two assumptions about causality, Granger proposed to test the following hypothesis for identification of a causal effect of   on  :

 

where   refers to probability,   is an arbitrary non-empty set, and   and   respectively denote the information available as of time   in the entire universe, and that in the modified universe in which   is excluded. If the above hypothesis is accepted, we say that   Granger-causes  .[7][9]

If a time series is a stationary process, the test is performed using the level values of two (or more) variables. If the variables are non-stationary, then the test is done using first (or higher) differences. The number of lags to be included is usually chosen using an information criterion, such as the Akaike information criterion or the Schwarz information criterion. Any particular lagged value of one of the variables is retained in the regression if (1) it is significant according to a t-test, and (2) it and the other lagged values of the variable jointly add explanatory power to the model according to an F-test. Then the null hypothesis of no Granger causality is not rejected if and only if no lagged values of an explanatory variable have been retained in the regression.

In practice it may be found that neither variable Granger-causes the other, or that each of the two variables Granger-causes the other.

Let y and x be stationary time series. To test the null hypothesis that x does not Granger-cause y, one first finds the proper lagged values of y to include in a univariate autoregression of y:

 

Next, the autoregression is augmented by including lagged values of x:

 

One retains in this regression all lagged values of x that are individually significant according to their t-statistics, provided that collectively they add explanatory power to the regression according to an F-test (whose null hypothesis is no explanatory power jointly added by the x's). In the notation of the above augmented regression, p is the shortest, and q is the longest, lag length for which the lagged value of x is significant.

The null hypothesis that x does not Granger-cause y is accepted if and only if no lagged values of x are retained in the regression.

Multivariate Granger causality analysis is usually performed by fitting a vector autoregressive model (VAR) to the time series. In particular, let   for   be a  -dimensional multivariate time series. Granger causality is performed by fitting a VAR model with   time lags as follows:

 

where   is a white Gaussian random vector, and   is a matrix for every  . A time series   is called a Granger cause of another time series  , if at least one of the elements   for   is significantly larger than zero (in absolute value).[10]

The above linear methods are appropriate for testing Granger causality in the mean. However they are not able to detect Granger causality in higher moments, e.g., in the variance. Non-parametric tests for Granger causality are designed to address this problem.[11] The definition of Granger causality in these tests is general and does not involve any modelling assumptions, such as a linear autoregressive model. The non-parametric tests for Granger causality can be used as diagnostic tools to build better parametric models including higher order moments and/or non-linearity.[12]

As its name implies, Granger causality is not necessarily true causality. In fact, the Granger-causality tests fulfill only the Humean definition of causality that identifies the cause-effect relations with constant conjunctions.[13] If both X and Y are driven by a common third process with different lags, one might still fail to reject the alternative hypothesis of Granger causality. Yet, manipulation of one of the variables would not change the other. Indeed, the Granger-causality tests are designed to handle pairs of variables, and may produce misleading results when the true relationship involves three or more variables. Having said this, it has been argued that given a probabilistic view of causation, Granger causality can be considered true causality in that sense, especially when Reichenbach's "screening off" notion of probabilistic causation is taken into account.[14] Other possible sources of misguiding test results are: (1) not frequent enough or too frequent sampling, (2) nonlinear causal relationship, (3) time series nonstationarity and nonlinearity and (4) existence of rational expectations.[13] A similar test involving more variables can be applied with vector autoregression. Recently [15] a fundamental mathematical study of the mechanism underlying the Granger method has been provided. By making use exclusively of mathematical tools (Fourier transformation and differential calculus), it has been found that not even the most basic requirement underlying any possible definition of causality is met by the Granger causality test: any definition of causality should refer to the prediction of the future from the past; instead by inverting the time series it can be shown that Granger allows one to ”predict” the past from the future as well.

A method for Granger causality has been developed that is not sensitive to deviations from the assumption that the error term is normally distributed.[16] This method is especially useful in financial economics, since many financial variables are non-normally distributed.[17] Recently, asymmetric causality testing has been suggested in the literature in order to separate the causal impact of positive changes from the negative ones.[18] An extension of Granger (non-)causality testing to panel data is also available.[19] A modified Granger causality test based on the GARCH (generalized auto-regressive conditional heteroscedasticity) type of integer-valued time series models is available in many areas.[20][21]

A long-held belief about neural function maintained that different areas of the brain were task specific; that the structural connectivity local to a certain area somehow dictated the function of that piece. Collecting work that has been performed over many years, there has been a move to a different, network-centric approach to describing information flow in the brain. Explanation of function is beginning to include the concept of networks existing at different levels and throughout different locations in the brain.[22] The behavior of these networks can be described by non-deterministic processes that are evolving through time. That is to say that given the same input stimulus, you will not get the same output from the network. The dynamics of these networks are governed by probabilities so we treat them as stochastic (random) processes so that we can capture these kinds of dynamics between different areas of the brain.

Different methods of obtaining some measure of information flow from the firing activities of a neuron and its surrounding ensemble have been explored in the past, but they are limited in the kinds of conclusions that can be drawn and provide little insight into the directional flow of information, its effect size, and how it can change with time.[23] Recently Granger causality has been applied to address some of these issues with great success.[24] Put plainly, one examines how to best predict the future of a neuron: using either the entire ensemble or the entire ensemble except a certain target neuron. If the prediction is made worse by excluding the target neuron, then we say it has a “g-causal” relationship with the current neuron.

Extensions to point process models

সম্পাদনা কৰক

Previous Granger-causality methods could only operate on continuous-valued data so the analysis of neural spike train recordings involved transformations that ultimately altered the stochastic properties of the data, indirectly altering the validity of the conclusions that could be drawn from it. In 2011, however, a new general-purpose Granger-causality framework was proposed that could directly operate on any modality, including neural-spike trains.[23]

Neural spike train data can be modeled as a point-process. A temporal point process is a stochastic time-series of binary events that occurs in continuous time. It can only take on two values at each point in time, indicating whether or not an event has actually occurred. This type of binary-valued representation of information suits the activity of neural populations because a single neuron's action potential has a typical waveform. In this way, what carries the actual information being output from a neuron is the occurrence of a “spike”, as well as the time between successive spikes. Using this approach one could abstract the flow of information in a neural-network to be simply the spiking times for each neuron through an observation period. A point-process can be represented either by the timing of the spikes themselves, the waiting times between spikes, using a counting process, or, if time is discretized enough to ensure that in each window only one event has the possibility of occurring, that is to say one time bin can only contain one event, as a set of 1s and 0s, very similar to binary.[উদ্ধৃতিৰ প্ৰয়োজন]

One of the simplest types of neural-spiking models is the Poisson process. This however, is limited in that it is memory-less. It does not account for any spiking history when calculating the current probability of firing. Neurons, however, exhibit a fundamental (biophysical) history dependence by way of its relative and absolute refractory periods. To address this, a conditional intensity function is used to represent the probability of a neuron spiking, conditioned on its own history. The conditional intensity function expresses the instantaneous firing probability and implicitly defines a complete probability model for the point process. It defines a probability per unit time. So if this unit time is taken small enough to ensure that only one spike could occur in that time window, then our conditional intensity function completely specifies the probability that a given neuron will fire in a certain time.[উদ্ধৃতিৰ প্ৰয়োজন]

  1. Granger, C. W. J. (1969). "Investigating Causal Relations by Econometric Models and Cross-spectral Methods". Econometrica খণ্ড 37 (3): 424–438. doi:10.2307/1912791. 
  2. Diebold, Francis X. (2007). Elements of Forecasting (4th সম্পাদনা). Thomson South-Western. পৃষ্ঠা. 230–231. ISBN 978-0324359046. https://www.sas.upenn.edu/~fdiebold/Teaching221/FullBook.pdf. 
  3. Leamer, Edward E. (1985). "Vector Autoregressions for Causal Inference?". Carnegie-Rochester Conference Series on Public Policy খণ্ড 22: 283. doi:10.1016/0167-2231(85)90035-1. 
  4. Granger, C. W. J.; Newbold, Paul (1977). Forecasting Economic Time Series. প্ৰকাশক New York: Academic Press. পৃষ্ঠা. 225. ISBN 0122951506. 
  5. Hamilton, James D. (1994). Time Series Analysis. Princeton University Press. পৃষ্ঠা. 306–308. ISBN 0-691-04289-6. http://www.ru.ac.bd/stat/wp-content/uploads/sites/25/2019/03/504_02_Hamilton_Time-Series-Analysis.pdf. 
  6. Granger, Clive W. J. (2004). "Time Series Analysis, Cointegration, and Applications". American Economic Review খণ্ড 94 (3): 421–425. doi:10.1257/0002828041464669. https://www.nobelprize.org/uploads/2018/06/granger-lecture.pdf। আহৰণ কৰা হৈছে: 12 June 2019. 
  7. 7.0 7.1 7.2 7.3 Eichler, Michael (2012). "Causal Inference in Time Series Analysis". In Berzuini, Carlo. Causality : statistical perspectives and applications (3rd সম্পাদনা). প্ৰকাশক Hoboken, N.J.: Wiley. পৃষ্ঠা. 327–352. ISBN 978-0470665565. http://researchers-sbe.unimaas.nl/michaeleichler/wp-content/uploads/sites/31/2014/02/causalstatistics.pdf. 
  8. Seth, Anil (2007). "Granger causality". Scholarpedia খণ্ড 2 (7): 1667. doi:10.4249/scholarpedia.1667. 
  9. 9.0 9.1 Granger, C.W.J. (1980). "Testing for causality: A personal viewpoint". Journal of Economic Dynamics and Control খণ্ড 2: 329–352. doi:10.1016/0165-1889(80)90069-X. 
  10. Lütkepohl, Helmut (2005). New introduction to multiple time series analysis (3 সম্পাদনা). প্ৰকাশক Berlin: Springer. পৃষ্ঠা. 41–51. ISBN 978-3540262398. https://archive.org/details/newintroductiont00lutk. 
  11. Diks, Cees; Panchenko, Valentyn (2006). "A new statistic and practical guidelines for nonparametric Granger causality testing". Journal of Economic Dynamics and Control খণ্ড 30 (9): 1647–1669. doi:10.1016/j.jedc.2005.08.008. http://research.economics.unsw.edu.au/vpanchenko/papers/2006_GC_JEDC.pdf. 
  12. Francis, Bill B.; Mougoue, Mbodja; Panchenko, Valentyn (2010). "Is there a Symmetric Nonlinear Causal Relationship between Large and Small Firms?". Journal of Empirical Finance খণ্ড 17 (1): 23–28. doi:10.1016/j.jempfin.2009.08.003. http://research.economics.unsw.edu.au/vpanchenko/papers/2009_SLFIRMS_JEF.pdf. 
  13. 13.0 13.1 Mariusz, Maziarz (2015-05-20). "A review of the Granger-causality fallacy" (en ভাষাত). The Journal of Philosophical Economics: Reflections on Economic and Social Issues খণ্ড VIII. (2). ISSN 1843-2298. http://hrcak.srce.hr/index.php?show=clanak&id_clanak_jezik=229894. 
  14. Mannino, Michael; Bressler, Steven L (2015). "Foundational perspectives on causality in large-scale brain networks". Physics of Life Reviews খণ্ড 15: 107–23. doi:10.1016/j.plrev.2015.09.002. PMID 26429630. 
  15. Grassmann, Greta (2020). "New considerations on the validity of the Wiener-Granger causality test". Heliyon খণ্ড 6: e05208. doi:10.1016/j.heliyon.2020.e05208. PMID 33102842. http://www.sciencedirect.com/science/article/pii/S240584402032051X. 
  16. Hacker, R. Scott; Hatemi-j, A. (2006). "Tests for causality between integrated variables using asymptotic and bootstrap distributions: Theory and application". Applied Economics খণ্ড 38 (13): 1489–1500. doi:10.1080/00036840500405763. https://ideas.repec.org/a/taf/applec/v38y2006i13p1489-1500.html. 
  17. Mandelbrot, Benoit (1963). "The Variation of Certain Speculative Prices". The Journal of Business খণ্ড 36 (4): 394–419. doi:10.1086/294632. 
  18. Hatemi-j, A. (2012). "Asymmetric causality tests with an application". Empirical Economics খণ্ড 43: 447–456. doi:10.1007/s00181-011-0484-x. https://ideas.repec.org/a/spr/empeco/v43y2012i1p447-456.html. 
  19. Dumitrescu, E.-I.; Hurlin, C. (2012). "Testing for Granger non-causality in heterogeneous panels". Economic Modelling খণ্ড 29 (4): 1450–1460. doi:10.1016/j.econmod.2012.02.014. 
  20. Chen, Cathy W. S.; Hsieh, Ying-Hen; Su, Hung-Chieh; Wu, Jia Jing (2018-02-01). "Causality test of ambient fine particles and human influenza in Taiwan: Age group-specific disparity and geographic heterogeneity" (en ভাষাত). Environment International খণ্ড 111: 354–361. doi:10.1016/j.envint.2017.10.011. ISSN 0160-4120. PMID 29173968. http://www.sciencedirect.com/science/article/pii/S0160412017311042. 
  21. Chen, Cathy W. S.; Lee, Sangyeol (2017). "Bayesian causality test for integer-valued time series models with applications to climate and crime data" (en ভাষাত). Journal of the Royal Statistical Society, Series C (Applied Statistics) খণ্ড 66 (4): 797–814. doi:10.1111/rssc.12200. ISSN 1467-9876. 
  22. Knight, R. T (2007). "NEUROSCIENCE: Neural Networks Debunk Phrenology". Science খণ্ড 316 (5831): 1578–9. doi:10.1126/science.1144677. PMID 17569852. 
  23. 23.0 23.1 Kim, Sanggyun; Putrino, David; Ghosh, Soumya; Brown, Emery N (2011). "A Granger Causality Measure for Point Process Models of Ensemble Neural Spiking Activity". PLOS Computational Biology খণ্ড 7 (3): e1001110. doi:10.1371/journal.pcbi.1001110. PMID 21455283. 
  24. Bressler, Steven L; Seth, Anil K (2011). "Wiener–Granger Causality: A well established methodology". NeuroImage খণ্ড 58 (2): 323–9. doi:10.1016/j.neuroimage.2010.02.059. PMID 20202481. 

সাঁচ:Statistics